個推專注爲開發者們提供消息推送服務多年。通過個推SDK，手機終端與服務器建立長連接，維持在線狀態。然而在網絡異常等情況下，消息無法實時送達到終端用戶，因而推送服務器建立了一份離線消息列表，以待用戶重新登錄時，進行消息的下發。這部分數據存儲在個推Redis集羣，整個集羣包括主從共百餘個實例，key的數量在10億級別，存儲空間在T級別，帶來了一定的維護成本和運維挑戰。作爲個推的後端開發工程師，我們也一直在尋找高性價比的方案。
個推整個集羣的QPS在百萬級別，若選擇使用Aerospike，對比實測下來，我們發現單臺搭載單塊Inter SSD 4600的物理機，可以達到接近10w的QPS，即幾十臺機器就可以滿足現有的需求，並能夠支撐未來較長一段時間的業務需求。
Aerospike的優勢
Aerospike是一個高性能、可擴展、可靠性強的NoSQL解決方案，支持RAM和SSD作爲存儲介質，並專門針對SSD特殊優化，廣泛應用於實時競價等實時計算領域。官方保證99%的操作在1ms內完成，並提供集羣數據自動Rebalance、集羣感知客戶端等功能，且支持超大規模數據集(100T級別)的存儲。
作爲KV存儲，Aerospike提供多種數據類型，其操作方式和Redis比較類似。除基礎功能之外，Aerospike還支持AMC控制檯、API等多種監控方式，有集羣QPS、健康度、負載等多項監控指標，對運維比較友好。支持集羣內數據的自動Rebalance，和Redis集羣方案相比，維護成本下降不少。
本文主要做一些Aerospike灰度部署、使用方面的經驗分享，希望對正在調研或者已經準備使用Aerospike的讀者提供一些參考。此外，灰度的理念並不限於Aerospike本身，對其他基礎組件的遷移和規劃，也能夠帶來一定的借鑑意義。
數據模型說明
Aerospike採用無模式存儲，數據模型類似RDBMS，因而在理解與使用上相對親切:
每個namespace包含多個set，每個set包含多條record，每個record包含多個bin(數據庫列)，可通過索引key來查詢record。不同的業務可以使用同一個集羣的不同namespace來作做資源隔離，從而實現資源池化、最大化利用資源的目的。
灰度上線流程
個推在離線消息列表存儲這項業務中使用了較大規模的Redis集羣。我們先後調研了ssdb、pika等支持Redis協議的磁盤存儲，整體計算下來，Aerospike的性價比最高。
前期我們結合線上場景模擬實際讀寫比例(分析線上業務，我們發現寫和讀大致比例在1:1 ~ 1:2之間)進行壓測，對可行性進行評估和驗證，然後進行投產規劃。
線上業務比較龐雜，直接全量切到Aerospike不太現實，風險也比較大。測試網模擬驗證難以暴露出生產環境下可能出現的問題，因此我們將整個上線流程劃分爲觀察階段和灰度階段。觀察階段顧名思義，原Redis集羣仍然承擔線上讀寫業務，只是將同樣的流量複製一份導入Aerospike，來進行真實壓力驗證; 灰度階段將線上業務逐步切到Aerospike集羣，擴大灰度保證集羣穩定運行至業務完全切到Aerospike。兩個階段具體操作如下:
觀察階段: Redis操作成功後，對Redis的讀寫操作以異步方式同步到Aerospike，Aerospike不承擔具體業務。下一步是數據雙寫Redis和Aerospike。該階段主要觀察兩邊數據是否一致，Aerospike壓力等。同時觀察階段可以進行節點重啓、集羣擴容等運維操作，評估運維成本，優化配置等。這裏可使用AMC頁面控制檯、監控API來監控集羣狀態，客戶端調用部分記錄必要日誌和監控信息。
灰度階段: Aerospike開始承擔部分應用和任務的離線消息列表存儲。灰度階段Redis和Aerospike數據雙寫雙清，保持熱備狀態，直至Redis數據完全切換到Aerospike並穩定運行一段時間。
觀察階段非常重要，基本上是對整個方案可行性進行線上評估。這個階段觀察點分爲客戶端(AS-Client)和服務端(AS-Server)兩部分。客戶端主要觀察:
1.使用metrics監控客戶端請求響應耗時，利用一段時間內的請求耗時百分比分佈(50%, 90%, 99%, 99.9%)，評估系統SLA。
2.監控讀寫成功、失敗等情況的計數。
3.將慢日誌閾值設定爲50ms，統計高峯期和平常時段的慢日誌情況。
4.異步寫Aerospike隊列監控，合理調整隊列大小。
服務端主要觀察:
1.集羣的健康度。
2.磁盤和內存佔用情況，內存空間/磁盤空間比例。
3.機器IO負載、CPU負載、磁盤碎片化程度等信息。
4.集羣吞吐量，讀寫TPS是否能與線上Redis集羣相當。
5.數據一致性檢查。如何檢查觀察階段和灰度階段兩份數據的一致情況？逐key比對差異在性能上難以滿足要求。考慮數據完全一致情況下Redis查出的數據應該和Aerospike查出來的數據完全相同，所以抽樣記錄Redis和Aerospike的數據查詢結果記錄到日誌，對比分析1分鐘、5分鐘、30分鐘、1小時內不一致數據佔比。如果線上Key的數量在10億級別，即便只檢查出萬分之一的差異，那麼不一致的情況也很顯著了。這種情況下，就需要排查引發不一致情況的原因並解決。
維護性方面主要考慮到集羣數據自動Rebalance會帶來一定的性能下降，可能對用戶體驗有較大影響，結合我們的經驗，模擬了一些典型的運維場景:
1.模擬單節點故障導致的集羣Rebalance對系統性能的影響。
2.模擬集羣擴容導致的集羣Rebalance對系統性能的影響。
3.根據對線上業務的影響，計算白天和晚上集羣的Rebalance速度，同時支持cron job更新。
4.節點重啓。
5.增加SSD掛載。
6.相關配置的優化等。
總結一下，完整的上線流程分爲以下幾步:
0.模擬線上環境壓測，進行可行性驗證。
1.將Aerospike客戶端封裝成類Redis的接口，添加必要日誌、監控項，對Bin的有效性檢查等。
2.消息服務集成Aerospike客戶端，需要的功能包括: Aerospike異步讀寫，業務數據源切換，流量過濾等。
3.QA功能驗證。
4.申請資源，線上部署Aerospike集羣。
5.集成Aerospike功能的消息服務上線。
6.觀察階段驗證通過後，進入灰度階段，直至最終上線或中途撤回。
經驗總結
在Aerospike使用過程中，我們遇到了一些問題和挑戰，總結爲下面幾點:
1.Aerospike開啓single-bin的模式會節省佔用空間。
2.Aerospike不會存儲原始key，實際索引的是原始key的一個20字節hash值，如果業務需要使用原始key則必須另外設置bin存儲。即便key和value值的字節數較少，但key本身佔據20個字節，因而實際佔用的空間會比較大。
3.Aerospike在節點宕機或是增減節點時會Rebalance數據，這個過程會影響對外服務質量。但Rebalance速度可以控制，因而需要在保證服務質量和集羣快速恢復二者間做權衡。
4.社區版本集羣每次重啓都要重建索引，然後加載到內存，這會導致速度比較慢。namespace需要在配置文件中指定，因而最好能按業務劃分，預先分配好將來可能用到的namespace，減少不必要的重啓。
5.因爲SSD本身存在碎片和寫入放大的問題，實際使用中，我們發現若磁盤空間使用量在50%左右，性能下降會比較嚴重。故可以結合實際業務優化碎片整理相關參數。
6.Aerospike對HotKey有限制，因而頻繁對一個key讀寫時，會返回HotKey錯誤(errorcode 14) 。服務端可以通過增大 transaction-pending-limit配置來提高對同一個key操作的併發量，它的默認爲20，值爲0時表示不限。增大該配置可能會降低一定性能。客戶端可能需要對該異常增加重試處理，但重試可能會進一步增大HotKey的風險。
7.這種基礎組件的更迭一定要儘可能使用線上流量做壓力檢驗，從而儘早暴露潛在問題。
8.觀察階段也要評估運維成本，避免從一個坑跳進另一個坑。
9.使用過程中還需要注意Aerospike的一些固有限制，如一個namespace最多有1023個set 、bin名字長度最多14個單字節字符 、一個namespace最多支持64塊SSD 等等，具體可參考:aerospike_known_limitations。
結語
Aerospike作爲一個大容量的NoSql解決方案，並未在國內廠中廣泛商使用。它適合對容量要求比較大，QPS相對低一些的場景，一定程度上可以節省TCO。支持命令上，Aerospike和Redis比較相像，業務遷移過來也比較容易。它天然地支持集羣部署，對監控和運維支持比較友好。儘管擁有這麼多優良特性，但技術選型時還是要持審慎態度，預先評估是否符合自己的業務場景，性能和成本是否能夠滿足要求等。在官方的某些測試場景下，它的性能比Redis還要高，實際上因爲SSD本身的限制，大部分情況下，它在QPS方面與Redis差距較大。最後，上線前務必經過線上流量驗證，用灰度方式處理實際線上業務，最小化影響用戶體驗。
話外
不得不提的是，有贊也在分佈式中使用了Aerospike，藉此也反映出這已經是比較成熟的方案了。
參考：https://mp.weixin.qq.com/s/32XbJ5bn0i3O4Kn8PHpwQg