一文读懂 Redis 架构演化之路
导语｜近年来，Redis 变得越来越流行。Redis 持久化、主从复制、哨兵、分片集群是开发者常遇到的、看似容易理解的概念。它们存在什么联系？Redis 为什么会演化出几种架构模式？腾讯云后台开发工程师谭帅将带你一步步构建出稳定、高性能的 Redis 集群。了解 Redis 做了哪些方案来实现稳定与高性能之后，你在日常使用 Redis 时，能够更加游刃有余。
目录
1 情境引入：单机版 Redis
2 数据持久化：有备无患
3 主从复制：多副本
4 哨兵：故障自动切换
5 分片集群：横向扩展
6 总结
现如今 Redis 变得越来越流行，在很多项目中被用到。开发者们在使用 Redis 时，常常思考一个问题：Redis 是如何稳定、高性能地提供服务的？各位开发者也可以尝试回答一下以下这些问题：
● 我使用 Redis 的场景很简单，只使用单机版 Redis 会有什么问题吗？
● 我的 Redis 故障宕机了，数据丢失了怎么办？
● 如何能保证我的业务、应用不受影响？
● 为什么需要主从集群？它有什么优势？
● 什么是分片集群？我真的需要分片集群吗？
如果你已经对 Redis 有些许了解，肯定听说过数据持久化、主从复制、哨兵这些概念。它们之间又有什么区别和联系呢？如果你存在这样的疑惑，这篇文章会从 0 到 1、再从 1 到 N，带你一步步构建出一个稳定、高性能的 Redis 集群。
在这个过程中，你可以了解到 Redis 为了做到稳定、高性能所采取的优化方案及其原因。掌握了这些原理，你在日常使用 Redis 时，能够做到加倍游刃有余。
01、情境引入：单机版 Redis
首先，我们从最简单的场景来假设，以便各位由浅入深理解。现在你有一个业务、应用，需要引入 Redis 来提高应用的性能。你可以选择部署一个单机版的 Redis 来使用。就像这样：
这个架构非常简单，你的业务、应用可以把 Redis 当做缓存来使用。从 MySQL 中查询数据，写入到 Redis 中。业务、应用再从 Redis 中读取这些数据。Redis 的数据都存储在内存中，所以速度飞快。
如果你的业务体量并不大，那这样的架构模型基本可以满足你的需求。是不是很简单？随着时间的推移，你的业务体量逐渐发展起来了，Redis 中存储的数据也越来越多，此时你的业务、应用对 Redis 的依赖也越来越重。
突然有一天，你的 Redis 因为某些原因宕机了，你的所有业务流量都会打到后端 MySQL 上。这会导致你的 MySQL 压力剧增，严重的话甚至会压垮 MySQL。
这时你应该怎么办？我猜你的方案是：赶紧重启 Redis，让它可以继续提供服务。但是，因为之前 Redis 中的数据都在内存中，尽管你现在把 Redis 重启了，之前的数据也都丢失了。重启后的 Redis 虽然可以正常工作，但是由于 Redis 中没有任何数据，业务流量还是都会打到后端 MySQL 上，MySQL 的压力还是很大。
这可怎么办？你陷入了沉思。有没有什么好的办法解决这个问题？既然 Redis 只把数据存储在内存中，那是否可以把这些数据也写一份到磁盘上呢？如果采用这种方式，当 Redis 重启时，我们把磁盘中的数据快速恢复到内存中，它就可以继续正常提供服务了。这是一个很好的解决方案。把内存数据写到磁盘上的过程，就是「数据持久化」。
02、数据持久化：有备无患
现在，你设想的 Redis 数据持久化是这样的：
但是，数据持久化具体应该怎么做呢？我猜你想到的方案是：Redis 每一次执行写操作，除了写内存之外，同时也写一份到磁盘上。就像这样：
没错，这是最简单直接的方案。但仔细想一下，这个方案有个问题：客户端的每次写操作，既需要写内存，又需要写磁盘。写磁盘的耗时相比于写内存来说要大很多。这势必会影响到整体写性能。
如何规避这个问题？我们可以这样优化：Redis 写内存由主线程来做，写内存完成后就给客户端返回结果。Redis 用另一个线程去写磁盘，这样就可以避免主线程写磁盘对性能的影响。这确实是一个好方案。除此之外，我们可以换个角度，思考一下还有什么方式可以持久化数据？各位读者可以结合 Redis 的使用场景来考虑。
回忆一下：我们在使用 Redis 时，通常把它用作什么场景？那就是「缓存」。把 Redis 当做缓存来用的话，尽管 Redis 中没有保存全量数据，我们的业务、应用依旧可以通过查询后端数据库得到那些不在缓存中的数据。只不过查询后端数据的速度会慢一点，但对业务结果没有影响。
基于这个特点， Redis 数据持久化还可以用「数据快照」的方式来做。什么是数据快照呢？你可以这么理解：把 Redis 想象成一个水杯，向 Redis 写入数据，就相当于往这个杯子里倒水；此时你拿一个相机给这个水杯拍一张照片，拍照的这一瞬间，照片记录到这个水杯中水的容量，就是水杯的数据快照。
也就是说，Redis 的数据快照是记录某一时刻 Redis 中的数据，之后只需要把这个数据快照写到磁盘上就可以了。它的优势在于：需要持久化时，把数据一次性地写入磁盘即可，其它时间都不需要操作磁盘。基于这个方案，我们可以定时给 Redis 做数据快照，把数据持久化到磁盘上。
其实，上面说的这些持久化方案，就是 Redis 的「RDB」和「AOF」：
● RDB：只持久化某一时刻的数据快照到磁盘上（创建一个子进程来做）；
● AOF：每一次写操作都持久到磁盘（主线程写内存，根据策略实际情况来决定配置由主线程还是子线程进行数据持久化）。
它们的区别除了上面讲到的，还有以下特点：RDB 采用二进制 + 数据压缩的方式写磁盘，文件体积小、数据恢复速度也快；AOF 记录的是每一次写命令，数据最全但文件体积大、数据恢复速度慢。
如果让你来选择持久化方案，你可以这样选择：
● 如果你的业务对于数据丢失不敏感，采用 RDB 方案持久化数据；
● 如果你的业务对数据完整性要求比较高，采用 AOF 方案持久化数据。
假设你的业务对 Redis 数据完整性要求比较高，选择了 AOF 方案。此时你又会遇到这些问题：
● AOF 记录每一次写操作，随着时间增长，AOF 文件体积会越来越大；
● 巨大的 AOF 文件在数据恢复时变得非常慢。
这怎么办？数据完整性要求变高了，恢复数据也变困难了。有没有什么方法，可以缩小文件体积、提升恢复速度呢？下文我们继续来分析 AOF 的特点。
AOF 文件中记录的是每一次写操作。同一个 key 可能会发生的多次修改，我们只保留其最后一次被修改的值，是不是也可以？答案是正确。这就是我们经常听到的「AOF rewrite」，你也可以把它理解为 「AOF 瘦身」。开发者可以对 AOF 文件定时 rewrite，避免这个文件体积持续膨胀，以保障在恢复时可以缩短恢复时间。
各位开发者们再进一步思考：还有没有办法继续缩小 AOF 文件？我们前面讲到 RDB 和 AOF 各自的特点是 RDB 以二进制 + 数据压缩方式存储，文件体积小；而且 AOF 记录每一次写命令，数据最全。
我们可否利用它们各自的优势呢？答案是可以。这就是 Redis 的「混合持久化」。具体来说，当 AOF rewrite 时，Redis 先以 RDB 格式在 AOF 文件中写入一个数据快照，再把在这期间产生的每一个写命令，追加到 AOF 文件中。因为 RDB 是二进制压缩写入的，所以 AOF 文件体积就变得更小了。
此时，你在使用 AOF 文件恢复数据时，恢复时间就会更短。Redis 4.0 以上版本才支持混合持久化。经过这么一番优化，你的 Redis 再也不用担心实例宕机了。当发生宕机时，你就可以用持久化文件快速恢复 Redis 中的数据。
但这样就没问题了吗？实际上，虽然我们已经把持久化的文件优化到最小，但在恢复数据时依旧是需要时间的。在这期间你的业务、应用还是会受到影响，怎么办？我们接下来分析有没有更好的方案。
一个实例宕机只能用恢复数据来解决，那我们是否可以部署多个 Redis 实例，让这些实例数据保持实时同步？这样当一个实例宕机时，我们在剩下的实例中选择一个继续提供服务就好了。没错，这个方案就是接下来要讲的「主从复制：多副本」。
03、主从复制：多副本
此时，你可以部署多个 Redis 实例，架构模型就变成了这样：
我们这里把实时读写的节点叫做 「master」，另一个实时同步数据的节点叫做 「slave」。采用多副本方案的优势是：
● 缩短不可用时间：master 发生宕机，我们可以手动把 slave 提升为 master 继续提供服务；
● 提升读性能：让 slave 分担一部分读请求，提升应用的整体性能。
这个方案不仅节省了数据恢复的时间，还能提升性能。那它有什么问题吗？其实，它的问题在于：当 master 宕机时，我们需要手动把 slave 提升为 master，这个过程也是需要花费时间的。虽然比恢复数据要快得多，但还是需要人工介入处理。一旦需要人工介入，就必须要算上人的反应时间、操作时间。所以，在这期间你的业务、应用依旧会受到影响。
怎么解决这个问题？我们是否可以把这个切换的过程自动化呢？对于这种情况，我们需要一个「故障自动切换」机制——这就是我们经常听到的「哨兵」所具备的能力。
04、哨兵：故障自动切换
现在，我们可以引入一个「观察者」，让这个观察者去实时监测 master 的健康状态。这个观察者就是「哨兵」。具体如何做：
● 第一，哨兵每间隔一段时间，询问 master 是否正常；
● 第二，master 正常回复则表示状态正常，回复超时表示异常；
● 第三，哨兵发现异常，发起主从切换。
有了这个方案，就不需要人去介入处理、一切变得自动化。但这里还有一个问题：如果 master 状态正常，但这个哨兵在询问 master 时，它们之间的网络发生了问题，那这个哨兵可能会误判。
这个问题怎么解决？答案是：我们可以部署多个哨兵，让它们分布在不同的机器上、一起监测 master 的状态。流程如下：
● 首先，多个哨兵每间隔一段时间，询问 master 是否正常；
● 其次，master 正常回复，表示状态正常，回复超时表示异常；
● 再次，一旦有一个哨兵判定 master 异常（不管是否是网络问题），就询问其它哨兵，如果多个哨兵（设置一个阈值）都认为 master 异常了，这才判定 master 确实发生了故障；
● 最后，多个哨兵经过协商后，判定 master 故障，则发起主从切换。
所以，我们用多个哨兵互相协商来判定 master 的状态。这样一来，就可以大大降低误判的概率。哨兵协商判定 master 异常后，还有一个问题：由哪个哨兵来发起主从切换呢？答案是，选出一个哨兵「领导者」，由这个领导者进行主从切换。
那这个领导者怎么选？想象一下，现实生活中选举是怎么做的？投票。在选举哨兵领导者时，我们可以制定一个选举规则：
● 每个哨兵都询问其它哨兵，请求对方为自己投票；
● 每个哨兵只投票给第一个请求投票的哨兵，且只能投票一次；
● 首先拿到超过半数投票的哨兵当选为领导者，发起主从切换。
其实，这个选举的过程就是我们经常听到的：分布式系统领域中的「共识算法」。什么是共识算法？我们在多个机器部署哨兵，它们需要共同协作完成一项任务。所以它们就组成了一个「分布式系统」。在分布式系统领域，多个节点如何就一个问题达成共识的算法，就叫共识算法。
在这个场景下，多个哨兵共同协商、选举出一个都认可的领导者，就是使用共识算法完成的。这个算法规定节点的数量必须是奇数个，保证系统中即使有节点发生了故障事剩余超过半数的节点状态正常，从而依旧可以提供正确的结果。也就是说，这个算法兼容了存在故障节点的情况。
共识算法在分布式系统领域有很多。例如 Paxos、Raft。哨兵选举领导者这个场景，使用的是 「Raft 共识算法」。因为它足够简单且易于实现。现在，我们用多个哨兵共同监测 Redis 的状态。这样一来就可以避免误判的问题。架构模型变成了这样：
我们先小结一下：你的 Redis 从最简单的单机版，经过数据持久化、主从多副本、哨兵集群的优化，你的 Redis 不管是性能还是稳定性都越来越高，就算节点发生故障也不用担心。你的 Redis 以这样的架构模式部署，基本可以稳定运行很长时间。
随着时间的发展，你的业务体量开始迎来了爆炸性增长。此时你的架构模型，还能够承担这么大的流量吗？我们一起来分析一下：
● 稳定性：当Redis 故障宕机时，我们有哨兵 + 副本，可以自动完成主从切换；
● 性能：当读请求量增长，我们可以再部署多个 slave，实现读写分离以分担读压力；当写请求量增长，我们只有一个 master 实例。这个实例达到瓶颈怎么办？
当你的写请求量越来越大时，一个 master 实例可能就无法承担这么大的写流量了。要想完美解决这个问题，此时你就需要考虑使用「分片集群」了。
05、分片集群：横向扩展
什么是「分片集群」？一个实例扛不住写压力，我们可以部署多个实例。把这些实例按照一定规则组织起来，把它们当成一个整体来对外提供服务，就可以解决集中写一个实例的瓶颈问题。所以，现在的架构模型就变成了这样：
现在问题又来了：这么多实例如何组织呢？我们制定规则如下：
● 每个节点各自存储一部分数据，所有节点数据之和才是全量数据；
● 制定一个路由规则，将不同的 key 路由到固定一个实例上进行读写。
分片集群根据路由规则所在位置的不同，还可以分为两大类：「客户端分片」、「服务端分片」。
「客户端分片」 指的是 key 的路由规则放在客户端来做，就是下面这样：
这个方案的缺点是客户端需要维护路由规则。也就是说，你需要把路由规则写到你的业务代码中。如何做到不把路由规则耦合在业务代码中呢？你可以这样优化：把这个路由规则封装成一个模块。当需要使用时，集成这个模块。
这就是 Redis Cluster 的采用的方案。
Redis Cluster 内置了哨兵逻辑，无需再部署哨兵。当你使用 Redis Cluster 时，你的业务、应用需要使用配套的 Redis SDK。这个 SDK 内就集成好了路由规则，不需要你自己编写。
再来看「服务端分片」。这种方案指的是：路由规则不放在客户端来做，而是在客户端和服务端之间增加一个「中间代理层」。这个代理就是我们经常听到的 Proxy。数据的路由规则，就放在这个 Proxy 层来维护。
这样一来，你无需关心服务端有多少个 Redis 节点，只需要和这个 「Proxy」 交互即可。Proxy 会把你的请求根据路由规则转发到对应的 Redis 节点上。而且，当集群实例不足以支撑更大的流量请求时，还可以横向扩容、添加新的 Redis 实例提升性能。这一切对于你的客户端来说都是透明无感知的。
这是业界开源的 Redis 分片集群方案， Twemproxy、Codis 也是采用这种方案。
分片集群在数据扩容时，还涉及到了很多细节，此处不加以赘述。如果你对相关内容感兴趣，欢迎留言！至此，使用分片集群后，你可以面对未来更大的流量压力。
06、总结
最后我们来总结一下，我们是如何一步步构建一个稳定、高性能的 Redis 集群的。首先，在使用最简单的单机版 Redis 时，我们发现：当 Redis 故障宕机后，数据无法恢复。因此我们想到了「数据持久化」——把内存中的数据也持久化到磁盘上一份， Redis 重启后就可以从磁盘上快速恢复数据。
在进行数据持久化时，我们又面临如何更高效地将数据持久化到磁盘的问题。之后我们发现 Redis 提供了 「RDB」 和「 AOF」 两种方案，分别对应了数据快照和实时的命令记录。当我们对数据完整性要求不高时，可以选择 RDB 持久化方案。如果对于数据完整性要求较高，可以选择 AOF 持久化方案。
但是 AOF 文件体积会随着时间增长变得越来越大。此时我们想到的优化方案是：使用 AOF rewrite 的方式对其进行瘦身，减小文件体积。再后来，我们发现可以结合 RDB 和 AOF 各自的优势，在 AOF rewrite 时使用两者结合的「混合持久化」方式，进一步减小 AOF 文件体积。
之后，我们发现尽管可以通过数据恢复的方式还原数据，恢复数据也需花费时间。这意味着业务、应用还是会受到影响。我们进一步采用「多副本」的方案——让多个实例保持实时同步。当一个实例故障时，可以手动把其它实例提升上来继续提供服务。
但是手动提升实例上来也需要人工介入，人工介入操作需要时间。我们开始想办法把这个流程变得自动化。所以我们又引入了「哨兵」集群——哨兵集群通过互相协商的方式来发现故障节点，并可以自动完成切换。这大幅降低了对业务、应用的影响。
最后，我们把关注点聚焦在如何支撑更大的写流量上。我们又引入了「分片集群」来解决这个问题——多个 Redis 实例分摊写压力，从而面对未来更大的流量。我们还可以添加新的实例、横向扩展，进一步提升集群的性能。
至此，我们的 Redis 集群才得以长期稳定、高性能地为开发者的业务提供服务。最后我整理了一个思维导图，方便各位开发者更好地去理解它们之间的关系以及演化的过程。以上便是本次分享的全部内容，欢迎各位开发者在评论区交流讨论。
-End-
原创作者｜谭帅
技术责编｜谭帅
你可能感兴趣的腾讯工程师作品