今天谈些什么呢，还是谈谈今天碰到的一次case吧：


在地铁上碰到一个yc，他跟我说他们碰到的一个头疼的问题，接手别人的一个存储业务，现在在线上跑着，不过redis打满了。也就是该扩容了。单端口不能扩容，只能增加端口，降低单端口的量。

怎么扩？我问他采用什么方式分片的，他告诉我hash取模。我头晕，这。。。没啥好办法，只能停服。如果不能停服，只能用双写移库的方法。


双写移库，其实是我认为一种比较low的懒惰的方法，是让别人接坑的方法。说下特点：

1. 影响接口速度，双写无疑会增加调用redis的次数，增大时间，提高错误率。

2. 周期，从4个库，移动几百G的数据，在线上 用多长时间，开着飞机换轮子是否会造成出现偏差。在之前给某业务导数据过程中，挂死过一个redis，导致线上的业务出现问题。


那么程序设计之初就要有明确的目标：

1. 运维如果能在提供固定实例端口的基础上，内容消化扩容，那么问题就好办了，也就没有以下内容。.


2. 你存储的信息是什么，根据不同的内容其实是有不同的方案的，如果存共享session这类临时数据，那么无疑一致性hash是最好的解决方案，运维增加一台机器或者减少一台机器，顶多会造成，一部分用户重新登录下，不会造成其他问题。


    而如果存储的用户信息，是不能随便增加节点和减少节点的，因为任何变动都会引起用户信息的丢失，这种丢失不可逆，不能通过重新登录解决。此时，对于你采取 一致性hash，取模，或者区间算法实际是相同的。


3. 扩容：扩容的目标应该是，解决问题而又线上业务没有问题，这个应该最高优先的目标。也就是，优化是程序架构侧的事不是产品层面的事，不应引起系统服务的波动。


我比较喜欢区间算法,理由如下：

1. 由一个简单的算法如md5 (uid) 取得最后两位，哈希到00-FF共计256个节点，假设分配如下：00-3F  40-7F 80-BF  C0-FF  分别对应4个redis实例A B C D。此时如果4个redis满了，想尽快增加端口解决问题。可以2中的步骤。


2. 对于00-3F的数据，可以摘取一个从库，单独最为主库。如A  A1， 此时A和A1中的数据是一样的。然后修改配置 00-1F到A上面， 20-3F到A1上面，这样就完成了扩充端口。

然后再写一个脚本，线下删除A里面根据算法落到20-3F的数据，A1里面根据算法落到A的数据。这样，应该会很快的删除到制定大小，无疑删除数据远大于移动写入数据的速度。


至于弊端也有，不能一步到位。只能根据步骤，分批次扩容。


总之，当你选择服务的时候，你会选择一种在你扩容的时候对线上有影响，还是一种靠线下努力，按照步骤对线上没影响的扩容方案呢。