【redis】数据量庞大时的应对策略

本文主要是介绍【redis】数据量庞大时的应对策略，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

为什么数据量多了主机会崩

一台主机的硬件资源是有上限的，包括但不限于一下几种：

• CPU
• 内存
• 硬盘
• 网络
• …
  服务器每次收到一个请求，都是需要消耗上述的一些资源的~~
  如果同一时刻处理的请求多了，此时就可能会导致某个硬件资源不够用了，无论是那个方面不够用了，都可能会导致服务器处理请求的时间变长，甚至于处理出错

---

如果我们真的遇到了这样的服务器不够用的场景，我们可以：

1. 开源

• 简单粗暴，直接增加更多的硬件资源（什么不够补什么）
• 不过一个主机上面能增加的硬件资源也是有限的，取决于主板的扩展能力

2. 节流（软件上优化）

• 针对程序进行优化，优化代码（各凭本事）
• 通过性能测试，找到是哪个环节出现了瓶颈，再对症下药
• 操作起来很难！对程序员的水平要求比较高

分布式系统

当一台主机扩展到极限了，但是还不够，就只能引入多台主机了

但不是说买来的新的机器直接就可以解决问题，也需要软件上做出对应的调整和适配。当引入多台主机了，我们的系统就可以称为“分布式系统”了

引入分布式系统是万不得已的，系统的复杂程度会大大大提高（指数增长），这样出现 bug 的概率就越高、加班的概率就越大、丢失年终奖的概率也随之提高

应用数据分离架构

• 之前应用服务和数据库服务部署在一个服务器上，意味着这一份硬件资源要给两人用
• 现在各用各的，还可以针对两种服务器的特点，配置不同的主机
  • 应用服务器，里面可能包含很多的业务逻辑，可能会很吃 CPU 和内存。就给其配置 CPU 配置高、内存大的主机
  • 存储服务器，最主要的就是需要更大的硬盘空间、更快的数据访问速度。就给其配置更大硬盘的服务器，甚至还可以上 SSD 硬盘（固态硬盘）

---

分离了之后，能一定程度上的解决硬件资源不够用的问题。但是如果随着请求量进一步增加、数据量进一步增加，我们就需要进一步地增加硬件资源、调整服务器的结构

应用服务集群架构

引入更多的应用服务器节点

---

应用服务器可能会比较迟 CPU 和内存。如果把 CPU 和内存吃没了，此时应用服务器就顶不住了

此时引入更多的应用服务器，就可以有效解决上述问题

• 相当于是有了更多的 CPU 和硬件资源

负载均衡器

• 用户的请求先到“负载均衡器/网关服务器”（单独的服务器）这里，然后由其对这个请求进行分发
  • 现在我们有多个应用服务器了（图中是俩，实际上可能是多个），每个应用服务器都是能单独完成整个业务逻辑的，
  • 此时引入多个应用服务器之后，就可以让每个应用服务器承担整体请求中的一部分
  • 负载均衡器就像公司的一个组的领导一样，要负责管理，负责把任务分配给每个组员

假设有 1w 个用户请求，有 2 个应用服务器，此时按照负载均衡的方式，就可以让每个应用服务器承担 5k 的访问量

[!quote] 负载均衡器

• 负载均衡器就像公司的一个组的领导一样，要负责管理，负责把任务分配给每个组员
• 其内部有很多的“负载均衡”具体的算法

此时应用服务器的压力变小了，但“负载均衡器”不是一人承担了所有请求吗？他不会崩吗？

• 负载均衡器对于请求量的承担能力要远远超过应用服务器
  • 负载均衡器是领导，他的职责是分配工作
  • 应用服务器是组员，他的职责是执行任务
• 执行一个任务所花的时间远远超出分配一个工作所花的时间，所以负载均衡器消耗的硬件资源是很少的

当请求量大到负载均衡器也扛不住的时候，只需要引入更多的负载均衡器（引入多个机房）就可以了

---

如上面讨论，增加应用服务器，确实能够处理更高的请求量，但是随之存储服务器要承担的请求量也就更多了，此时仍是两个办法：

1. 开源，引入更多的机器，数据库读写分离
2. 节流，门槛高

数据库读写分离

• 在这个图里可以看到，存储服务器变成两台了（实际上可能有更多台）
• 主数据库（master），只负责写
• 从数据库（slave），只负责读。是主数据库的“跟班”，这个数据库中的数据要从主数据库中进行同步
• 应用服务器需要读，就从“从数据库”中去读。需要写，就从“主数据库”中去写

这样就把每一台机器的压力降低了。在实际的应用场景中，读的频率是比写要高的

主服务器一般是一个，从服务器可以有多个（一主多从），同时从数据库通过负载均衡的方式，让应用服务器进行访问

引入缓存

冷热分离架构

数据库天然有个问题——响应速度比较慢。所以将数据区分“冷热”，热点数据放到缓存中，缓存的访问速度往往要比数据库要快很多

• 缓存中只是放一小部分热点数据（会频繁被访问到的数据）
• 数据库里面存储的仍然是全量数据，只是相比之下热点数据会被放在缓存中
• 二八原则，20% 的数据能支持 80% 的访问量，更极端的情况能到一九

后续应用服务器在读取数据的时候，就可以先读缓存，如果这个数据在缓存中存在，就不需要读数据库中的数据了；如果不存在，就再去读数据库。由于二八原则，所以大部分的访问都可以直接在缓存中找到答案

• 这样数据库的压力又进一步降低了
• 同时缓存读的又快，又节约了时间
• 此时就相当与缓存服务器在帮助数据库服务器负重前行

---

分库

引入分布式系统有两个方面：

1. 应对更高的请求量（并发量）
2. 应对更大的数据量

虽然一个服务器存储的数据量可以达到几十个 TB，但是仍然会存在一台主机存不下数据的情况。当出现这样的情况时，我们就需要多台主机来存储

• 针对数据库进行进一步拆分==>分库分表，本来一个数据库服务器，这个数据库服务器上有多个数据库（指的是逻辑上的数据集合，create database 创建的那个东西）
• 现在就可以引入多个数据库服务器，每个数据库服务器存储一个或者一部分数据库
  • 将不同的表分到不同的机器上

分表

如果某个表非常大，大到一台主机存不下，也可以针对表进行拆分

• 将一张表拆成五张表，用五个服务器去存储，每个服务器都存储原表中的一部分
• 这样的话我们引入的存储空间就更多了

---

具体分库分表如何实践，还是要结合实际的业务场景来开展

微服务

是什么

上面已经演化出了一个比较复杂的分布式系统，可以处理更多的请求，同时可以存储更多的数据。但是这样的演化远远不是终点。在实际工作中还会对应用服务器做进一步的拆分

• 当应用服务器中要做的功能太多、太复杂，就需要将应用服务器拆成更多的部分
• 每一部分只负责其中的一小部分功能
  
  之前应用服务器，一个服务器里面做了很多的业务，这就可能会导致这一个服务器的代码变得越来越复杂。为了更方便于代码的维护，就可以把这样的一个复杂的服务器，拆分成更多单一的，但是更小的服务器==>微服务
• 服务器的种类和数量就增加了
• 每组服务器都有各自的存储集群和缓存模块

---

注意：微服务本质上是在解决“人”的问题
当应用服务器复杂了，势必就需要更多的人来维护，当人变多了，就需要配套的管理，把这些人组织好

• 划分组织结构，分成多个组
• 每个组分配领导进行管理
• 分成多个组就需要进分工

---

代价

引入微服务，解决了人的问题，但是付出的代价：

1. 整个系统的性能会下降

原本用户、商品、交易这些模块都是直接在进程内相互调用的。而现在需要通过网络，进行跨主机通信

• 网络通信比进程内调用慢太多太多了
• 访问最快的是 CPU、其次内存、才到硬盘，硬盘本身就比内存慢很多了

拆出更多的服务，多个功能之间要更依赖网络通信，而网络通信的速度可能比硬盘还要慢，这样系统的性能就会下降很多

• 想要保证性能不下降太多，只能引入更多的机器，更多的硬件资源（充钱，大厂不差钱）

幸运的是，由于硬件技术的发展，网卡现在有“万兆网卡”，读写速度已经能超过硬盘读写了，这样才导致微服务的通信操作不至于“太慢”

• 不过就一个字——贵
• 万兆网卡还需要配上万兆路由器、万兆交换机，甚至是能支持万兆带宽的网线…
  所以，这些就不是一些中小公司折腾的起的，还是只有一些大厂能玩得转

2. 系统复杂程度提高，可用性受到影响

服务器更多了，出现问题的概率就更大了，这就需要一系列的手段，来保证系统的可用性

• 更丰富的监控报警机制
• 配套的运维人员

优势

1. 解决了人的问题

---

2. 使用微服务，可以更方便于功能的复用

比如电商系统里面的用户模块，可能在很多模块中多需要用到，那我们就将其单独提取出来，给其他模块来调用

---

3. 可以给不同的服务进行不同的部署

有的模块对于请求量/数据量处理的不是很多，我们就给它少部署一点机器；有些重点的、负载量大的模块，我们就可以配置更好的机器

这篇关于【redis】数据量庞大时的应对策略的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---