如何使用Docker安装Redis集群模式，实现亿级数据存储的哈希槽分区？

本文共计3535个文字，预计阅读时间需要15分钟。

背景：1~2亿条数据需要缓存，请设计存储案例？

问题描述：上述问题涉及阿帕奇P6~P7工程案例和场景设计类必考题目，一般业界有三类解决方案：

1.一致性哈希算法分区

2.哈希槽分区

3.哈希取余分区

背景

1~2亿条数据需要缓存，请问如何设计存储案例? 上述问题阿里P6~P7工程案例和场景设计类必考题目，一般业界有三种解决方案^： 2、一致性哈希算法分区 3、哈希槽分区

1、哈希取余分区

2亿条记录就是2亿个k,v,我们单机不行，必须要分布式多机，假设有3太机器构成一个集群，用户每次读写操作都是根据公式:hash(key)%N个机器台数，计算出哈希值，用来决定数据映射到哪一个节点上 优点: 简单粗暴，直接有效，只需要预估好数据，规划好节点，例如3台、8台、10台，就能保证一段时间的数据支撑。使用Hash算法让固定的一部分请求落到同一台机器上，这样每一台服务器固定处理一部分请求(并维护这些请求信息)，起到负载均衡+分而治之的作用。 缺点: 原来规划好的节点，进行扩容或者缩容就比较麻烦了，不管扩容还是缩容，每次数据变动导致节点有变动，映射关系就需要进行重新计算，在服务器个数固定不变时没有问题，如果需要弹性扩容或者故障停机的情况下，原来的取余公式就会发生变化：hash(key)/3会变成hash(key)/?。此时，经过某个redis机器宕了，由于台数数量发生变化，会导致hash取余全部数据重新洗牌。 我们来举个例子: 假设请求1的取余结果为：第一台机器，我们把数据存到了第一台机器，如果第一台机器宕机时，我们要去第一台机器查询我们请求1的数据时，是查询不到的。