如何运营亿级QPS的Redis系统

欢迎大家前往腾讯云+社区，获取更多腾讯海量技术实践干货哦~

作者：冯伟源，高级工程师，腾讯云Redis系统运维负责人。6年DBA经验，一直从事SQL优化、实例调优、数据库架构、海量数据库集群运维、运营平台建设和管理等工作。为 QQ、Qzone、QQ音乐、微云、腾讯云等业务提供数据库服务。

导语：腾讯云Redis自2015年诞生以来，爆发时增长，为上万家客户提供服务。作者作为唯一的运维负责人，面对三大挑战是如何破解？

元信息的一致性管理
万台设备高效运维
如何实现智能调度

解读腾讯云Redis

腾讯云Redis是基于腾讯内部分布式缓存领域在QQ、音乐、Qzone、微云等业务多年的技术沉淀，为客户打造除的一款高可用、高可靠的Redis服务平台。其业务发展迅速，目前有上万台设备，QPS已达亿级。

腾讯云Redis目前分别提供主从版、集群版、新一代三个版本。在使用上，基本兼容 Redis 协议，支持字符串、链表、集合、有序集合、哈希表等多种数据类型，能帮助客户完成不同类型的业务场景开发。腾讯云Redis支持主从热备，提供自动容灾切换、数据备份、故障迁移、实例监控、在线扩容、数据回档等全套的数据库服务。

运营问题

我们在运营Redis的过程中，遇到各种各样的问题总结如下：

环境：网络、TCP参数设置的问题；
设计：做持久化时，页表复制造成的卡顿；
开发者：慢查询，连接风暴，缺流控等；
最终用户：比如电商的秒杀活动，访问陡增导致处理能力到极限。

总的来说，是服务运行过程中，资源的需求与供给不匹配。

三大挑战

在应对这些运营难题过程中，我们陆续地翻越三座大山：

挑战一：元信息的一致性管理

元信息的混乱导致一些运维故障在日常运营中经常碰到？最基本的四类元信息是集群、设备、实例和配置。我们解决这类问题的时候定3条原则。

“全”---元信息梳理统计全；
“准”---和现网各种信息保持一致；
“一”---统一的入口，提供统一的API，来进行数据的读取与修改，让元数据的变更可以被审计。

首先对所有元信息进行梳理，提取各种元信息的公共特征，分类建模，然后抽象出模板对象的属性与方法，定义数据结构，最后设定数据同步与消费的方式，对外提供API接口。这样一套基本的DB-CMDB子系统就建成了。也就是数据库层统一元信息管理系统。

设计思路上，采用通用框架，可以管理不同数据库类型的信息，也为后面的运维自动化奠定基础。

挑战二：万台设备的作业方式

系统提供服务之初，整体运维规模还不大，很多运维工作可以通过手工解决。在客户量爆发后，1~2个DBA是无法通过手工解决万台设备运营？更无法面对亿级QPS性能冲击？

为了应对规模化的运营，我们打造“作业平台”的系统，来承载我们的运维逻辑。

平台化---原子操作，工具托管在平台上
流程化---工具串成流程，流程化，可复用
可视化---各类运维操作可视化，简单明了

首先将脚本编辑作为工具，托管在平台上。这种工具的原则是原子操作，只有失败与成功两种状态。工具串起来成为流程，每个工具可以被多个流程复用，这样大部分运维操作，包括上下架机器，Redis的迁移，扩缩容都可以通过流程来实施。同时各类操作均通过可视化来展示，简单明了。

目前腾讯云Redis作业平台已建成数百种场景化的工作流程，日调用次数达上千次，覆盖大部分的运维场景，变更导致的事故减少，服务更为稳定可靠，场景化运维工作效率提升300%。通过平台化、可视化、流程化的“作业平台”，整个团队的工作协同，积累，传承做得更好。

挑战三：如何实现智能调度

手工触发的运维流程，只能算是半自动化。我们该如何把整体的运营工作打造成全自动化呢？

自动化调度系统
决策系统

自动化调度系统：对于按事件和时间调度系统异常时触发的告警，第一是按时间调度，比如每周三下午3点重启一个服务，通过时间来触发。第二是按事件调度，我们把每一种告警，都作为一种事件，注册到调度系统中。调度系统捕获到事件后，可以调用作业平台的任务或者流程去完成一些工作，这就形成一个运维的闭环。

决策系统：在处理一个事情之前，我们还需要获取各种信息，如何根据信息做决策？一个决策系统，先发起决策请求，过程中可能会涉及到一些决策树，或者AI决策等，根据决策的结果，再确定调哪些作业流程，或者是否调作业流程。

总结运营之道

运维成熟度的衡量

运维成熟度在腾讯云的成熟度衡量：从比较原始的方式，到实现一些标准的工具。再到可视化、流程化、平台化，以及实现能基于时间与事件触发的自动调度平台，实现全自动化的运维闭环。智能化解读，通过机器学习，深度学习的方法能帮助我们更好地做一些决策，比如说数据库自动调参，智能分析实现数据的冷热沉降；最后，通过业务画像，数据分析，成本优化等为业务带来更多的价值。

总结：技术支持业务，技术推动业务，技术引领业务。