【Redis】大数据量（百亿级）Key存储需求及解决方案

原文链接：

问题导读：

1. 需求背景是什么？

2. 存储何种数据？

3. 数据特点是什么？

4. 存在哪些技术挑战？

5. 解决方案有哪些？

6. md5散列桶的方法需要注意哪些问题？

7. 测试结果是什么？

解决方案：

1 需求背景

该应用场景为 DMP（Data Management Platform：数据管理平台，是把分散的多方数据进行整合纳入统一的技术平台，并对这些数据进行标准化和细分，让用户可以把这些细分结果推向现有的互动营销环境里的平台）缓存存储需求，DMP 需要管理非常多的第三方 id 数据，其中包括各媒体 cookie 与自身 cookie（以下统称supperid）的 mapping 关系，还包括了 supperid 的人口标签、移动端 id（主要是idfa(Identifierfor Advertising：广告标识符)和 imei(International Mobile Equipment Identity：国际移动设备识别码的缩写。俗称“手机串号”、“手机串码”、“手机序列号”，用于在GSM移动网络中识别每一部独立的手机，相当于手机的身份证号码)）的人口标签，以及一些黑名单 id、ip 等数据。

在 hdfs(Hadoop 分布式文件系统)的帮助下离线存储千亿记录并不困难，然而 DMP 还需要提供毫秒级的实时查询。由于 cookie 这种 id 本身的不稳定性，所以很多真实用户的浏览行为会导致大量新的 cookie 生成，只有及时同步 mapping 的数据才能命中 DMP 的人口标签，无法通过预热来获取较高的命中，这就给缓存存储带来了极大的挑战。

经过实际测试，对于上述数据，常规存储超过五十亿的 kv 记录就需要 1T 多的内存，如果需要做高可用多副本大数据数据存储，那带来的消耗是巨大的，另外 kv 的长短不齐也会带来很多内存碎片，这就需要超大规模的存储方案来解决上述问题。

2 存储何种数据

人口标签主要是 cookie、imei、idfa 以及其对应的 gender（性别）、age（年龄段）、geo（地域）等；mapping 关系主要是媒体 cookie 对 supperid 的映射。以下是数据存储示例：

1) PC 端的ID：

媒体编号 - 媒体cookie => supperid

supperid => {

age => 年龄段编码，

gender => 性别编码，

geo => 地理位置编码

}

2) Device 端的ID：

imei or idfa => {

age => 年龄段编码，

gender => 性别编码，

geo => 地理位置编码

}

显然，PC 数据需要存储两种：key => value 和 key => hashmap，而 Device 数据需要存储一种 key => hashmap 即可。

3 数据特点

短key短value，其中supperid为21位数字：比如 160524201514168952222；imei为小写md5：比如2d131005dc0f37d362a5d97094103633；idfa 为大写带”- ”md5：比如：51DFFC83-9541-4411-FA4F-356927E39D04；媒体自身的 cookie 长短不一；需要为全量数据提供服务，supperid 是百亿级、媒体映射是千亿级、移动id是几十亿级；每天有十亿级别的 mapping 关系产生；对于较大时间窗口内可以预判热数据（有一些存留的稳定 cookie）；对于当前 mapping 数据无法预判热数据，有很多是新生成的 cookie；

4 存在的技术挑战

1）长短不一容易造成内存碎片；

2）由于指针大量存在，内存膨胀率比较高，一般在7倍，纯内存存储通病；

3）虽然可以通过 cookie 的行为预判其热度，但每天新生成的 id 依然很多（百分比比较敏感，暂不透露）；

4）由于服务要求在公网环境（国内公网延迟 60ms 以下）下 100ms 以内，所以原则上当天新更新的 mapping和人口标签需要全部 in memory，从而不会让请求落到后端的冷数据；

5）业务方面，所有数据原则上至少保留 35 天甚至更久；

6）内存至今也比较昂贵，百亿级Key乃至千亿级存储方案势在必行！

5 解决方案

5.1 淘汰策略

存储吃紧的一个重要原因在于每天会有很多新数据入库，所以及时清理数据尤为重要。主要方法就是发现和保留热数据并且淘汰冷数据。

网民的量级远远达不到几十亿的规模，id 有一定的生命周期，会不断的变化。所以很大程度上我们存储的 id 实际上是无效的。而查询其实（前端的逻辑）就是广告曝光，跟人的行为有关，所以一个 id 在某个时间窗口的（可能是一个 campaign(广告Campaign是指广告主在一段明确的期间里(如一年)，推出一系列拥有共同主题或讯息的广告，以期建立广告讯息的累积效果，塑造品牌与企业一致的形象，并给予目标受众持续而深刻的刺激与冲击)，半个月、几个月）访问行为上会有一定的重复性。

数据初始化之前，我们先利用 hbase(HBase是一个分布式的、面向列的开源数据库，HBase不同于一般的关系数据库，它是一个适合于非结构化数据存储的数据库。另一个不同的是HBase基于列的而不是基于行的模式)将日志的 id 聚合去重，划定 TTL 的范围，一般是 35 天，这样可以砍掉近 35 天未出现的 id。另外在 Redis 中设置过期时间是 35 天，当有访问并命中时，对 key 进行续命，延长过期时间，未在 35 天出现的自然淘汰。这样可以针对稳定 cookie 或 id 有效，实际证明，续命的方法对 idfa 和imei 比较实用，长期积累可达到非常理想的命中。

5.2 减少膨胀

Hash 表空间大小和 Key 的个数决定了冲突率（或者用负载因子衡量），在合理的范围内，key 越多自然 hash 表空间越大，消耗的内存自然也会越大。再加上大量指针本身是长整型，所以内存存储的膨胀十分可观。先来谈谈如何把 key 的个数减少，大家先来了解一种存储结构。我们期望将 key1 => value1 存储在 redis 中，那么可以按照如下过程去存储：先用固定长度的随机散列 md5(key1) 值作为 redis 的 key，我们称之为 BucketId，而将 key1 => value1 存储在 hashmap 结构中，这样在查询的时候就可以让 client 按照上面的过程计算出散列，从而查询到 value1。过程变化简单描述为：get(key1) -> hget(md5(key1), key1) 从而得到value1。如果我们通过预先计算，让很多 key 可以在 BucketId 空间里碰撞，那么可以认为一个 BucketId 下面挂了多个 key。比如平均每个 BucketId 下面挂 10 个 key，那么理论上我们将会减少超过 90% 的 redis key 的个数。具体实现起来有一些麻烦，而且用这个方法之前你要想好容量规模。我们通常使用的 md5 是 32 位的HexString（16进制字符），它的空间是 128bit，这个量级太大了，我们需要存储的是百亿级，大约是 33bit，所以我们需要有一种机制计算出合适位数的散列，而且为了节约内存，我们需要利用全部字符类型（ASCII码在0~127之间）来填充，而不用HexString，这样Key的长度可以缩短到一半。下面是具体的实现方式：

public static byte[] getBucketId(byte[] key, Integer bit) {
	MessageDigest mdInst = MessageDigest.getInstance("MD5");
	mdInst.update(key);
	byte[] md = mdInst.digest();
	byte[] r = new byte[(bit - 1) / 7 + 1]; // 因为一个字节中只有7位能够表示成单字符
	int a = (int) Math.pow(2, bit % 7) - 2;
	md[r.length - 1] = (byte) (md[r.length - 1] & a);
	System.arraycopy(md, 0, r, 0, r.length);
	for (int i = 0; i < r.length; i++) {
		if (r[i] < 0)
			r[i] &= 127;
	}
	return r;
}

参数bit决定了最终BucketId空间的大小，空间大小集合是2的整数幂次的离散值。这里解释一下为何一个字节中只有7位可用，是因为redis存储key时需要是ASCII（0~127），而不是byte array。如果规划百亿级存储，计划每个桶分担10个kv，那么我们只需2^30=1073741824的桶个数即可，也就是最终key的个数。

5.3 减少碎片

碎片主要原因在于内存无法对齐，过期删除后，内存无法重新分配。通过上文描述的方式，我们可以将人口标签和mapping数据按照上面的方式去存储，这样的好处就是redis key是等长的。另外对于hashmap中的key我们也做了相关优化，截取cookie或者deviceid的后六位作为key，这样也可以保证内存对齐，理论上会有冲突的可能性，但在同一个桶内后缀相同的概率极低(试想id几乎是随机的字符串，随意10个由较长字符组成的id后缀相同的概率*桶样本数=发生冲突的期望值

（编辑：威海站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!