这波舒服了，落地多级缓存！

2021-08-06 11:26:24 浏览数 (1)

你好呀，我是歪歪。

最近在有赞技术团队的博客上看到一篇关于多级缓存的文章，觉得非常的不错。

其实这篇文章我很久之前就看过了，看完之后只是知道有这样的一个东西，但是也没有细细的思考研究。

最近刚好关于热点数据探测这方面有一点自己的思考，再次读这篇文章的时候就感觉收获颇丰。

大家都知道，分布式服务的三大利器就是：

拆分、缓存、加钱。

缓存的重要性不言而喻。

而多级缓存对于不可预测的、慢热事件频发的系统的稳定性是一个强有力的保障。

但是多级缓存解决方案的痛点也非常的明显比如：

  • 热点探测：如何快速且准确的发现热点访问key？
  • 数据一致性：前置在应用层的本地缓存，如何保障与分布式缓存系统的数据一致性？
  • 效果验证：如何让应用层查看本地缓存命中率、热点key等数据，验证多级缓存效果？
  • 透明接入：整体解决方案如何减少对应用系统的入侵，做到快速平滑接入？

针对上述痛点，有赞设计并实现了整套的解决方案。

可以支持“热点探测”和“本地缓存”，减少热点访问时对下游分布式缓存服务的冲击，避免影响应用服务的性能及稳定性。

那么到底是怎么实现的呢？

走，一起去看看。

  • 原文链接：https://tech.youzan.com/tmc/

一、引子

TMC 是什么

TMC，即“透明多级缓存（Transparent Multilevel Cache）”，是有赞 PaaS 团队给公司内应用提供的整体缓存解决方案。

TMC 在通用“分布式缓存解决方案（如 CodisProxy Redis，如有赞自研分布式缓存系统 zanKV）”基础上，增加了以下功能：

  • 应用层热点探测
  • 应用层本地缓存
  • 应用层缓存命中统计

以帮助应用层解决缓存使用过程中出现的热点访问问题。

为什么要做 TMC

使用有赞服务的电商商家数量和类型很多，商家会不定期做一些“商品秒杀”、“商品推广”活动，导致“营销活动”、“商品详情”、“交易下单”等链路应用出现缓存热点访问的情况：

  • 活动时间、活动类型、活动商品之类的信息不可预期，导致缓存热点访问 情况不可提前预知。
  • 缓存热点访问出现期间，应用层少数热点访问 key产生大量缓存访问请求：冲击分布式缓存系统，大量占据内网带宽，最终影响应用层系统稳定性；

为了应对以上问题，需要一个能够自动发现热点并 将热点缓存访问请求前置在应用层本地缓存的解决方案，这就是 TMC 产生的原因。

二、TMC 整体架构

TMC 整体架构如上图，共分为三层：

存储层：提供基础的 kv 数据存储能力，针对不同的业务场景选用不同的存储服务（codis/zankv/aerospike）；

代理层：为应用层提供统一的缓存使用入口及通信协议，承担分布式数据水平切分后的路由功能转发工作；

应用层：提供统一客户端给应用服务使用，内置“热点探测”、“本地缓存”等功能，对业务透明；

本篇聚焦在应用层客户端的“热点探测”、“本地缓存”功能。

TMC 本地缓存

如何透明

TMC 是如何减少对业务应用系统的入侵，做到透明接入的？

对于公司 Java 应用服务，在缓存客户端使用方式上分为两类：

  • 基于 spring.data.redis包，使用 RedisTemplate编写业务代码；
  • 基于 youzan.framework.redis包，使用 RedisClient编写业务代码；

不论使用以上那种方式，最终通过 JedisPool 创建的 Jedis 对象与缓存服务端代理层做请求交互。

TMC 对原生 jedis 包的 JedisPool 和 Jedis 类做了改造，在 JedisPool 初始化过程中集成 TMC“热点发现” “本地缓存”功能 Hermes-SDK包的初始化逻辑，使 Jedis客户端与缓存服务端代理层交互时先与 Hermes-SDK交互，从而完成 “热点探测” “本地缓存”功能的透明接入。

对于 Java 应用服务，只需使用特定版本的 jedis-jar 包，无需修改代码，即可接入 TMC 使用“热点发现” “本地缓存”功能，做到了对应用系统的最小入侵。

整体结构

模块划分

TMC 本地缓存整体结构分为如下模块：

  • Jedis-Client：Java 应用与缓存服务端交互的直接入口，接口定义与原生 Jedis-Client 无异。
  • Hermes-SDK：自研“热点发现 本地缓存”功能的 SDK 封装，Jedis-Client 通过与它交互来集成相应能力。
  • Hermes 服务端集群：接收 Hermes-SDK 上报的缓存访问数据，进行热点探测，将热点 key 推送给 Hermes-SDK 做本地缓存。
  • 缓存集群：由代理层和存储层组成，为应用客户端提供统一的分布式缓存服务入口。
  • 基础组件：etcd 集群、Apollo 配置中心，为 TMC 提供“集群推送”和“统一配置”能力。

基本流程

1）key 值获取：

  • Java 应用调用 Jedis-Client 接口获取 key 的缓存值时，Jedis-Client 会询问 Hermes-SDK 该 key 当前是否是 热点key；
  • 对于 热点key ，直接从 Hermes-SDK 的 热点模块 获取热点 key 在本地缓存的 value 值，不去访问 缓存集群 ，从而将访问请求前置在应用层；
  • 对于非 热点key ，Hermes-SDK 会通过 Callable回调 Jedis-Client 的原生接口，从 缓存集群 拿到 value 值；
  • 对于 Jedis-Client 的每次 key 值访问请求，Hermes-SDK 都会通过其 通信模块 将 key 访问事件 异步上报给 Hermes 服务端集群 ，以便其根据上报数据进行“热点探测”；

2）key 值过期：

  • Java 应用调用 Jedis-Client 的 set() del() expire()接口时会导致对应 key 值失效，Jedis-Client 会同步调用 Hermes-SDK 的 invalid()方法告知其“key 值失效”事件；
  • 对于 热点 key ，Hermes-SDK 的 热点模块 会先将 key 在本地缓存的 value 值失效，以达到本地数据强一致。同时 通信模块 会异步将“key 值失效”事件通过 etcd 集群 推送给 Java 应用集群中其他 Hermes-SDK 节点；
  • 其他 Hermes-SDK 节点的 通信模块 收到 “key 值失效”事件后，会调用 热点模块 将 key 在本地缓存的 value 值失效，以达到集群数据最终一致；

3）热点发现：

  • Hermes 服务端集群 不断收集 Hermes-SDK上报的 key 访问事件，对不同业务应用集群的缓存访问数据进行周期性（3s 一次）分析计算，以探测业务应用集群中的热点 key列表；
  • 对于探测到的热点 key列表，Hermes 服务端集群 将其通过 etcd 集群 推送给不同业务应用集群的 Hermes-SDK 通信模块，通知其对热点 key列表进行本地缓存；

4）配置读取：

  • Hermes-SDK 在启动及运行过程中，会从 Apollo 配置中心 读取其关心的配置信息（如：启动关闭配置、黑白名单配置、etcd 地址...）；
  • Hermes 服务端集群 在启动及运行过程中，会从 Apollo 配置中心 读取其关心的配置信息（如：业务应用列表、热点阈值配置、etcd 地址...）；

稳定性

TMC 本地缓存稳定性表现在以下方面：

  • 数据上报异步化：Hermes-SDK 使用 rsyslog技术对“key 访问事件”进行异步化上报，不会阻塞业务；
  • 通信模块线程隔离：Hermes-SDK 的 通信模块 使用独立线程池 有界队列，保证事件上报&监听的 I/O 操作与业务执行线程隔离，即使出现非预期性异常也不会影响基本业务功能；
  • 缓存管控：Hermes-SDK 的 热点模块 对本地缓存大小上限进行了管控，使其占用内存不超过 64MB（LRU），杜绝 JVM 堆内存溢出的可能；

一致性

TMC 本地缓存一致性表现在以下方面：

  • Hermes-SDK 的热点模块 仅缓存热点 key 数据，绝大多数非热点 key数据由缓存集群存储；
  • 热点 key 变更导致 value 失效时，Hermes-SDK 同步失效本地缓存，保证 本地强一致；
  • 热点 key 变更导致 value 失效时，Hermes-SDK 通过 etcd 集群 广播事件，异步失效业务应用集群中其他节点的本地缓存，保证 集群最终一致；

TMC 热点发现

整体流程

TMC 热点发现流程分为四步：

  • 数据收集：收集 Hermes-SDK 上报的 key 访问事件；
  • 热度滑窗：对 App 的每个 Key，维护一个时间轮，记录基于当前时刻滑窗的访问热度；
  • 热度汇聚：对 App 的所有 Key，以 <key,热度>的形式进行 热度排序汇总；
  • 热点探测：对 App，从 热 Key 排序汇总 结果中选出 TopN 的热点 Key ，推送给 Hermes-SDK；

数据收集

Hermes-SDK 通过本地 rsyslog将 key 访问事件 以协议格式放入 kafka ，Hermes 服务端集群 的每个节点消费 kafka 消息，实时获取 key 访问事件。

访问事件协议格式如下：

  • appName：集群节点所属业务应用
  • uniqueKey：业务应用 key 访问事件的 key
  • sendTime：业务应用 key 访问事件的发生时间
  • weight：业务应用 key 访问事件的访问权值

Hermes 服务端集群 节点将收集到的 key 访问事件 存储在本地内存中，内存数据结构为 Map<String,Map<String,LongAdder>>，对应业务含义映射为 Map<appName,Map<uniqueKey,热度>>。

热度滑窗

时间滑窗

Hermes 服务端集群 节点，对每个 App 的每个 key，维护了一个 时间轮：

  • 时间轮中共 10 个 时间片，每个时间片记录当前 key 对应 3 秒时间周期的总访问次数；
  • 时间轮 10 个时间片的记录累加即表示当前 key 从当前时间向前 30 秒时间窗口内的总访问次数；

映射任务

Hermes 服务端集群 节点，对每个 App 每 3 秒 生成一个 映射任务 ，交由节点内 “缓存映射线程池” 执行。映射任务 内容如下：

  • 对当前 App，从 Map<appName,Map<uniqueKey,热度>> 中取出 appName 对应的 Map，即 Map<uniqueKey,热度>>。
  • 遍历 Map<uniqueKey,热度>> 中的 key，对每个 key 取出其热度存入其 时间轮对应的时间片中；

热度汇聚

完成第二步“热度滑窗”后，映射任务继续对当前 App 进行“热度汇聚”工作：

  • 遍历 App 的 key，将每个 key 的时间轮热度进行汇总（即 30 秒时间窗口内总热度）得到探测时刻滑窗总热度；
  • 将 <key,滑窗总热度> 以排序集合的方式存入 Redis 存储服务中，即 热度汇聚结果；

热点探测

  • 在前几步，每 3 秒 一次的映射任务执行，对每个 App 都会产生一份当前时刻的热度汇聚结果 ；
  • Hermes 服务端集群中的“热点探测”节点，对每个 App，只需周期性从其最近一份热度汇聚结果中取出达到热度阈值的 TopN 的 key 列表，即可得到本次探测的热点 key 列表；

TMC 热点发现整体流程如下图：

特性总结

实时性

Hermes-SDK 基于 rsyslog kafka 实时上报 key 访问事件。映射任务 3 秒一个周期完成“热度滑窗” “热度汇聚”工作，当有 热点访问场景 出现时最长 3 秒即可探测出对应 热点 key。

准确性

key 的热度汇聚结果由“基于时间轮实现的滑动窗口”汇聚得到，相对准确地反应当前及最近正在发生访问分布。

扩展性

Hermes 服务端集群节点无状态，节点数可基于 kafka 的 partition 数量横向扩展。

“热度滑窗” “热度汇聚” 过程基于 App 数量，在单节点内多线程扩展。

TMC 实战效果

快手商家某次商品营销活动

有赞商家通过快手直播平台为某商品搞活动，造成该商品短时间内被集中访问产生访问热点，活动期间 TMC 记录的实际热点访问效果数据如下：

某核心应用的缓存请求&命中率曲线图：

  • 上图蓝线为应用集群调用get()方法访问缓存次数
  • 上图绿线为获取缓存操作命中TMC本地缓存的次数
  • 上图为本地缓存命中率曲线图

可以看出活动期间缓存请求量及本地缓存命中量均有明显增长，本地缓存命中率达到近 80%（即应用集群中 80% 的缓存查询请求被 TMC 本地缓存拦截）。

热点缓存对应用访问的加速效果

  • 上图为应用接口 QPS 曲线
  • 上图为应用接口 RT 曲线

可以看出活动期间应用接口的请求量有明显增长，由于 TMC 本地缓存的效果应用接口的 RT 反而出现下降。

双十一期间部分应用 TMC 效果展示

商品域核心应用效果

活动域核心应用效果

TMC 功能展望

在有赞，TMC 目前已为商品中心、物流中心、库存中心、营销活动、用户中心、网关&消息等多个核心应用模块提供服务，后续应用也在陆续接入中。

TMC 在提供“热点探测” “本地缓存”的核心能力同时，也为应用服务提供了灵活的配置选择，应用服务可以结合实际业务情况在“热点阈值”、“热点 key 探测数量”、“热点黑白名单”维度进行自由配置以达到更好的使用效果。

最后说一句

有赞技术团队的博客，还有很多其他的优秀文章，推荐给大家，自己去探索：

https://tech.youzan.com/

另外，虽然有赞的 TMC 多级缓存对于大家有着很大的启发作用，思路是有了，但是毕竟没有开源。

再给大家说一个京东开源的热点 key 项目：

https://gitee.com/jd-platform-opensource/hotkey

京东这个项目的性能指标还是非常强悍的：

  • 探测性能：8核单机worker端每秒可接收处理16万个key探测任务，16核单机至少每秒平稳处理30万以上，实际压测达到37万，CPU平稳支撑，框架无异常。
  • 推送性能：在高并发写入的同时，对外推送目前性能约平稳推送每秒10-12万次，譬如有1千台server，一台worker上每秒产生了100个热key，那么这1秒会平稳推送100 * 1000 = 10万次，10万次推送会明确在1s内全部送达。如果是写入少，推送多，以纯推送来计数的话，该框架每秒可稳定对外推送40-60万次平稳，80万次极限可撑几秒。
  • 每秒单机吞吐量（写入 对外推送）目前在70万左右稳定。

有兴趣的可以去看看，技多不压身。

缓存 sdk ide 分布式 etcd

0 人点赞