最近我在思考实时数仓问题的时候，想到了巨量的Redis的存储的问题，然后翻阅到这篇文章，与各位分享
一、需求背景该应用场景为DMP缓存存储需求，DMP需要管理非常多的第三方id数据，其中包括各媒体cookie与自身cookie（以下统称supperid）的mapping关系，还包括了supperid的人口标签、移动端id（主要是idfa和imei）的人口标签，以及一些黑名单id、ip等数据。
在hdfs的帮助下离线存储千亿记录并不困难，然而DMP还需要提供毫秒级的实时查询。由于cookie这种id本身具有不稳定性，所以很多的真实用户的浏览行为会导致大量的新cookie生成，只有及时同步mapping的数据才能命中DMP的人口标签，无法通过预热来获取较高的命中，这就跟缓存存储带来了极大的挑战。经过实际测试，对于上述数据，常规存储超过五十亿的kv记录就需要1T多的内存，如果需要做高可用多副本那带来的消耗是巨大的，另外kv的长短不齐也会带来很多内存碎片，这就需要超大规模的存储方案来解决上述问题。二、存储何种数据人?标签主要是cookie、imei、idfa以及其对应的gender（性别）、age（年龄段）、geo（地域）等；mapping关系主要是媒体cookie对supperid的映射。以下是数据存储?示例：1、PC端的ID：
媒体编号-媒体cookie=supperid
supperid={age=年龄段编码，gender=性别编码，geo=地理位置编码}
、Device端的ID：
imeioridfa={age=年龄段编码，gender=性别编码，geo=地理位置编码}
显然PC数据需要存储两种key=value还有key=hashmap，?Device数据需要存储?一种
key=hashmap即可。
三、数据特点短key短value：
其中superid为1位数字：比如；imei为小写md5：比如ddc0f37d36a5d；idfa为大写带”-”md5：比如：51DFFC83---FA4F-E39D04；
媒体自身的cookie长短不一；
需要为全量数据提供服务，supperid是百亿级、媒体映射是千亿级、移动id是几十亿级；
每天有十亿级别的mapping关系产生；
对于较大时间窗口内可以预判热数据（有一些存留的稳定cookie）；
对于当前mapping数据无法预判热数据，有很多是新生成的cookie；
四、存在的技术挑战长短不一容易造成内存碎片；
由于指针大量存在，内存膨胀率比较高，一般在7倍，纯内存存储通病；
虽然可以通过cookie的行为预判其热度，但每天新生成的id依然很多（百分比比较敏感，暂不透露）；
由于服务要求在公网环境（国内公网延迟60ms以下）下ms以内，所以原则上当天新更新的mapping和人口标签需要全部inmemory，而不会让请求落到后端的冷数据；
业务方面，所有数据原则上至少保留35天甚至更久；
内存至今也比较昂贵，百亿级Key乃至千亿级存储方案势在必行！
五、解决方案5.1淘汰策略存储吃紧的一个重要原因在于每天会有很多新数据入库，所以及时清理数据尤为重要。主要方法就是发现和保留热数据淘汰冷数据。
网民的量级远远达不到几十亿的规模，id有一定的生命周期，会不断的变化。所以很大程度上我们存储的id实际上是无效的。而查询其实前端的逻辑就是广告曝光，跟人的行为有关，所以一个id在某个时间窗口的（可能是一个campaign，半个月、几个月）访问行为上会有一定的重复性。
数据初始化之前，我们先利用HBase将日志的id聚合去重，划定TTL的范围，一般是35天，这样可以砍掉近35天未出现的id。另外在Redis中设置过期时间是35天，当有访问并命中时，对key进行续命，延长过期时间，未在35天出现的自然淘汰。这样可以针对稳定cookie或id有效，实际证明，续命的方法对idfa和imei比较实用，长期积累可达到非常理想的命中。
5.减少膨胀Hash表空间大小和Key的个数决定了冲突率（或者用负载因子衡量），再合理的范围内，key越多自然hash表空间越大，消耗的内存自然也会很大。再加上大量指针本身是长整型，所以内存存储的膨胀十分可观。先来谈谈如何把key的个数减少。大家先来了解一种存储结构。我们期望将key1=value1存储在dis中，那么可以按照如下过程去存储。先用固定长度的随机散列md5(key)值作为dis的key，我们称之为BucketId，而将key1=value1存储在hashmap结构中，这样在查询的时候就可以让client按照上面的过程计算出散列，从而查询到value1。过程变化简单描述为：get(key1)-hget(md5(key1),key1)从而得到value1。如果我们通过预先计算，让很多key可以在BucketId空间里碰撞，那么可以认为一个BucketId下面挂了多个key。比如平均每个BucketId下面挂10个key，那么理论上我们将会减少超过90%的diskey的个数。具体实现起来有一些麻烦，而且用这个方法之前你要想好容量规模。我们通常使用的md5是3位的hexString（16进制字符），它的空间是18bit，这个量级太大了，我们需要存储的是百亿级，大约是33bit（的33次方），所以我们需要有一种机制计算出合适位数的散列，而且为了节约内存，我们需要利用全部字符类型（ASCII码在0~17之间）来填充，而不用HexString，这样Key的长度可以缩短到一半。下面是具体的实现方式
publicstaticbyte[]getBucketId(byte[]key,Integerbit){MessageDigestmdInst=MessageDigest.getInstance("MD5");mdInst.update(key);byte[]md=mdInst.digest();byte[]r=newbyte[(bit-1)/7+1];//因为一个字节中只有7位能够表示成单字符，ascii码是7位inta=(int)Math.pow(,bit%7)-;md[r.length-1]=(byte)(md[r.length-1]a);System.arraycopy(md,0,r,0,r.length);for(inti=0;ir.length;i++){if(r0)r=17;}turnr;}
参数bit决定了最终BucketId空间的大小，空间大小集合是的整数幂次的离散值。这里解释一下为何一个字节中只有7位可用，是因为dis存储key时需要是ASCII（0~17），而不是bytearray。如果规划百亿级存储，计划每个桶分担10个kv，那么我们只需^30=的桶个数即可，也就是最终key的个数。
5.3减少碎片碎片主要原因在于内存无法对齐、过期删除后，内存无法重新分配。通过上文描述的方式，我们可以将人口标签和mapping数据按照上面的方式去存储，这样的好处就是diskey是等长的。另外对于hashmap中的key我们也做了相关优化，截取cookie或者deviceid的后六位作为key，这样也可以保证内存对齐，理论上会有冲突的可能性，但在同一个桶内后缀相同的概率极低(试想id几乎是随机的字符串，随意10个由较长字符组成的id后缀相同的概率*桶样本数=发生冲突的期望值0.05,也就是说出现一个冲突样本则是极小概率事件，而且这个概率可以通过调整后缀保留长度控制期望值)。而value只存储age、gender、geo的编码，用三个字节去存储。另外提一下，减少碎片还有个很low但是有效的方法，将slave重启，然后强制的failover切换主从，这样相当于给master整理的内存的碎片。
推荐Google-tcmalloc，facebook-jemalloc内存分配，可以在value不大时减少内存碎片和内存消耗。有人测过大value情况下反而libc更节约。
来源：juejin.cn/post/
5月1日-日GOPS全球运维大会01·深圳站，01年你最值得期待的运维盛事，来看看本届大会的五大亮点：
嫌不过瘾？还是我们的小伙伴亲自解说本届大会的亮点，不容错过：
报名通道长按上方