首页 > Python基础教程 >
-
C#教程之memcached缓存分布式部署方案
一、分布式方案介绍
比较流行的两种方案:
1.取余分布:
计算key的哈希值,与服务器数量取余,得到目标服务器。优点:实现简单,当某台服务器不可用时,故障转移方便;缺点:当增减服务器时, Key与服务器取余变动量较大,缓存重组代价极大。
代码实现可参考开源组件Memcached.ClientLibrary下的SockIOPool,源码地址:
https://sourceforge.net/p/memcacheddotnet/code/HEAD/tree/trunk/clientlib/src/clientlib/SockIOPool.cs
2.一致性哈希环分布:
其原理参考
https://www.cnblogs.com/lpfuture/p/5796398.html
http://www.zsythink.net/archives/1182
这两位老哥写的很清楚和直白,很容易理解。
一致性哈希环分布需要物理节点和虚拟节点,且虚拟节点对应到物理节点的服务器上。
二、代码实现
由于Memcached.ClientLibrary的作者已出取余分布的实现,这里不再叙述,以下代码和测试均是一致性哈希分布的。
1.数据结构:
服务器列表:List<string> servers;//IP:PORT
服务器虚拟节点数:List<int> weights;//与servers一一对应,灵活设置每server的不同虚拟节点数
节点存储结构:SortedDictionary<long, String> buckets;
Key:long类型,存储节点的hash%2^32;
Value:String类型,存储节点,即IP:PORT;
2.代码
计算哈希值算法,参考Memcached.ClientLibrary下的SockIOPool:
https://sourceforge.net/p/memcacheddotnet/code/HEAD/tree/trunk/clientlib/src/clientlib/SockIOPool.cs
private int CalculateHashValue(String key)
{
int hv;
switch (_hashingAlgorithm)
{
case EnumHashingAlgorithm.Native:
hv = key.GetHashCode();
break;
case EnumHashingAlgorithm.OldCompatibleHash:
hv = HashingAlgorithmTool.OriginalHashingAlgorithm(key);
break;
case EnumHashingAlgorithm.NewCompatibleHash:
hv = HashingAlgorithmTool.NewHashingAlgorithm(key);
break;
default:
// use the native hash as a default
hv = key.GetHashCode();
_hashingAlgorithm = EnumHashingAlgorithm.Native;
break;
}
return hv;
}
经过测试,OldCompatibleHash方式计算的哈希值比较散列。
//哈希取余值,为什么是2的32次方:IPV4的总量是2的32次方个,可以保证环上的IP不重复 long HashValue = (long)Math.Pow(2, 32); 将Key生成一致性哈希环中的哈希值 private long GenerateConsistentHashValue(String key) { long serverHV = CalculateHashValue(key); long mod = serverHV % HashValue; if (mod < 0) { mod = mod + HashValue; } return mod; }
将Servers生成节点(物理+虚拟):
private void GenerateServersToBuckets() { for (int i = 0; i < _servers.Count; i++) { // 创建物理节点 String server = _servers[i]; long mod = GenerateConsistentHashValue(server); buckets.Add(mod, server); //创建虚拟节点 List<String> virtualHostServers = GenerateVirtualServer(server, this.Weights[i]); foreach (String v in virtualHostServers) { mod = GenerateConsistentHashValue(v); buckets.Add(mod, server); } } }
根据物理节点生成虚拟节点
private static List<String> GenerateVirtualServer(String server, int count) { if (count > 255) { throw new ArgumentException("每服务器虚拟节点数不能超过254"); } List<String> virtualServers = new List<string>(); #region 1.按修改IP值+随机GUID生成虚拟节点 String[] ipaddr = server.Split(':'); String ip = ipaddr[0]; string port = ipaddr[1]; int header = Convert.ToInt32(ip.Split('.')[0]); String invariantIPPart = ip.Substring(ip.IndexOf('.')); int succ = 0; for (int i = 1; i <= 255; i++) { if (i != header) { String virtualServer = i.ToString() + invariantIPPart + ":" + port + i;// Guid.NewGuid().ToString("N").ToUpper(); virtualServers.Add(virtualServer); succ++; } if (succ == count) { break; } } #endregion #region 2.物理节点自增序号||随机GUID //for (int i = 0; i < count; i++) //{ // //virtualServers.Add(server + i.ToString()); // virtualServers.Add(server + i.ToString()+Guid.NewGuid().ToString()); //} #endregion #region 32.其它生成算法 //TODO #endregion return virtualServers; }
三、节点分布测试
四台服务器:{ "192.168.1.100:11211", "192.168.1.101:11211", "192.168.1.102:11211", "192.168.1.103:11211" }
哈希算法不同,则节点分布规则不同
1.物理节点分布
2.每物理节点10虚拟节点
节点分布测试结果:
节点数共有(物理4+虚拟4*10):44
在第一个节点和第二个节点间:
服务器A的虚拟节点数:1 占比:10%
服务器B的虚拟节点数:1 占比:10%
服务器C的虚拟节点数:0 占比:0%
服务器D的虚拟节点数:2 占比:20%
在第二个节点和第三个节点间:
服务器A的虚拟节点数:0 占比:0%
服务器B的虚拟节点数:0 占比:0%
服务器C的虚拟节点数:2 占比:20%
服务器D的虚拟节点数:2 占比:20%
在第三个节点和第四个节点间:
服务器A的虚拟节点数:4 占比:40%
服务器B的虚拟节点数:5 占比:50%
服务器C的虚拟节点数:4 占比:40%
服务器D的虚拟节点数:4 占比:40%
在第四个节点和第一个节点间:
服务器A的虚拟节点数:5 占比:50%
服务器B的虚拟节点数:4 占比:40%
服务器C的虚拟节点数:4 占比:40%
服务器D的虚拟节点数:2 占比:20%
3.每物理节点30虚拟节点
节点分布测试结果:
节点数共有(物理4+虚拟4*30):124
在第一个节点和第二个节点间:
服务器A的虚拟节点数:7 占比:23%
服务器B的虚拟节点数:7 占比:23%
服务器C的虚拟节点数:6 占比:20%
服务器D的虚拟节点数:7 占比:23%
在第二个节点和第三个节点间:
服务器A的虚拟节点数:3 占比:10%
服务器B的虚拟节点数:1 占比:3%
服务器C的虚拟节点数:4 占比:13%
服务器D的虚拟节点数:4 占比:13%
在第三个节点和第四个节点间:
服务器A的虚拟节点数:11 占比:36%
服务器B的虚拟节点数:11 占比:36%
服务器C的虚拟节点数:10 占比:33%
服务器D的虚拟节点数:10 占比:33%
在第四个节点和第一个节点间:
服务器A的虚拟节点数:9 占比:30%
服务器B的虚拟节点数:11 占比:36%
服务器C的虚拟节点数:10 占比:33%
服务器D的虚拟节点数:9 占比:30%
4. 每物理节点50虚拟节点:.
节点分布测试结果:
节点数共有(物理4+虚拟4*50):204
在第一个节点和第二个节点间:
服务器A的虚拟节点数:14 占比:28%
服务器B的虚拟节点数:13 占比:26%
服务器C的虚拟节点数:12 占比:24%
服务器D的虚拟节点数:13 占比:26%
在第二个节点和第三个节点间:
服务器A的虚拟节点数:4 占比:8%
服务器B的虚拟节点数:3 占比:6%
服务器C的虚拟节点数:5 占比:10%
服务器D的虚拟节点数:7 占比:14%
在第三个节点和第四个节点间:
服务器A的虚拟节点数:17 占比:34%
服务器B的虚拟节点数:18 占比:36%
服务器C的虚拟节点数:16 占比:32%
服务器D的虚拟节点数:16 占比:32%
在第四个节点和第一个节点间:
服务器A的虚拟节点数:15 占比:30%
服务器B的虚拟节点数:16 占比:32%
服务器C的虚拟节点数:17 占比:34%
服务器D的虚拟节点数:14 占比:28%
5. 每物理节点80虚拟节点
节点分布测试结果:
节点数共有(物理4+虚拟4*80):324
在第一个节点和第二个节点间:
服务器A的虚拟节点数:22 占比:27%
服务器B的虚拟节点数:23 占比:28%
服务器C的虚拟节点数:21 占比:26%
服务器D的虚拟节点数:22 占比:27%
在第二个节点和第三个节点间:
服务器A的虚拟节点数:7 占比:8%
服务器B的虚拟节点数:5 占比:6%
服务器C的虚拟节点数:9 占比:11%
服务器D的虚拟节点数:10 占比:12%
在第三个节点和第四个节点间:
服务器A的虚拟节点数:27 占比:33%
服务器B的虚拟节点数:27 占比:33%
服务器C的虚拟节点数:25 占比:31%
服务器D的虚拟节点数:24 占比:30%
在第四个节点和第一个节点间:
服务器A的虚拟节点数:24 占比:30%
服务器B的虚拟节点数:25 占比:31%
服务器C的虚拟节点数:25 占比:31%
服务器D的虚拟节点数:24 占比:30%
6. 每物理节点100虚拟节点
节点分布测试结果:
节点数共有(物理4+虚拟4*100):404
在第一个节点和第二个节点间:
服务器A的虚拟节点数:29 占比:29%
服务器B的虚拟节点数:30 占比:30%
服务器C的虚拟节点数:28 占比:28%
服务器D的虚拟节点数:28 占比:28%
在第二个节点和第三个节点间:
服务器A的虚拟节点数:8 占比:8%
服务器B的虚拟节点数:8 占比:8%
服务器C的虚拟节点数:11 占比:11%
服务器D的虚拟节点数:12 占比:12%
在第三个节点和第四个节点间:
服务器A的虚拟节点数:33 占比:33%
服务器B的虚拟节点数:32 占比:32%
服务器C的虚拟节点数:30 占比:30%
服务器D的虚拟节点数:30 占比:30%
在第四个节点和第一个节点间:
服务器A的虚拟节点数:30 占比:30%
服务器B的虚拟节点数:30 占比:30%
服务器C的虚拟节点数:31 占比:31%
服务器D的虚拟节点数:30 占比:30%
说明:由于统计计算时按int取值,服务器虚拟节点比率总和可能有1的误差。
总结:以上可以看出当总节点在300以上时,各物理节点之间的虚拟节点所占比率变化较小,说明分布比较均匀。
四、存取数据查找服务器
原理:根据数据的Key与HashValue取余值hv,查找buckets中Key>=hv的第一个服务器,即是Key的目标服务器,当返回的服务器不可用时,还可以进行故障转移
1.从节点环中查找服务器
private String FindServer(String key, ref long startIndex) { long mod = startIndex; if (mod < 0) { mod = GenerateConsistentHashValue(key); } foreach (KeyValuePair<long, String> kvp in buckets) { startIndex = kvp.Key; //找到第一个大于或等于key的服务器 if (kvp.Key >= mod) { //若找到的服务器不可用,则继续查找下一服务器 if (_hostDead.ContainsKey(kvp.Value)) { continue; } return kvp.Value; } } //如果大于mod的服务器均不可用或没有找到,则从头开始找可用服务器 foreach (KeyValuePair<long, String> kvp in buckets) { startIndex = kvp.Key; if (kvp.Key >= mod) { break; } if (_hostDead.ContainsKey(kvp.Value)) { continue; } return kvp.Value; } //不存在可用服务器 return string.Empty; }
2.获取服务器及连接
public ISockIO GetSock(string key) { if (buckets.Count == 0) { return null; } if (buckets.Count == 1) { return GetConnection(buckets[0]); } long startIndex = -1;//开始查找位置,-1表示从hash(key)% HashValue位置开始查找 int tries = 0;//重试次数,不超过总服务器数 while (tries++ <= this.servers.Count) { String server = FindServer(key, ref startIndex); //找不到可用的服务器 if (String.IsNullOrEmpty(server)) { return null; } ISockIO sock = GetConnection(server); if (sock != null) { WriteLog.Write("key:" + key + ",server:" + server); return sock; } //是否需要故障转移,若需要,则会继续查找可用的服务器 if (!_failover) { return null; } } return null; }