寫在前面

我們在使用Redis分片集群時，集群最好的狀態就是每個實例可以處理相同或相近比例的請求，但如果不是這樣，則會出現某些實例壓力特別大，而某些實例特別空閑的情況發生，本文就一起來看下這種情況是如何發生的以及如何處理。

1：什么是數據傾斜

數據傾斜分為兩種，第一種是數據量傾斜，第二種是數據訪問傾斜，定義如下：

• 數據量傾斜：數據分布的不均勻，導致某些實例數據特別多，進而導致處理的請求量大
• 數據訪問傾斜：數據分布均勻，但是某些實例存在熱點數據，進而導致處理的請求量大

可以看到不管是數據量傾斜，還是數據訪問傾斜，最終導致的結果都是發生傾斜的實例處理了更多的數據請求，壓力增大。

2：數據量傾斜

數據量傾斜最常見的原因就是在手動劃分slot時，分配不均勻，除此之外，還有big key，hash tag，分別來看下。

2.1：slot分配不均勻

slot分配不均勻一般是由于手動分配造成，或者是因為某個實例節點配置較高，為了更加充分的利用其計算機資源，有意的給其分配更多的slot，但是這個多出的量其實是不好預估的，所以對于因為計算機性能差異有意分配的造成的slot不均勻還是要盡量避免，即保證所有的實例節點都具有相同的配置，然后將slot進行均勻分配。如果是已經發生了slot分配不均勻，我們可以通過遷移slot的方式來處理，首先通過cluster slots命令查看當前slot的分配情況：

上圖slot0~4095分配到了實例192.168.10.3:6379,slot12288~16383分配到了實例192.168.10.5:6379。如下是一個slot遷移的例子。

假設我們要把 Slot 300 從源實例（ID 為 3）遷移到目標實例（ID 為 5），那要怎么做呢？

第1步，我們先在目標實例5上執行下面的命令，將Slot 300的源實例設置為實例 3，表示要從實例 3 上遷入 Slot 300。

第2步，在源實例 3 上，我們把 Slot 300 的目標實例設置為 5，這表示，Slot 300 要遷出到實例 5 上，如下所示：

第3步，從 Slot 300 中獲取 100 個 key。因為 Slot 中的 key 數量可能很多，所以我們需要在客戶端上多次執行下面的這條命令，分批次獲得并遷移 key。

第4步，我們把剛才獲取的 100 個 key 中的 key1 遷移到目標實例 5 上（IP 為 192.168.10.5），同時把要遷入的數據庫設置為 0 號數據庫，把遷移的超時時間設置為 timeout。我們重復執行 MIGRATE 命令，把 100 個 key 都遷移完。

最后，我們重復執行第 3 和第 4 步，直到 Slot 中的所有 key 都遷移完成。

從Redis3.0.6開始，你也可以使用KEYS選項，一次遷移多個key（key1、2、3），這樣可以提升遷移效率。

2.2：big key

bigkey，主要包括string的值特別大，和集合類型的元素特別多兩種情況，對于string，我們需要在業務上處理，分散到多個key存儲，然后在業務上多次獲取，并進行合并，比如如下劃分：

key:
    names
劃分為
key:
    name:1_1000 ... name:100001_101001 

其實這里是用到了分片的思想，對于集合的處理方式和string也是類似的，比如有一個包含100萬個元素的hash集合user:info，分片存儲后如下：

key: 
    user:info
key: 
    user:info:1_100000,user:info:100001_20000，...,user:info:900001_1000000

對于bigkey我們還是要在業務上盡量避免，因為bigkey的副作用不僅僅如此，還有如數據同步慢，數據恢復慢，刪除慢等。

2.3：hash tag

我們正常設置key，計算其slot值的方式是crc16(key)%16384,但是如果是使用了{},比如keypart1:{keypart2}，則計算的邏輯就變成了crc16(keypart2)%16384,一般用在希望某幾類key分布到同一個實例，進而可以方便的進行某些操作的場景，如事務，簡單的計算等，但是一般帶來的的負面影響要比收益大的多，比如造成這里分析的數據傾斜問題，數據傾斜影響的是整個Redis實例，影響更大，所以在實踐中要盡量避免使用hash tag。

3：數據訪問傾斜

數據訪問傾斜出現的場景一般就是熱點數據，比如首頁的新聞，某明星出軌離婚等爆點新聞，對于這類問題一般有如下的解決方法：

1：拷貝幾份數據，以分散到不同的實例
? ? 比如news:1,可以虛擬出幾份數據，如news:1:A,news:1:B,...news:1:Z,客戶端訪問時隨機的增加A~Z的后綴，分散壓力，這種方法可以用于只讀的熱點數據
2：增加機器配置
? ? 這種方法是針對讀寫數據，因為如果是按照方案1，數據的一致性將會帶來額外的性能開銷，以及更多潛在的bug。