摘要： 12月13-14日，由云栖社区与阿里巴巴技术协会共同主办的《2017阿里巴巴双11技术十二讲》顺利结束，集中为大家分享了2017双11背后的黑科技。本文是《双11万亿流量下的分布式缓存》演讲整理，本文主要从Tair发展和应用开始谈起，接着谈及双11面临的挑战，重点分享了性能优化方面的实践，最后对缓存难题给出了解决方案。
12月13-14日，由云栖社区与阿里巴巴技术协会共同主办的《2017阿里巴巴双11技术十二讲》顺利结束，集中为大家分享了2017双11背后的黑科技。本文是《双11万亿流量下的分布式缓存》演讲整理，本文主要从Tair发展和应用开始谈起，接着谈及双11面临的挑战，重点分享了性能优化方面的实践，最后对缓存难题给出了解决方案。内容如下。
分享嘉宾：
宗岱：阿里巴巴资深技术专家，2008年加入淘宝，阿里分布式缓存、NoSQL数据库Tair和Tengine负责人。
Tair概览
Tair发展历程
Tair在阿里巴巴被广泛使用，无论是淘宝天猫浏览下单，还是打开优酷浏览播放时，背后都有Tair的身影默默支撑巨大的流量。Tair的发展历程如下：
2010.04 Tair v1.0正式推出@淘宝核心系统；
2012.06 Tair v2.0推出LDB持久化产品，满足持久化存储需求；
2012.10 推出RDB缓存产品，引入类Redis接口，满足复杂数据结构的存储需求；
2013.03 在LDB的基础上针对全量导入场景上线Fastdump产品，大幅度降低导入时间和访问延时；
2014.07 Tair v3.0 正式上线，性能X倍提升；
2016.11 泰斗智能运维平台上线，助力2016双11迈入千亿时代；
2017.11 性能飞跃，热点散列，资源调度，支持万亿流量。
Tair是一个高性能、分布式、可扩展、高可靠的key/value结构存储系统！Tair特性主要体现在以下几个方面：
高性能：在高吞吐下保证低延迟，是阿里集团内调用量最大系统之一，双11达到每秒5亿次峰值的调用量，平均访问延迟在1毫秒以下；
高可用：自动failover 单元化机房内以及机房间容灾，确保系统在任何情况下都能正常运行；
规模化：分布全球各个数据中心，阿里集团各个BU都在使用；
业务覆盖：电商、蚂蚁、合一、阿里妈妈、高德、阿里健康等。
Tair除了普通Key/Value系统提供的功能，比如get、put、delete以及批量接口外，还有一些附加的实用功能，使得其有更广的适用场景。Tair应用场景包括以下四种：
MDB 典型应用场景：用于缓存，降低对后端数据库的访问压力，比如淘宝中的商品都是缓存在Tair中；用于临时数据存储，部分数据丢失不会对业务产生较大影响；读多写少，读qps达到万级别以上。
LDB 典型应用场景：通用kv存储、交易快照、安全风控等；存储黑白单数据，读qps很高；计数器功能，更新非常频繁，且数据不可丢失。
RDB 典型应用场景：复杂的数据结构的缓存与存储，如播放列表，直播间等。
FastDump 典型应用场景：周期性地将离线数据快速地导入到Tair集群中，快速使用到新的数据，对在线读取要求非常高；读取低延迟，不能有毛刺。
双 11 挑战怎么办？
2012-2017年数据如图，可以看到，2012年GMV小于200亿，2017年GMV达到1682亿，交易创建峰值从1.4万达到32.5万，峰值QPS从1300万达到近5亿。我们可以得出，Tair访问峰值增速：Tair峰值 > 交易峰值 > 总GMV，如何确保成本不超过交易峰值增速？对于带数据的分布式系统来说，缓存问题都是比较难解决的，缓存流量特别大，2017年双11后，我们彻底解决掉了缓存问题。我们现在的交易系统和导入系统都是多地域多单元多机房部署的，如何快速部署业务系统呢？
多地域多单元
多地域多单元首先是中心机房，我们做了双机房容灾，两侧还有若干个单元。机房内系统图如图，从流量接入进统一接入层-应用层-中间件-Tair-DB，在数据层我们会做多地域的数据同步。
弹性建站
我们需要系统具备弹性建站的能力。Tair是一个复杂的分布式存储系统，我们为之建立了一整套运营管控系统泰斗，在泰斗里建设弹性建站系统，它会经过一系列工作步骤将Tair系统建设起来，我们还会从系统层面、集群层面和实例连通层面进行验证，以确保系统功能、稳定性万无一失。
Tair的每一个业务集群水位其实是不一样的，双11前的每一次全链路压测下，由于业务模型的变化，所用Tair资源会发生变化，造成水位出现变化。在此情况下，我们需要每一次压测完在多个集群间调度Tair资源，如果水位低，就会把某些机器服务器资源往水位高挪，达到所有集群水位值接近。
数据同步
对于单元化业务，我们提供了本单元访问本地Tair的能力，对于有些非单元化业务，我们也提供了更灵活的访问模型。同步延迟是我们一直在做的事情，2017年双11每秒同步数据已经达到了千万级别，那么，如何更好地解决非单元化业务在多单元写入数据冲突问题？这也是我们一直考虑的。
性能优化降成本
服务器成本并不是随着访问量线性增长，每年以百分之三四十成本在下降，我们主要通过服务器性能优化、客户端性能优化和不同的业务解决方案三方面达到此目的。
内存数据结构
图为MDB内存数据结构示意图，我们在进程启动之后会申请一大块内存，在内存中将格式组织起来。主要有slab分配器、hashmap和内存池，内存写满后会经过LRU链进行数据淘汰。随着服务器CPU核数不断增加，如果不能很好处理锁竞争，很难提升整体性能。
参考了各种文献和操作系统的设计，我们使用了细粒度锁、无锁数据结构、CPU本地数据结构和读拷贝更新（读链表时不需要加锁）。左图为未经过优化时锁竞争各个功能模块消耗图，可以看到网络部分和数据查找部分消耗最多，优化后（右图）有80%的处理都是在网络和数据查找，这是符合我们期望的。
用户态协议栈
锁优化后，我们发现很多CPU消耗在内核态上，这时我们采用DPDK+Alisocket来替换掉原有内核态协议栈，Alisocket采用DPDK在用户态进行网卡收包，并利用自身协议栈提供socket API，对其进行集成。我们与业内类似系统进行了对比，如图。
内存合并
单机性能提升足够高后，带来问题是单位qps对应内存量变少了，怎么解决呢？我们发现公用集群整体看内存还是有的，某些slab没有办法写入， 比如64字节slab没有被写满，但是72字节slab全部写满了，内存池都被申请完了，我们把64字节slab空闲页相互合并，这样可以释放大量空闲页。其中不可避免加入模式锁，在触发合并阈值情况下，切换成加锁状态，合并都是在访问量低峰期做的，对于业务峰值来说没有问题。
客户端优化
客户端我们做了两方面优化：网络框架替换，适配协程，从原有的mina替换成netty，吞吐量提升40%；序列化优化，集成 kryo和hessian，吞吐量提升16%+。
内存网格
如何与业务结合来降低整体Tair与业务成本？Tair提供了多级存储一体化解决业务问题，比如安全风控场景，读写量超大、有大量本地计算，我们可以在业务机器本地存下该业务机器所要访问的数据，大量读会命中在本地，而且写在一段时间内是可合并的，在一定周期后，合并写到远端Tair集群上作为最终存储。我们提供读写穿透，包括合并写和原有Tair本身具有多单元复制的能力，双11时业务对Tair读取降至27.68%，对Tair写入降至55.75%。
热点难题已解决
缓存击穿
缓存从开始的单点发展到分布式系统，通过数据分片方式组织，但对每一个数据分片来说，还是作为单点存在的。当有大促活动或热点新闻时，数据往往是在某一个分片上的，这就会造成单点访问，进而缓存中某个节点就会无法承受这么大压力，致使大量请求没有办法响应。即便是限流也是有损操作，可能也会造成全系统崩溃。我们发现，问题根源是访问热点，需要彻底解决该问题。
热点散列
经过多种方案的探索，采用了热点散列方案。我们评估过客户端本地cache方案和二级缓存方案，它们可以在一定程度上解决热点问题，但各有弊端。而热点散列直接在数据节点上加hotzone区域，让hotzone承担热点数据存储。对于整个方案来说，最关键有以下几步：
智能识别。热点数据总是在变化的，或是频率热点，或是流量热点。
实时反馈。采用多级LRU的数据结构，设定不同权值放到不同层级的LRU上，一旦LRU数据写满后，会从低级LRU链开始淘汰，确保权值高的得到保留。
动态散列。当访问到热点时，Appserver和服务端就会联动起来，根据预先设定好的访问模型动态散列到其它数据节点hotzone上去访问，集群中所有节点都会承担这个功能。
通过这种方式，我们将原来单点访问承担的流量通过集群中部分机器来承担。
可以看到，双11零点的刹那，我们吸收了800多万次的热点访问。如果没有做热点散列，散列前的指数都会超过死亡水位线。
写热点
写热点与读热点有类似的地方，也需要把热点实时识别出来，然后通过IO线程把有热点key的请求放给合并线程去处理，会有定时处理线程提交给存储层。
经过双11考验对读写热点的处理，我们现在可以放心的说，我们将缓存包括kv存储部分的读写热点彻底解决了。
