redis数据倾斜

数据倾斜分为两种：
1.数据量倾斜：在某些情况下，实例上的数据分布不均匀，某个实例上的时候特别多。
2.数据访问倾斜：虽然每个实例上的数据量差别不大，但是某个实例上的数据是热点数据，被访问的非常频繁。

数据倾斜的成因和应对方案：

1.bigkey导致倾斜
bigkey的value很大或者bigkey中保存大量的集合元素，会导致这个实例的数据量增加，内存消耗也相应的增加
bigkey造成实例io线程阻塞，如果bigkey的访问量较大，就会影响这个实例上其他请求的处理速度。
解决办法：1.避免过多的数据对保存在同一键值对上。 2.把bigkey拆分成小的集合类型数据，分散在不同实例上。
举个例子：如果Hash集合user:info保存100万个用户信息，是一个bigkey。我们就可以按照用户id范围，把这个集合拆分成10个集合。每个集合只保留10万用户的信息。

2.Slot分配不均衡导致倾斜
Redis Cluster查看slot分配情况的命令：CLUSTER SLOTS

3.Hash Tag导致倾斜
数据通过key计算的CRC16值，分配到相应的Slot，而如果使用Hash Tag，原本的key是user:profile:3231就会变成user:profile:{3231}，而计算CRC16也只是根据花括号里的值进行的计算。如果不同的key花括号中的值一样就会被分派到同一个slot中，
这样设计的好处就是：支持事务操作和范围查询，但是会导致大量数据被集中到了一个实例上，导致数据倾斜集群的负载不均衡。
解决的办法：舍弃Hash Tag进行数据切片，而是放在客户端进行执行。

数据访问倾斜的原因和应对方案：

热点数据会存在于某个实例中，那么，这个实例的访问量会远高于其他实例。

如果热点数据是只读的话，采用热点数据多副本的方案，在每一个副本的key中增加一个随机前缀，让它和其他副本数据不会映射到同一slot中。
如果热点数据是读写的话，就不能采用以上方法，因为为了保证数据的一致性，会带来额外的开销。解决的办法就是使用配置更高的机器。