memcached的分布式算法-CSDN博客

memcached全面剖析 –4. memcached的分布式算法

发表日：2008/7/23
作者：长野雅广(Masahiro Nagano)
原文链接：http://gihyo.jp/dev/feature/01/memcached/0004

前几次的文章在这里：

· 第 1 次： http://tech.idv2.com/2008/07/10/memcached-001/

· 第 2 次： http://tech.idv2.com/2008/07/11/memcached-002/

· 第 3 次： http://tech.idv2.com/2008/07/16/memcached-003/

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，开始介绍memcached 的分布式。

· memcached的分布式

o memcached的分布式是什么意思？

· Cache::Memcached的分布式方法

o 根据余数计算分散

o 根据余数计算分散的缺点

· Consistent Hashing

o Consistent Hashing的简单说明

o 支持 Consistent Hashing的函数库

· 总结

memcached 的分布式

正如第1 次中介绍的那样， memcached 虽然称为“ 分布式” 缓存服务器，但服务器端并没有“ 分布式” 功能。服务器端仅包括第2 次、第3 次前坂介绍的内存存储功能，其实现非常简单。至于memcached 的分布式，则是完全由客户端程序库实现的。这种分布式是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，但并未做详细解释。现在开始简单地介绍一下其原理，各个客户端的实现基本相同。

下面假设memcached 服务器有node1 ～node3 三台，应用程序要保存键名为“tokyo”“kanagawa”“chiba”“saitama”“gunma” 的数据。

图1 分布式简介：准备

首先向memcached 中添加“tokyo” 。将“tokyo” 传给客户端程序库后，客户端实现的算法就会根据“ 键” 来决定保存数据的memcached 服务器。服务器选定后，即命令它保存“tokyo” 及其值。

图2 分布式简介：添加时

同样，“kanagawa”“chiba”“saitama”“gunma” 都是先选择服务器再保存。

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相同的算法，根据“ 键” 选择服务器。使用的算法相同，就能选中与保存时相同的服务器，然后发送get 命令。只要数据没有因为某些原因被删除，就能获得保存的值。

图3 分布式简介：获取时

这样，将不同的键保存到不同的服务器上，就实现了memcached 的分布式。 memcached 服务器增多后，键就会分散，即使一台memcached 服务器发生故障无法连接，也不会影响其他的缓存，系统依然能继续运行。

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

Cache::Memcached 的分布式方法

Perl 的memcached 客户端函数库Cache::Memcached 是 memcached 的作者Brad Fitzpatrick 的作品，可以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。

根据余数计算分散

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

下面将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 ];       
# 


根据余数选择服务器

    
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，根据该值除以服务器节点数目得到的余数决定服务器。上面的代码执行后输入以下结果：

tokyo       
=> node2

kanagawa => node3

chiba       
=> node2

saitama   
=> node1

gunma     
=> node1

根据该结果，“tokyo” 分散到node2 ，“kanagawa” 分散到node3 等。多说一句，当选择的服务器无法连接时，Cache::Memcached 会将连接次数添加到键之后，再次计算哈希值并尝试连接。这个动作称为rehash 。不希望rehash 时可以在生成Cache::Memcached 对象时指定“rehash => 0” 选项。

根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。那就是当添加或移除服务器时，缓存重组的代价相当巨大。添加服务器后，余数就会产生巨变，这样就无法获取与保存时相同的服务器，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 并访问的情况。将其保存为mod.pl 并执行。

首先，当服务器只有三台时：

$ 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…… ，每台服务器都保存了8 个到10 个数据。

接下来增加一台memcached 服务器。

$ 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

添加了node4 。可见，只有d 、i 、k 、p 、r 、y 命中了。像这样，添加节点后键分散到的服务器会发生巨大变化。26 个键中只有六个在访问原来的服务器，其他的全都移到了其他服务器。命中率降低到23% 。在Web 应用程序中使用memcached 时，在添加memcached 服务器的瞬间缓存效率会大幅度下降，负载会集中到数据库服务器上，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，导致无法添加memcached 服务器。但由于使用了新的分布式方法，现在可以轻而易举地添加memcached 服务器了。这种分布式方法称为 Consistent Hashing 。

Consistent Hashing

关于Consistent Hashing 的思想，mixi 株式会社的开发blog 等许多地方都介绍过，这里只简单地说明一下。

· mixi Engineers' Blog - スマートな分散で快適キャッシュライフ

· ConsistentHashing - コンシステントハッシュ法

Consistent Hashing 的简单说明

Consistent Hashing 如下所示：首先求出memcached 服务器（节点）的哈希值，并将其配置到0 ～2³² 的圆（continuum ）上。然后用同样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开始顺时针查找，将数据保存到找到的第一个服务器上。如果超过2³² 仍然找不到服务器，就会保存到第一台memcached 服务器上。

图4 Consistent Hashing ：基本原理

从上图的状态中添加一台memcached 服务器。余数分布式算法由于保存键的服务器会发生巨大变化而影响缓存的命中率，但Consistent Hashing 中，只有在continuum 上增加服务器的地点逆时针方向的第一台服务器上的键会受到影响。

图5 Consistent Hashing ：添加服务器

因此，Consistent Hashing 最大限度地抑制了键的重新分布。而且，有的Consistent Hashing 的实现方法还采用了虚拟节点的思想。使用一般的hash 函数的话，服务器的映射地点的分布非常不均匀。因此，使用虚拟节点的思想，为每个物理节点（服务器）在continuum 上分配100 ～200 个点。这样就能抑制分布不均匀，最大限度地减小服务器增减时的缓存重新分布。

通过下文中介绍的使用Consistent Hashing 算法的memcached 客户端函数库进行测试的结果是，由服务器台数（n ）和增加的服务器台数（m ）计算增加服务器后的命中率计算公式如下：

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

支持 Consistent Hashing 的函数库

本连载中多次介绍的Cache::Memcached 虽然不支持Consistent Hashing ，但已有几个客户端函数库支持了这种新的分布式算法。第一个支持Consistent Hashing 和虚拟节点的memcached 客户端函数库是名为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Perl 客户端，连载的第1 次中介绍过的Cache::Memcached::Fast 和Cache::Memcached::libmemcached 支持 Consistent Hashing 。

· Cache::Memcached::Fast - search.cpan.org

· Cache::Memcached::libmemcached - search.cpan.org

两者的接口都与Cache::Memcached 几乎相同，如果正在使用Cache::Memcached ，那么就可以方便地替换过来。Cache::Memcached::Fast 重新实现了libketama ，使用Consistent Hashing 创建对象时可以指定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 。

· Tangent Software: libmemcached