緩解行競(jìng)爭(zhēng)

我們?cè)赟entry開(kāi)發(fā)的早起采用的是sentry.buffers。 這是一個(gè)簡(jiǎn)單的系統(tǒng)，它允許我們以簡(jiǎn)單的Last Write Wins策略來(lái)實(shí)現(xiàn)非常有效的緩沖計(jì)數(shù)器。 重要的是，我們借助它完全消除了任何形式的耐久性 (這是Sentry工作的一個(gè)非常可接受的方式)。

操作非常簡(jiǎn)單，每當(dāng)一個(gè)更新進(jìn)來(lái)我們就做如下幾步：

•     創(chuàng)建一個(gè)綁定到傳入實(shí)體的哈希鍵(hash key)
•     使用HINCRBY使計(jì)數(shù)器值增加
•     HSET所有的LWW數(shù)據(jù)(比如 "最后一次見(jiàn)到的")
•     用當(dāng)前時(shí)間戳ZADD哈希鍵(hash key)到一個(gè)"掛起" set

現(xiàn)在每一個(gè)時(shí)間刻度 (在Sentry中為10秒鐘) 我們要轉(zhuǎn)儲(chǔ)(dump)這些緩沖區(qū)并且扇出寫道(fanout the writes)。 看起來(lái)像下面這樣:

•     使用ZRANGE獲取所有的key
•     為每一個(gè)掛起的key發(fā)起一個(gè)作業(yè)到RabbitMQ

現(xiàn)在RabbitMQ作業(yè)將能夠讀取和清除哈希表，和“懸而未決”更新已經(jīng)彈出了一套。有幾件事情需要注意：

•     在下面我們想要只彈出一個(gè)設(shè)置的數(shù)量的例子中我們將使用一組排序(舉例來(lái)說(shuō)我們需要那100個(gè)舊集合)。
•     假使我們?yōu)榱颂幚硪粋€(gè)鍵值來(lái)結(jié)束多道排序的作業(yè)，這個(gè)人會(huì)得到no-oped由于另一個(gè)已經(jīng)存在的處理和清空哈希的過(guò)程。
•     該系統(tǒng)能夠在許多Redis節(jié)點(diǎn)上不斷擴(kuò)展下去僅僅是通過(guò)在每個(gè)節(jié)點(diǎn)上安置把一個(gè)'懸置'主鍵來(lái)實(shí)現(xiàn)。

我們有了這個(gè)處理問(wèn)題的模型之后，能夠確?！按蟛糠智闆r下”每次在SQL中只有一行能夠被馬上更新，而這樣的處理方式減輕了我們能夠預(yù)見(jiàn)到的鎖問(wèn)題。考慮到將會(huì)處理一個(gè)突然產(chǎn)生且所有最終組合在一起進(jìn)入同一個(gè)計(jì)數(shù)器的數(shù)據(jù)的場(chǎng)景，這種策略對(duì)Sentry用處很多。

速度限制

出于哨兵的局限性，我們必須終結(jié)持續(xù)的拒絕服務(wù)攻擊。我們通過(guò)限制連接速度來(lái)應(yīng)對(duì)這種問(wèn)題，其中一項(xiàng)是通過(guò)Redis支持的。這無(wú)疑是在sentry.quotas范圍內(nèi)更直接的實(shí)現(xiàn)。

它的邏輯相當(dāng)直接，如同下面展示的那般：

def incr_and_check_limit(user_id, limit):
  key = '{user_id}:{epoch}'.format(user_id, int(time() / 60))
 
  pipe = redis.pipeline()
  pipe.incr(key)
  pipe.expire(key, 60)
  current_rate, _ = pipe.execute()
 
  return int(current_rate) > limit

我們所闡明的限制速率的方法是 Redis在高速緩存服務(wù)上最基本的功能之一：增加空的鍵字。在高速緩存服務(wù)中實(shí)現(xiàn)同樣的行為可能最終使用這種方法：
 

def incr_and_check_limit_memcache(user_id, limit):
  key = '{user_id}:{epoch}'.format(user_id, int(time() / 60))
 
  if cache.add(key, 0, 60):
    return False
 
  current_rate = cache.incr(key)
 
  return current_rate > limit

事實(shí)上我們最終采取這種策略可以使哨兵追蹤不同事件的短期數(shù)據(jù)。在這種情況下，我們通常對(duì)用戶數(shù)據(jù)進(jìn)行排序以便可以在最短的時(shí)間內(nèi)找到最活躍用戶的數(shù)據(jù)。

基本鎖

雖然Redis的是可用性不高，我們的用例鎖，使其成為工作的好工具。我們沒(méi)有使用這些在哨兵的核心了，但一個(gè)示例用例是，我們希望盡量減少并發(fā)性和簡(jiǎn)單無(wú)操作的操作，如果事情似乎是已經(jīng)在運(yùn)行。這對(duì)于可能需要執(zhí)行每隔一段時(shí)間類似cron任務(wù)非常有用，但不具備較強(qiáng)的協(xié)調(diào)。
在Redis的這樣使用SETNX操作是相當(dāng)簡(jiǎn)單的：
 

from contextlib import contextmanagerr = Redis()@contextmanagerdef lock(key, nowait=True):
  while not r.setnx(key, '1'):
    if nowait:
      raise Locked('try again soon!')
    sleep(0.01)
 
  # limit lock time to 10 seconds
  r.expire(key, 10)
 
  # do something crazy
  yield
 
  # explicitly unlock
  r.delete(key)

而鎖()內(nèi)的哨兵利用的memcached的，但絕對(duì)沒(méi)有理由我們不能在其切換到Redis。

時(shí)間序列數(shù)據(jù)

近來(lái)我們創(chuàng)造一個(gè)新的機(jī)制在Sentry(包含在sentry.tsdb中)存儲(chǔ)時(shí)間序列數(shù)據(jù)。這是受RRD模型啟發(fā)，特別是Graphite。我們期望一個(gè)快速簡(jiǎn)單的方式存儲(chǔ)短期（比如一個(gè)月）時(shí)間序列數(shù)，以便于處理高速寫入數(shù)據(jù)，特別是在極端情況下計(jì)算潛在的短期速率。盡管這是第一個(gè)模型，我們依舊期望在Redis存儲(chǔ)數(shù)據(jù)，它也是使用計(jì)數(shù)器的簡(jiǎn)單范例。

在目前的模型中，我們使用單一的hash map來(lái)存儲(chǔ)全部時(shí)間序列數(shù)據(jù)。例如，這意味所有數(shù)據(jù)項(xiàng)在都將同一個(gè)哈希鍵擁有一個(gè)數(shù)據(jù)類型和1秒的生命周期。如下所示：

因此在這種狀況，我們需要追蹤事件的數(shù)目。事件類型映射到枚舉類型"1".該判斷的時(shí)間是1s，因此我們的處理時(shí)間需要以秒計(jì)。散列最終看起來(lái)是這樣的：

一個(gè)可修改模型可能僅使用簡(jiǎn)單的鍵并且僅在存儲(chǔ)區(qū)上增加一些增量寄存器。

我們選擇哈希映射模型基于以下兩個(gè)原因：

1.     我們可以將所有的鍵設(shè)為一次性的（這也可能產(chǎn)生負(fù)面影響，但是目前為止是穩(wěn)定的）
2.     大幅壓縮鍵值，這是相當(dāng)重要的處理

此外，離散的數(shù)字鍵允許我們?cè)趯⑻摂M的離散鍵值映射到固定數(shù)目的鍵值上，并在此分配單一存儲(chǔ)區(qū)（我們可以使用64，映射到32個(gè)物理結(jié)點(diǎn)上）

現(xiàn)在通過(guò)使用 Nydus和它的map()(依賴于一個(gè)工作區(qū))（），數(shù)據(jù)查詢已經(jīng)完成。這次操作的代碼是相當(dāng)健壯的，但幸好它并不龐大。

def get_range(self, model, keys, start, end, rollup=None):
  """  To get a range of data for group ID=[1, 2, 3]:  Start and end are both inclusive.  >>> now = timezone.now()  >>> get_keys(tsdb.models.group, [1, 2, 3],  >>>     start=now - timedelta(days=1),  >>>     end=now)  """
  normalize_to_epoch = self.normalize_to_epoch
  normalize_to_rollup = self.normalize_to_rollup
  make_key = self.make_key
 
  if rollup is None:
    rollup = self.get_optimal_rollup(start, end)
 
  results = []
  timestamp = end
  with self.conn.map() as conn:
    while timestamp >= start:
      real_epoch = normalize_to_epoch(timestamp, rollup)
      norm_epoch = normalize_to_rollup(timestamp, rollup)
 
      for key in keys:
        model_key = self.get_model_key(key)
        hash_key = make_key(model, norm_epoch, model_key)
        results.append((real_epoch, key, conn.hget(hash_key, model_key)))
 
      timestamp = timestamp - timedelta(seconds=rollup)
 
  results_by_key = defaultdict(dict)
  for epoch, key, count in results:
    results_by_key[key][epoch] = int(count or 0)
 
  for key, points in results_by_key.iteritems():
    results_by_key[key] = sorted(points.items())
  return dict(results_by_key)

歸結(jié)如下：

•     生成所必須的鍵。
•     使用工作區(qū)，提取所有連接操作的最小結(jié)果集（Nydus負(fù)責(zé)這些）。
•     給出結(jié)果，并且基于指定的時(shí)間間隔內(nèi)和給定的鍵值將它們映射到當(dāng)前的存儲(chǔ)區(qū)內(nèi)。

簡(jiǎn)單的選擇

我是一個(gè)喜歡用簡(jiǎn)單的方案解決問(wèn)題的人，在這個(gè)范疇里使用Redis無(wú)疑是很適合的。它的文檔是那樣讓人驚訝，那是因?yàn)椋ㄩ喿x）其文檔的門檻非常的低。雖然他也有折衷（主要是如果你使用持久化），但是他們工作地很好并且比較直觀。

那么Redis為您解決什么問(wèn)題呢？

最新評(píng)論