最近我在思考實時數倉問題的時候，想到了巨量的redis的存儲的問題，然後翻閱到這篇文章，與各位分享。
需求背景
該應用場景爲DMP緩存存儲需求，DMP需要管理非常多的第三方id數據，其中包括各媒體cookie與自身cookie（以下統稱supperid）的mapping關係，還包括了supperid的人口標籤、移動端id（主要是idfa和imei）的人口標籤，以及一些黑名單id、ip等數據。
在hdfs的幫助下離線存儲千億記錄並不困難，然而DMP還需要提供毫秒級的實時查詢。由於cookie這種id本身具有不穩定性，所以很多的真實用戶的瀏覽行爲會導致大量的新cookie生成，只有及時同步mapping的數據才能命中DMP的人口標籤，無法通過預熱來獲取較高的命中，這就跟緩存存儲帶來了極大的挑戰。
經過實際測試，對於上述數據，常規存儲超過五十億的kv記錄就需要1T多的內存，如果需要做高可用多副本那帶來的消耗是巨大的，另外kv的長短不齊也會帶來很多內存碎片，這就需要超大規模的存儲方案來解決上述問題。
存儲何種數據
人⼝標籤主要是cookie、imei、idfa以及其對應的gender（性別）、age（年齡段）、geo（地域）等；mapping關係主要是媒體cookie對supperid的映射。以下是數據存儲⽰示例：
PC端的ID：媒體編號-媒體cookie=>supperid
supperid => { age=>年齡段編碼，gender=>性別編碼，geo=>地理位置編碼 }Device端的ID：
imei or idfa => { age=>年齡段編碼，gender=>性別編碼，geo=>地理位置編碼 }顯然PC數據需要存儲兩種key=>value還有key=>hashmap，⽽而Device數據需要存儲⼀一種key=>hashmap即可。
數據特點
短key短value：
其中superid爲21位數字：比如1605242015141689522
imei爲小寫md5：比如2d131005dc0f37d362a5d97094103633
idfa爲大寫帶”-”md5：比如：51DFFC83-9541-4411-FA4F-356927E39D04媒體自身的cookie長短不一；
需要爲全量數據提供服務，supperid是百億級、媒體映射是千億級、移動id是幾十億級；
每天有十億級別的mapping關係產生；
對於較大時間窗口內可以預判熱數據（有一些存留的穩定cookie）；
對於當前mapping數據無法預判熱數據，有很多是新生成的cookie；
存在的技術挑戰
1）長短不一容易造成內存碎片；
2）由於指針大量存在，內存膨脹率比較高，一般在7倍，純內存存儲通病；
3）雖然可以通過cookie的行爲預判其熱度，但每天新生成的id依然很多（百分比比較敏感，暫不透露）；
4）由於服務要求在公網環境（國內公網延遲60ms以下）下100ms以內，所以原則上當天新更新的mapping和人口標籤需要全部in memory，而不會讓請求落到後端的冷數據；
5）業務方面，所有數據原則上至少保留35天甚至更久；
6）內存至今也比較昂貴，百億級Key乃至千億級存儲方案勢在必行！
解決方案
5.1 淘汰策略
存儲喫緊的一個重要原因在於每天會有很多新數據入庫，所以及時清理數據尤爲重要。主要方法就是發現和保留熱數據淘汰冷數據。網民的量級遠遠達不到幾十億的規模，id有一定的生命週期，會不斷的變化。所以很大程度上我們存儲的id實際上是無效的。而查詢其實前端的邏輯就是廣告曝光，跟人的行爲有關，所以一個id在某個時間窗口的（可能是一個campaign，半個月、幾個月）訪問行爲上會有一定的重複性。數據初始化之前，我們先利用hbase將日誌的id聚合去重，劃定TTL的範圍，一般是35天，這樣可以砍掉近35天未出現的id。另外在Redis中設置過期時間是35天，當有訪問並命中時，對key進行續命，延長過期時間，未在35天出現的自然淘汰。這樣可以針對穩定cookie或id有效，實際證明，續命的方法對idfa和imei比較實用，長期積累可達到非常理想的命中。
5.2 減少膨脹
Hash表空間大小和Key的個數決定了衝突率（或者用負載因子衡量），再合理的範圍內，key越多自然hash表空間越大，消耗的內存自然也會很大。再加上大量指針本身是長整型，所以內存存儲的膨脹十分可觀。先來談談如何把key的個數減少。
大家先來了解一種存儲結構。我們期望將key1=>value1存儲在redis中，那麼可以按照如下過程去存儲。先用固定長度的隨機散列md5(key)值作爲redis的key，我們稱之爲BucketId，而將key1=>value1存儲在hashmap結構中，這樣在查詢的時候就可以讓client按照上面的過程計算出散列，從而查詢到value1。
過程變化簡單描述爲：get(key1) -> hget(md5(key1), key1) 從而得到value1。如果我們通過預先計算，讓很多key可以在BucketId空間裏碰撞，那麼可以認爲一個BucketId下面掛了多個key。比如平均每個BucketId下面掛10個key，那麼理論上我們將會減少超過90%的redis key的個數。
具體實現起來有一些麻煩，而且用這個方法之前你要想好容量規模。我們通常使用的md5是32位的hexString（16進制字符），它的空間是128bit，這個量級太大了，我們需要存儲的是百億級，大約是33bit（2的33次方），所以我們需要有一種機制計算出合適位數的散列，而且爲了節約內存，我們需要利用全部字符類型（ASCII碼在0~127之間）來填充，而不用HexString，這樣Key的長度可以縮短到一半。
下面是具體的實現方式
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];// 因爲一個字節中只有7位能夠表示成單字符，ascii碼是7位
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;
}參數bit決定了最終BucketId空間的大小，空間大小集合是2的整數冪次的離散值。這裏解釋一下爲何一個字節中只有7位可用，是因爲redis存儲key時需要是ASCII（0~127），而不是byte array。如果規劃百億級存儲，計劃每個桶分擔10個kv，那麼我們只需2^30=1073741824的桶個數即可，也就是最終key的個數。
5.3 減少碎片
碎片主要原因在於內存無法對齊、過期刪除後，內存無法重新分配。通過上文描述的方式，我們可以將人口標籤和mapping數據按照上面的方式去存儲，這樣的好處就是redis key是等長的。
另外對於hashmap中的key我們也做了相關優化，截取cookie或者deviceid的後六位作爲key，這樣也可以保證內存對齊，理論上會有衝突的可能性，但在同一個桶內後綴相同的概率極低(試想id幾乎是隨機的字符串，隨意10個由較長字符組成的id後綴相同的概率*桶樣本數=發生衝突的期望值<<0.05,也就是說出現一個衝突樣本則是極小概率事件，而且這個概率可以通過調整後綴保留長度控制期望值)。而value只存儲age、gender、geo的編碼，用三個字節去存儲。
另外提一下，減少碎片還有個很low但是有效的方法，將slave重啓，然後強制的failover切換主從，這樣相當於給master整理的內存的碎片。
推薦Google-tcmalloc， facebook-jemalloc內存分配，可以在value不大時減少內存碎片和內存消耗。有人測過大value情況下反而libc更節約。
