Memcached全面剖析–4. memcached的分布式算法

最新推荐文章于 2024-11-09 21:51:58 发布

weixin_34232363

最新推荐文章于 2024-11-09 21:51:58 发布

阅读量52

点赞数

文章标签： memcached 数据库 php

作者：长野雅广(Masahiro Nagano)
原文链接：http://gihyo.jp/dev/feature/01/memcached/0004

我是Mixi的长野。第2次、第3次由前坂介绍了memcached的内部情况。

本次不再介绍memcached的内部结构。開始介绍memcached的分布式。

memcached的分布式

正如第1次中介绍的那样， memcached尽管称为“分布式”缓存server，但server端并没有“分布式”功能。 server端仅包含第2次、第3次前坂介绍的内存存储功能，事实上现很easy。至于memcached的分布式，则是全然由client程序库实现的。

这样的分布式是memcached的最大特点。

memcached的分布式是什么意思？

这里多次使用了“分布式”这个词，但并未做详解。如今開始简单地介绍一下其原理。各个client的实现基本同样。

以下如果memcachedserver有node1～node3三台。应用程序要保存键名为“tokyo”“kanagawa”“chiba”“saitama”“gunma” 的数据。

图1 分布式简单介绍：准备

首先向memcached中加入“tokyo”。将“tokyo”传给client程序库后， client实现的算法就会依据“键”来决定保存数据的memcachedserver。

server选定后，即命令它保存“tokyo”及其值。

图2 分布式简单介绍：加入时

相同，“kanagawa”“chiba”“saitama”“gunma”都是先选择server再保存。

接下来获取保存的数据。获取时也要将要获取的键“tokyo”传递给函数库。

函数库通过与数据保存时同样的算法，依据“键”选择server。使用的算法同样，就能选中与保存时同样的server，然后发送get命令。

仅仅要数据没有由于某些原因被删除，就能获得保存的值。

图3 分布式简单介绍：获取时

这样。将不同的键保存到不同的server上。就实现了memcached的分布式。

memcachedserver增多后。键就会分散，即使一台memcachedserver发生问题无法连接，也不会影响其它的缓存，系统依旧能继续执行。

接下来介绍第1次中提到的Perlclient函数库Cache::Memcached实现的分布式方法。

Cache::Memcached的分布式方法

Perl的memcachedclient函数库Cache::Memcached是 memcached的作者Brad Fitzpatrick的作品。能够说是原装的函数库了。

Cache::Memcached - search.cpan.org

该函数库实现了分布式功能，是memcached标准的分布式方法。

依据余数计算分散

Cache::Memcached的分布式方法简单来说，就是“依据server台数的余数进行分散”。求得键的整数哈希值。再除以server台数，依据其余数来选择server。

以下将Cache::Memcached简化成以下的Perl脚本来进行说明。

use strict;
use warnings;
use String::CRC32;

my @nodes = ('node1','node2','node3');
my @keys = ('tokyo', 'kanagawa', 'chiba', 'saitama', 'gunma');

foreach my $key (@keys) {
    my $crc = crc32($key);             # CRC値
    my $mod = $crc % ( $#nodes + 1 );
    my $server = $nodes[ $mod ];       # 依据余数选择服务器
    printf "%s => %s\n", $key, $server;
}

Cache::Memcached在求哈希值时使用了CRC。

String::CRC32 - search.cpan.org

首先求得字符串的CRC值。依据该值除以server节点数目得到的余数决定server。

上面的代码运行后输入下面结果：

tokyo       => node2
kanagawa => node3
chiba       => node2
saitama   => node1
gunma     => node1

依据该结果，“tokyo”分散到node2。“kanagawa”分散到node3等。多说一句，当选择的server无法连接时，Cache::Memcached会将连接次数加入到键之后。再次计算哈希值并尝试连接。这个动作称为rehash。不希望rehash时能够在生成Cache::Memcached对象时指定“rehash => 0”选项。

依据余数计算分散的缺点

余数计算的方法简单。数据的分散性也相当优秀，但也有其缺点。那就是当加入或移除server时。缓存重组的代价相当巨大。

加入server后，余数就会产生巨变，这样就无法获取与保存时同样的server，从而影响缓存的命中率。

用Perl写段代码来验证其代价。

use strict;
use warnings;
use String::CRC32;

my @nodes = @ARGV;
my @keys = ('a'..'z');
my %nodes;

foreach my $key ( @keys ) {
    my $hash = crc32($key);
    my $mod = $hash % ( $#nodes + 1 );
    my $server = $nodes[ $mod ];
    push @{ $nodes{ $server } }, $key;
}

foreach my $node ( sort keys %nodes ) {
    printf "%s: %s\n", $node,  join ",", @{ $nodes{$node} };
}

这段Perl脚本演示了将“a”到“z”的键保存到memcached并訪问的情况。

将其保存为mod.pl并运行。

首先，当server仅仅有三台时：

$ mod.pl node1 node2 nod3
node1: a,c,d,e,h,j,n,u,w,x
node2: g,i,k,l,p,r,s,y
node3: b,f,m,o,q,t,v,z

结果如上，node1保存a、c、d、e……，node2保存g、i、k……。每台server都保存了8个到10个数据。

接下来添加一台memcachedserver。

$ mod.pl node1 node2 node3 node4
node1: d,f,m,o,t,v
node2: b,i,k,p,r,y
node3: e,g,l,n,u,w
node4: a,c,h,j,q,s,x,z

加入了node4。

可见。仅仅有d、i、k、p、r、y命中了。像这样。加入节点后键分散到的server会发生巨大变化。26个键中仅仅有六个在訪问原来的server，其它的全都移到了其它server。命中率减少到23%。

在Web应用程序中使用memcached时，在加入memcachedserver的瞬间缓存效率会大幅度下降。负载会集中到数据库server上，有可能会发生无法提供正常服务的情况。

mixi的Web应用程序运用中也有这个问题，导致无法加入memcachedserver。但因为使用了新的分布式方法，如今能够轻而易举地加入memcachedserver了。这样的分布式方法称为 Consistent Hashing。

Consistent Hashing

关于Consistent Hashing的思想，mixi株式会社的开发blog等很多地方都介绍过。这里仅仅简单地说明一下。

Consistent Hashing的简单说明

Consistent Hashing例如以下所看到的：首先求出memcachedserver（节点）的哈希值，并将其配置到0～2³²的圆（continuum）上。然后用相同的方法求出存储数据的键的哈希值，并映射到圆上。然后从数据映射到的位置開始顺时针查找，将数据保存到找到的第一个server上。假设超过2³²仍然找不到server，就会保存到第一台memcachedserver上。

图4 Consistent Hashing：基本原理

从上图的状态中加入一台memcachedserver。余数分布式算法因为保存键的server会发生巨大变化而影响缓存的命中率，但Consistent Hashing中。仅仅有在continuum上添加server的地点逆时针方向的第一台server上的键会受到影响。

图5 Consistent Hashing：加入server

因此，Consistent Hashing最大限度地抑制了键的又一次分布。并且。有的Consistent Hashing的实现方法还採用了虚拟节点的思想。使用一般的hash函数的话。server的映射地点的分布很不均匀。因此，使用虚拟节点的思想。为每一个物理节点（server）在continuum上分配100～200个点。这样就能抑制分布不均匀，最大限度地减小server增减时的缓存又一次分布。

通过下文中介绍的使用Consistent Hashing算法的memcachedclient函数库进行測试的结果是，由server台数（n）和添加的server台数（m）计算添加server后的命中率计算公式例如以下：

(1 - n/(n+m)) * 100

支持Consistent Hashing的函数库

本连载中多次介绍的Cache::Memcached尽管不支持Consistent Hashing，但已有几个client函数库支持了这样的新的分布式算法。第一个支持Consistent Hashing和虚拟节点的memcachedclient函数库是名为libketama的PHP库。由last.fm开发。

libketama - a consistent hashing algo for memcache clients – RJ ブログ - Users at Last.fm

至于Perlclient，连载的第1次中介绍过的Cache::Memcached::Fast和Cache::Memcached::libmemcached支持 Consistent Hashing。

两者的接口都与Cache::Memcached差点儿同样。假设正在使用Cache::Memcached。那么就能够方便地替换过来。Cache::Memcached::Fast又一次实现了libketama。使用Consistent Hashing创建对象时能够指定ketama_points选项。

my $memcached = Cache::Memcached::Fast->new({
    servers => ["192.168.0.1:11211","192.168.0.2:11211"],
    ketama_points => 150
});

另外，Cache::Memcached::libmemcached 是一个使用了Brain Aker开发的C函数库libmemcached的Perl模块。 libmemcached本身支持几种分布式算法，也支持Consistent Hashing，其Perl绑定也支持Consistent Hashing。