1 需求背景

該應用場景為DMP快取儲存需求，DMP需要管理非常多的第三方id資料，其中包括各媒體cookie與自身cookie（以下統稱supperid）的mapping關係，還包括了supperid的人口標籤、移動端id（主要是idfa和imei）的人口標籤，以及一些黑名單id、ip等資料。

在hdfs的幫助下離線儲存千億記錄並不困難，然而DMP還需要提供毫秒級的實時查詢。由於cookie這種id本身具有不穩定性，所以很多的真實使用者的瀏覽行為會導致大量的新cookie生成，只有及時同步mapping的資料才能命中DMP的人口標籤，無法通過預熱來獲取較高的命中，這就跟快取儲存帶來了極大的挑戰。

經過實際測試，對於上述資料，常規儲存超過五十億的kv記錄就需要1T多的記憶體，如果需要做高可用多副本那帶來的消耗是巨大的，另外kv的長短不齊也會帶來很多記憶體碎片，這就需要超大規模的儲存方案來解決上述問題。

2 儲存何種資料

人⼝標籤主要是cookie、imei、idfa以及其對應的gender（性別）、age（年齡段）、geo（地域）等；mapping關係主要是媒體cookie對supperid的對映。以下是資料儲存⽰示例：

1) PC端的ID：

媒體編號-媒體cookie=>supperid

supperid => { age=>年齡段編碼，gender=>性別編碼，geo=>地理位置編碼 }

2) Device端的ID：

imei or idfa => { age=>年齡段編碼，gender=>性別編碼，geo=>地理位置編碼 }

顯然PC資料需要儲存兩種key=>value還有key=>hashmap，⽽而Device資料需要儲存⼀一種

key=>hashmap即可。

3 資料特點

1. 短key短value：其中superid為21位數字：比如1605242015141689522；imei為小寫md5：比如2d131005dc0f37d362a5d97094103633；idfa為大寫帶”-”md5：比如：51DFFC83-9541-4411-FA4F-356927E39D04；
2. 媒體自身的cookie長短不一；
3. 需要為全量資料提供服務，supperid是百億級、媒體對映是千億級、移動id是幾十億級；
4. 每天有十億級別的mapping關係產生；
5. 對於較大時間視窗內可以預判熱資料（有一些存留的穩定cookie）；
6. 對於當前mapping資料無法預判熱資料，有很多是新生成的cookie；

4 存在的技術挑戰

1）長短不一容易造成記憶體碎片；

2）由於指標大量存在，記憶體膨脹率比較高，一般在7倍，純記憶體儲存通病；

3）雖然可以通過cookie的行為預判其熱度，但每天新生成的id依然很多（百分比比較敏感，暫不透露）；

4）由於服務要求在公網環境（國內公網延遲60ms以下）下100ms以內，所以原則上當天新更新的mapping和人口標籤需要全部in memory，而不會讓請求落到後端的冷資料；

5）業務方面，所有資料原則上至少保留35天甚至更久；

6）記憶體至今也比較昂貴，百億級Key乃至千億級儲存方案勢在必行！

5 解決方案

5.1 淘汰策略

儲存吃緊的一個重要原因在於每天會有很多新資料入庫，所以及時清理資料尤為重要。主要方法就是發現和保留熱資料淘汰冷資料。

網民的量級遠遠達不到幾十億的規模，id有一定的生命週期，會不斷的變化。所以很大程度上我們儲存的id實際上是無效的。而查詢其實前端的邏輯就是廣告曝光，跟人的行為有關，所以一個id在某個時間視窗的（可能是一個campaign，半個月、幾個月）訪問行為上會有一定的重複性。

資料初始化之前，我們先利用hbase將日誌的id聚合去重，劃定TTL的範圍，一般是35天，這樣可以砍掉近35天未出現的id。另外在Redis中設定過期時間是35天，當有訪問並命中時，對key進行續命，延長過期時間，未在35天出現的自然淘汰。這樣可以針對穩定cookie或id有效，實際證明，續命的方法對idfa和imei比較實用，長期積累可達到非常理想的命中。

5.2 減少膨脹

Hash表空間大小和Key的個數決定了衝突率（或者用負載因子衡量），再合理的範圍內，key越多自然hash表空間越大，消耗的記憶體自然也會很大。再加上大量指標本身是長整型，所以記憶體儲存的膨脹十分可觀。先來談談如何把key的個數減少。

大家先來了解一種儲存結構。我們期望將key1=>value1儲存在redis中，那麼可以按照如下過程去儲存。先用固定長度的隨機雜湊md5(key)值作為redis的key，我們稱之為BucketId，而將key1=>value1儲存在hashmap結構中，這樣在查詢的時候就可以讓client按照上面的過程計算出雜湊，從而查詢到value1。

過程變化簡單描述為：get(key1) -> hget(md5(key1), key1) 從而得到value1。

如果我們通過預先計算，讓很多key可以在BucketId空間裡碰撞，那麼可以認為一個BucketId下面掛了多個key。比如平均每個BucketId下面掛10個key，那麼理論上我們將會減少超過90%的redis key的個數。

具體實現起來有一些麻煩，而且用這個方法之前你要想好容量規模。我們通常使用的md5是32位的hexString（16進位制字元），它的空間是128bit，這個量級太大了，我們需要儲存的是百億級，大約是33bit，所以我們需要有一種機制計算出合適位數的雜湊，而且為了節約記憶體，我們需要利用全部字元型別（ASCII碼在0~127之間）來填充，而不用HexString，這樣Key的長度可以縮短到一半。

下面是具體的實現方式

public static byte [] getBucketId(byte [] key, Integer bit) {

MessageDigest mdInst = MessageDigest.getInstance("MD5");

mdInst.update(key);

byte [] md = mdInst.digest();

byte [] r = new byte[(bit-1)/7 + 1];// 因為一個位元組中只有7位能夠表示成單字元

int a = (int) Math.pow(2, bit%7)-2;

md[r.length-1] = (byte) (md[r.length-1] & a);

System.arraycopy(md, 0, r, 0, r.length);

for(int i=0;i

引數bit決定了最終BucketId空間的大小，空間大小集合是2的整數冪次的離散值。這裡解釋一下為何一個位元組中只有7位可用，是因為redis儲存key時需要是ASCII（0~127），而不是byte array。如果規劃百億級儲存，計劃每個桶分擔10個kv，那麼我們只需2^30=1073741824的桶個數即可，也就是最終key的個數。

5.3 減少碎片

碎片主要原因在於記憶體無法對齊、過期刪除後，記憶體無法重新分配。通過上文描述的方式，我們可以將人口標籤和mapping資料按照上面的方式去儲存，這樣的好處就是redis key是等長的。另外對於hashmap中的key我們也做了相關優化，擷取cookie或者deviceid的後六位作為key，這樣也可以保證記憶體對齊，理論上會有衝突的可能性，但在同一個桶內字尾相同的概率極低(試想id幾乎是隨機的字串，隨意10個由較長字元組成的id字尾相同的概率*桶樣本數=發生衝突的期望值<<0.05,也就是說出現一個衝突樣本則是極小概率事件，而且這個概率可以通過調整字尾保留長度控制期望值)。而value只儲存age、gender、geo的編碼，用三個位元組去儲存。< span="">

另外提一下，減少碎片還有個很low但是有效的方法，將slave重啟，然後強制的failover切換主從，這樣相當於給master整理的記憶體的碎片。

推薦Google-tcmalloc， facebook-jemalloc記憶體分配，可以在value不大時減少記憶體碎片和記憶體消耗。有人測過大value情況下反而libc更節約。

6. md5雜湊桶的方法需要注意的問題

1）kv儲存的量級必須事先規劃好，浮動的範圍大概在桶個數的十到十五倍，比如我就想儲存百億左右的kv，那麼最好選擇30bit~31bit作為桶的個數。也就是說業務增長在一個合理的範圍（10~15倍的增長）是沒問題的，如果業務太多倍數的增長，會導致hashset增長過快導致查詢時間增加，甚至觸發zip-list閾值，導致記憶體急劇上升。

2）適合短小value，如果value太大或欄位太多並不適合，因為這種方式必須要求把value一次性取出，比如人口標籤是非常小的編碼，甚至只需要3、4個bit（位）就能裝下。

3）典型的時間換空間的做法，由於我們的業務場景並不是要求在極高的qps之下，一般每天億到十億級別的量，所以合理利用CPU租值，也是十分經濟的。

4）由於使用了資訊摘要降低了key的大小以及約定長度，所以無法從redis裡面random出key。如果需要匯出，必須在冷資料中匯出。

5）expire需要自己實現，目前的演算法很簡單，由於只有在寫操作時才會增加消耗，所以在寫操作時按照一定的比例抽樣，用HLEN命中判斷是否超過15個entry，超過才將過期的key刪除，TTL的時間戳儲存在value的前32bit中。

6）桶的消耗統計是需要做的。需要定期清理過期的key，保證redis的查詢不會變慢。

7. 測試結果

人口標籤和mapping的資料100億條記錄。

優化前用2.3T，碎片率在2左右；優化後500g，而單個桶的平均消耗在4左右。碎片率在1.02左右。查詢時這對於cpu的耗損微乎其微。

另外需要提一下的是，每個桶的消耗實際上並不是均勻的，而是符合多項式分佈的。

上面的公式可以計算桶消耗的概率分佈。公式是唬人用的，只是為了提醒大家不要想當然的認為桶消耗是完全均勻的，有可能有的桶會有上百個key。但事實並不沒有那麼誇張。試想一下投硬幣，結果只有兩種正反面。相當於只有兩個桶，如果你投上無限多次，每一次相當於一次伯努利實驗，那麼兩個桶必然會十分的均勻。概率分佈就像上帝施的魔咒一樣，當你面對大量的桶進行很多的廣義的伯努利實驗。桶的消耗分佈就會趨於一種穩定的值。接下來我們就瞭解一下桶消耗分佈具體什麼情況：

通過取樣統計

31bit（20多億）的桶，平均4.18消耗

100億節約了1.8T記憶體。相當於節約了原先的78%記憶體，而且桶消耗指標遠沒有達到預計的底線值15。

對於未出現的桶也是存在一定量的，如果過多會導致規劃不準確，其實數量是符合二項分佈的，對於2^30桶儲存2^32kv，不存在的桶大概有（百萬級別，影響不大）：

Math.pow((1 - 1.0 / Math.pow(2, 30)), Math.pow(2, 32)) * Math.pow(2, 30);

對於桶消耗不均衡的問題不必太擔心，隨著時間的推移，寫入時會對HLEN超過15的桶進行削減，根據多項式分佈的原理，當實驗次數多到一定程度時，桶的分佈就會趨於均勻（硬幣投擲無數次，那麼正反面出現次數應該是一致的），只不過我們通過expire策略削減了桶消耗，實際上對於每個桶已經經歷了很多的實驗發生。

總結：資訊摘要在這種場景下不僅能節約key儲存，對齊了記憶體，還能讓Key按照多項式分佈均勻的雜湊在更少量的key下面從而減少膨脹，另外無需在給key設定expire，也很大程度上節約了空間。

這也印證了時間換空間的基本理論，合理利用CPU租值也是需要考慮的。