Redis集群以及应用场景文档的补充

Author: LiWenGu

docs/database/Redis/redis集群以及应用场景.md

@@ -45,22 +45,22 @@
 
 <!-- /MarkdownTOC -->
 
-# 1. Redis 集群以及应用
+# Redis 集群以及应用
 
-## 1.1. 集群
+## 集群
 
-### 1.1.1. 主从复制
+### 主从复制
 
-#### 1.1.1.1. 主从链(拓扑结构)
+#### 主从链(拓扑结构)
 ![主从](https://user-images.githubusercontent.com/26766909/67539461-d1a26c00-f714-11e9-81ae-61fa89faf156.png)
 
 ![主从](https://user-images.githubusercontent.com/26766909/67539485-e0891e80-f714-11e9-8980-d253239fcd8b.png)
 
-#### 1.1.1.2. 复制模式
+#### 复制模式
 - 全量复制:master 全部同步到 slave
 - 部分复制:slave 数据丢失进行备份
 
-#### 1.1.1.3. 问题点
+#### 问题点
 - 同步故障
     - 复制数据延迟(不一致)
     - 读取过期数据(Slave 不能删除数据)
@@ -75,26 +75,26 @@
     - 主从复制挤压缓冲区不足产生的问题(网络中断，部分复制无法满足)，可增大复制缓冲区( rel_backlog_size 参数).
 - 复制风暴
 
-### 1.1.2. 哨兵机制
+### 哨兵机制
 
-#### 1.1.2.1. 拓扑图
+#### 拓扑图
 ![image](https://user-images.githubusercontent.com/26766909/67539495-f0086780-f714-11e9-9eab-c11a163ac6c0.png)
 
-#### 1.1.2.2. 节点下线
+#### 节点下线
 - 客观下线
     - 所有 Sentinel 节点对 Redis 节点失败要达成共识，即超过 quorum 个统一。
 - 主观下线
     - 即 Sentinel 节点对 Redis 节点失败的偏见，超出超时时间认为 Master 已经宕机。
 
-#### 1.1.2.3. leader选举
+#### leader选举
 - 选举出一个 Sentinel 作为 Leader:集群中至少有三个 Sentinel 节点，但只有其中一个节点可完成故障转移.通过以下命令可以进行失败判定或领导者选举。
 - 选举流程
     1. 每个主观下线的 Sentinel 节点向其他 Sentinel 节点发送命令，要求设置它为领导者.
     2. 收到命令的 Sentinel 节点如果没有同意通过其他 Sentinel 节点发送的命令，则同意该请求，否则拒绝。
     3. 如果该 Sentinel 节点发现自己的票数已经超过 Sentinel 集合半数且超过 quorum，则它成为领导者。
     4. 如果此过程有多个 Sentinel 节点成为领导者，则等待一段时间再重新进行选举。
 
-#### 1.1.2.4. 故障转移
+#### 故障转移
 - 转移流程
     1. Sentinel 选出一个合适的 Slave 作为新的 Master(slaveof no one 命令)。
     2. 向其余 Slave 发出通知，让它们成为新 Master 的 Slave( parallel-syncs 参数)。
@@ -105,80 +105,80 @@
     2. 选择复制偏移量最大的节点(同步数据最多)。
     3. 选择 runId 最小的节点。
 
-#### 1.1.2.5. 读写分离
+#### 读写分离
 
-#### 1.1.2.6. 定时任务
+#### 定时任务
 - 每 1s 每个 Sentinel 对其他 Sentinel 和 Redis 执行 ping，进行心跳检测。
 - 每 2s 每个 Sentinel 通过 Master 的 Channel 交换信息(pub - sub)。
 - 每 10s 每个 Sentinel 对 Master 和 Slave 执行 info，目的是发现 Slave 节点、确定主从关系。
 
-### 1.1.3. 分布式集群(Cluster)
+### 分布式集群(Cluster)
 
-#### 1.1.3.1. 拓扑图
+#### 拓扑图
 
 ![image](https://user-images.githubusercontent.com/26766909/67539510-f8f93900-f714-11e9-9d8d-08afdecff95a.png)
 
-#### 1.1.3.2. 通讯
+#### 通讯
 
-##### 1.1.3.2.1. 集中式
+##### 集中式
 > 将集群元数据(节点信息、故障等等)几种存储在某个节点上。
 - 优势
     1. 元数据的更新读取具有很强的时效性，元数据修改立即更新
 - 劣势
     1. 数据集中存储
 
-##### 1.1.3.2.2. Gossip
+##### Gossip
 ![image](https://user-images.githubusercontent.com/26766909/67539546-16c69e00-f715-11e9-9891-1e81b6af624c.png)
 
 - [Gossip 协议](https://www.jianshu.com/p/8279d6fd65bb)
 
-#### 1.1.3.3. 寻址分片
+#### 寻址分片
 
-##### 1.1.3.3.1. hash取模
+##### hash取模
 - hash(key)%机器数量
 - 问题
     1. 机器宕机，造成数据丢失，数据读取失败
     1. 伸缩性
 
-##### 1.1.3.3.2. 一致性hash
+##### 一致性hash
 - ![image](https://user-images.githubusercontent.com/26766909/67539595-352c9980-f715-11e9-8e4a-9d9c04027785.png)
 
 - 问题
     1. 一致性哈希算法在节点太少时，容易因为节点分布不均匀而造成缓存热点的问题。
         - 解决方案
             - 可以通过引入虚拟节点机制解决：即对每一个节点计算多个 hash，每个计算结果位置都放置一个虚拟节点。这样就实现了数据的均匀分布，负载均衡。
 
-##### 1.1.3.3.3. hash槽
+##### hash槽
 - CRC16(key)%16384
 - 
 ![image](https://user-images.githubusercontent.com/26766909/67539610-3fe72e80-f715-11e9-8e0d-ea58bc965795.png)
 
-## 1.2. 使用场景
+## 使用场景
 
-### 1.2.1. 热点数据
+### 热点数据
 
 存取数据优先从 Redis 操作，如果不存在再从文件（例如 MySQL）中操作，从文件操作完后将数据存储到 Redis 中并返回。同时有个定时任务后台定时扫描 Redis 的 key，根据业务规则进行淘汰，防止某些只访问一两次的数据一直存在 Redis 中。
 >例如使用 Zset 数据结构，存储 Key 的访问次数/最后访问时间作为 Score，最后做排序，来淘汰那些最少访问的 Key。  
   
 如果企业级应用，可以参考：[阿里云的 Redis 混合存储版][1]
 
-### 1.2.2. 会话维持 Session
+### 会话维持 Session
 
 会话维持 Session 场景，即使用 Redis 作为分布式场景下的登录中心存储应用。每次不同的服务在登录的时候，都会去统一的 Redis 去验证 Session 是否正确。但是在微服务场景，一般会考虑 Redis + JWT 做 Oauth2 模块。
 >其中 Redis 存储 JWT 的相关信息主要是留出口子，方便以后做统一的防刷接口，或者做登录设备限制等。
 
-### 1.2.3. 分布式锁 SETNX
+### 分布式锁 SETNX
 
 命令格式：`SETNX key value`：当且仅当 key 不存在，将 key 的值设为 value。若给定的 key 已经存在，则 SETNX 不做任何动作。
 
 1. 超时时间设置：获取锁的同时，启动守护线程，使用 expire 进行定时更新超时时间。如果该业务机器宕机，守护线程也挂掉，这样也会自动过期。如果该业务不是宕机，而是真的需要这么久的操作时间，那么增加超时时间在业务上也是可以接受的，但是肯定有个最大的阈值。
 2. 但是为了增加高可用，需要使用多台 Redis，就增加了复杂性，就可以参考 Redlock：[Redlock分布式锁](Redlock分布式锁.md#怎么在单节点上实现分布式锁)
 
-### 1.2.4. 表缓存
+### 表缓存
 
 Redis 缓存表的场景有黑名单、禁言表等。访问频率较高，即读高。根据业务需求，可以使用后台定时任务定时刷新 Redis 的缓存表数据。
 
-### 1.2.5. 消息队列 list
+### 消息队列 list
 
 主要使用了 List 数据结构。  
 List 支持在头部和尾部操作，因此可以实现简单的消息队列。
@@ -187,46 +187,46 @@ List 支持在头部和尾部操作，因此可以实现简单的消息队列。
 
 同时可以使用多个 List，来实现多个队列，根据不同的业务消息，塞入不同的 List，来增加吞吐量。
 
-### 1.2.6. 计数器 string
+### 计数器 string
 
 主要使用了 INCR、DECR、INCRBY、DECRBY 方法。
 
 INCR key：给 key 的 value 值增加一 
 DECR key：给 key 的 value 值减去一
 
-## 1.3. 缓存设计
+## 缓存设计
 
-### 1.3.1. 更新策略
+### 更新策略
 - LRU、LFU、FIFO 算法自动清除：一致性最差，维护成本低。
 - 超时自动清除(key expire)：一致性较差，维护成本低。
 - 主动更新：代码层面控制生命周期，一致性最好，维护成本高。
 
-### 1.3.2. 更新一致性
+### 更新一致性
 - 读请求：先读缓存，缓存没有的话，就读数据库，然后取出数据后放入缓存，同时返回响应。
 - 写请求：先删除缓存，然后再更新数据库(避免大量地写、却又不经常读的数据导致缓存频繁更新)。
 
-### 1.3.3. 缓存粒度
+### 缓存粒度
 - 通用性：全量属性更好。
 - 占用空间：部分属性更好。
 - 代码维护成本。
 
-### 1.3.4. 缓存穿透
+### 缓存穿透
 > 当大量的请求无命中缓存、直接请求到后端数据库(业务代码的 bug、或恶意攻击)，同时后端数据库也没有查询到相应的记录、无法添加缓存。  
 > 这种状态会一直维持，流量一直打到存储层上，无法利用缓存、还会给存储层带来巨大压力。
 
-#### 1.3.4.1. 解决方案
+#### 解决方案
 1. 请求无法命中缓存、同时数据库记录为空时在缓存添加该 key 的空对象(设置过期时间)，缺点是可能会在缓存中添加大量的空值键(比如遭到恶意攻击或爬虫)，而且缓存层和存储层数据短期内不一致；
 2. 使用布隆过滤器在缓存层前拦截非法请求、自动为空值添加黑名单(同时可能要为误判的记录添加白名单).但需要考虑布隆过滤器的维护(离线生成/ 实时生成)。
 
-### 1.3.5. 缓存雪崩
+### 缓存雪崩
 > 缓存崩溃时请求会直接落到数据库上，很可能由于无法承受大量的并发请求而崩溃，此时如果只重启数据库，或因为缓存重启后没有数据，新的流量进来很快又会把数据库击倒。
 
-#### 1.3.5.1. 出现后应对
+#### 出现后应对
 - 事前：Redis 高可用，主从 + 哨兵，Redis Cluster，避免全盘崩溃。
 - 事中：本地 ehcache 缓存 + hystrix 限流 & 降级，避免数据库承受太多压力。
 - 事后：Redis 持久化，一旦重启，自动从磁盘上加载数据，快速恢复缓存数据。
 
-#### 1.3.5.2. 请求过程
+#### 请求过程
 1. 用户请求先访问本地缓存，无命中后再访问 Redis，如果本地缓存和 Redis 都没有再查数据库，并把数据添加到本地缓存和 Redis；
 2. 由于设置了限流，一段时间范围内超出的请求走降级处理(返回默认值，或给出友情提示)。