1.背景

当我们打开手机刷微博时，就要开始和各种各样的计数器打交道了。我们注册一个帐号后，微博就会给我们记录一组数据：关注数、粉丝数、动态数…；我们刷帖时，关注每天的热搜情况，微博需要为每个热搜记录一组搜索量。在这一串数据后面，是一个个计数器在工作。

计数器可以分为常规计数器和基数计数器，对于常规计数器，只需要对计数器进行简单的增减即可；对于基数计数器，需要对元素进行去重，比如统计搜索量时，需要保证每个用户的多次搜索只统计一次。对于这两种需求，Redis 都有对应的数据类型进行统计。然而开源 Redis 是一个弱一致性的数据库，在特定的场景下，弱一致的计数不能满足业务需求，为此，我们需要一个强一致的数据库进行计数。

GaussDB(for Redis)（下文简称高斯Redis），是华为自研的强一致、持久化 NoSQL 数据库，兼容 Redis5.0 协议。本文将介绍常规计数器与基数计数器的应用场景及使用高斯 Redis 实现计数。

2.常规计数器

2.1如何使用 Redis 进行常规计数

Redis 实现常规计数器有两种数据类型适合：String 和 Hash。

2.1.1使用string 计数

当我们需要维护的计数器数目较少，比如统计网站的注册用户数时，适合使用 String 类型的计数器。Redis 提供的 Incr 和 Decr 命令分别对 String 类型的 key 值进行增一与减一操作：

127.0.0.1:6379> SET counter 100

OK

127.0.0.1:6379> INCR counter

(integer) 101

127.0.0.1:6379> DECR counter

(integer) 100

除Incr与Decr命令外，Redis String 类型还提供 Incrby 与 Decrby 命令，语法格式为：

incrby： INCRBY key count

将 key 增加 count，count 可正可负，返回 key 的结果：

127.0.0.1:6379> INCRBY counter 10

(integer) 10

127.0.0.1:6379> INCRBY counter -20

(integer) -10

decrby： DECRBY key count

将 key 减少 count，count 可正可负，返回 key 的结果：

127.0.0.1:6379> DECRBY counter 10

(integer) -10

127.0.0.1:6379> DECRBY counter -20

(integer) 10

2.1.2使用Hash计数

需要维护多个密切关联的计数器时，可以使用Hash结构进行计数。比如，当我们注册一个微博账号时，微博会给每个用户记录一些用户数据，比如粉丝数、关注数等，这些数据都绑定到对应用户上，因此可以将这组计数器记录在同一个Hash key中，使用 hincrby 命令，语法格式为：

hincrby： HINCRBY key filed count

将 Hash key 的 filed 增加 count，count 可正可负，返回对应 field 的结果：

127.0.0.1:6379> HGET userid field

(nil)

127.0.0.1:6379> HINCRBY userid field 1

(integer) 1

127.0.0.1:6379> HINCRBY userid field -1

(integer) 0

127.0.0.1:6379> HGET userid field

"0"

2.2常规计数器使用场景

常规计数器的使用场景很广泛，对于社交产品，用户的粉丝数、关注数，帖子的点赞数、收藏数…；对于视频网站，需要统计视频的播放次数（PV统计，Page View）；对于电商秒杀，需要统计商品数量并进行流量控制。在并发量高的情况下，Redis 的性能优势明显，非常适合以上场景。

以电商秒杀业务为例，为了处理高并发读写，通常在MySQL上层部署Redis作为缓存。为了抗住大流量，使用计数器作限流。比如，当我们想控制每秒1万次请求时，可以初始化一个counter=10000，随后每次请求过来，都对counter减一，当counter 归零后，阻塞后续的请求。每隔一段时间，重置counter=10000，以此保证大流量不会冲击底层的MySQL。

3.基数统计：HyperLogLog 的原理及使用

基数计数（cardinality counting）是指在一个数据集合中，统计不重复元素的个数，是实际应用中一种常见的场景。比如统计一段时间内访问某个网站的用户数，网络游戏的日活用户数量等。

在数据量较小情况下，我们可以把所有数据保存下来进行去重统计。Redis 中，可以使用 Set 与 Zset 将数据保存下来，然后统计集合中的元素数量。而当数据量较大时，该方法会消耗较大的存储空间，需要考虑其它的算法。

考虑一种情况，当我们登录微博时，微博会记录我们的登录情况，并统计每天有多少活跃用户。很显然，我们不需要也不应该记录活跃用户的ID，并且，少量误差对活跃用户数量的统计使用影响不大，这种场景下，我们可以使用 HyperLogLog 进行计数。HyperLogLog 是一种使用极少内存实现巨量统计的计数算法，非常适合大数据场景的基数估计，在 Redis 中被实现为一种数据类型。

3.1HyperLogLog 原理介绍

从伯努利试验到基数计数

HyperLogLog 是一种基数估计算法，其思想来自于伯努利过程。

简单来说，伯努利过程就是一个抛硬币的过程。抛一次硬币，结果为正面或者反面的概率都是1/2。记正面为1，反面为0，如果抛硬币多次，直到出现第一次正面时停止，记为一次投掷试验，并且得到一个投掷结果的序列，比如“001”，我们可以知道，这个序列出现的概率是 。

反过来，如果我们持续进行投掷试验，当出现第一次“001”序列时，我们可以简单估算出，我们投掷试验次数为8（事实上，这是一个极大似然估计）。

HyperLogLog 的原理就是将每个元素视为一次投掷试验，通过记录试验的最大投掷次数对元素的数量进行估计。当我们向集合中每插入一个元素，视为做了一次投掷试验，相同的元素对应一个投掷结果的序列。为了将每一个元素转化成一个“01”序列，我们可以使用一个哈希函数进行转换：

这里，我们有了一个简单的估计算法。我们只需要记录哈希结果中第一个“1”出现的位置的最大值即可，但很明显，当数据量较小时，这样一个估计值误差会很大，而且单个元素的对估计值的影响不平滑。

分桶平均减小误差

为了减小单一估计量的影响，HyperLogLog 使用分桶多次试验的方法减小误差。方法是将哈希后的bitmap中前若干位当成桶的编号，剩余位当成试验结果。

对于每个桶中的结果，计算其调和平均值获取基数估计值（相比算术平均，调和平均数能够有效改善基数较小情况下极值影响过大的问题）：

3.2Redis 中的 HyperLogLog

Redis 将HyperLogLog 实现成一种数据类型，对于每个元素，Redis将其Hash成64位的二进制串，用低14位用来表示bucket的下标（所以桶的个数为1<<14=16384），剩余的位用来模拟伯努利分布，每个桶需要6个bit；最多能够对 个元素进行统计，内存占用约12 k；其标准误差为 0.81%。

Redis 支持的 HyperLogLog 命令只有3个，pfadd，pfcoun，pfmerge, 其语法如下：

pfadd：将所有元素参数添加到 HyperLogLog 数据结构中

语法：PFADD key element1 [element2…]

如果至少有一个元素被添加返回1，否则返回0

如果没有指定 element，则创建 hyperloglog key

127.0.0.1:6379> pfadd key1 ele1 ele2

(integer) 1

127.0.0.1:6379> pfadd key1

(integer) 0

127.0.0.1:6379> pfadd key2

(integer) 0

pfcount：返回给定的HyperLogLog的基数估计值

语法：PFCOUNT key1 [key2 … ]

返回对应 HyperLogLog 的基数值，多个key时，返回多个key的合并后的基数值。

127.0.0.1:6379> pfcount key1

(integer) 0

127.0.0.1:6379> pfadd key1 ele1 ele2

(integer) 1

127.0.0.1:6379> pfadd key2 ele1 ele3

(integer) 1

127.0.0.1:6379> pfcount key1

(integer) 2

127.0.0.1:6379> pfcount key1 key2

(integer) 3

pfmerge：将多个 HyperLogLog 合并为一个

语法：PFMERGE destkey sourcekey1 [sourcekey2 …]

将 sourcekey 与 destkey 合并，当 destkey 不存在时，会创建 destkey

返回OK

127.0.0.1:6379> pfadd key1 ele1 ele2

(integer) 1

127.0.0.1:6379> pfadd key2 ele1 ele3

(integer) 1

127.0.0.1:6379> pfcount key3

(integer) 0

127.0.0.1:6379> pfmerge key3 key1 key2

OK

127.0.0.1:6379> pfcount key3

(integer) 3

3.3HyperLogLog 的适用场景

HyperLogLog 作为一种计算大数据量的基数统计算法，在统计注册用户数，每日访问IP数，实时统计在线用户数等场景可以大显神威。

统计网站的UV(unique visitor)

对于一个网页，我们想要知道这个网页的受关注程度，可以统计一下有多少用户（IP）点击了这个网页。为此，我们给每个时间段设置一条记录，比如，127.0.0.1这个IP在2021年1月1日1点的时候访问了网页：

pfadd key_prefix_2021010101 "127.0.0.1"

当需要统计这一天0-1点这一个小时一共有多少IP访问了这个网页时：

pfcount key_prefix_2021010101

需要统计上午8到12点的网页访问情况：

pfcount key_prefix_2021010109 …… key_prefix_2021010112

一天结束了，需要统计并保存这一天访问情况：

pfmerge key_prefix_2021010101 ...... key_prefix_2021010124

对于一个热门的网页，这样一个计数的方式显然能够极大的节约存储空间。

用户画像

用户画像是根据用户在互联网上留下的各种数据，给用户贴上一系列的标签，比如用户的性别，年龄，爱好等。在进行数据分析时，可以使用 HyperLogLog 进行数据的保存与分析。

1. 对于每个标签，创建hyperloglog key值保存数据，如：man, woman， basketball…等，对于每个需要记录的值，都需要创建一个key进行记录。

2. 每多一个用户时，向所有记录的key里使用pfadd 添加元素。

3. 进行数据分析时，使用 pfcount 将需要分析的数据进行统计。

4.高斯Redis在计数上的优势

4.1开源 Redis 的问题

生产环境中，为避免单点故障，增强数据库可用性，Redis 通常将数据复制多个副本，保存在不同的服务器上；在大量并发请求过来时，为了尽可能利用主从节点的服务器资源，可以采用主写从读的方式。由于 Redis 的主从同步是异步的，当主节点写入数据后，从节点不保证立刻更新数据，如果此时读取数据，读到的就是过期的旧数据，产生数据不一致问题。

当主节点故障宕机后，数据不一致的问题会更严重。主节点故障后，哨兵节点会将从节点提升为主，原主节点上堆积的数据 buffer 就彻底丢失了。在电商秒杀业务中，如果发生主节点复制buffer堆积，导致从节点与主节点的 counter 偏大很多，一旦此时主节点宕机，发生主备倒换后，容易导致流量压力超出阈值，大量数据可能会将 MySQL 压垮，导致系统不可用。

4.2高斯 Redis 如何解决

高斯 Redis 借助高斯品牌的“存算分离”架构，将全量数据下沉到强一致存储层（DFV Pool），彻底摒弃了开源 Redis 的异步复制机制；计算层将海量数据进行分片，在故障场景下，自动进行接管，实现了服务的高可用。

存储层 DFV Pool 是华为内部自研的公司级Data Lake，是分布式、强一致、高性能的先进架构。底层实现3副本强一致的存储，保证了在任何时间点的数据强一致，故障情况下数据不丢失，对于秒杀等业务满足计数的绝对精确。此外，借助存算分离架构，高斯Redis 还拥有低成本、大容量、秒扩容等优势：

5.结语

高斯 Redis 在社区版 Redis 的基础上，结合华为自研强一致存储DFV Pool，具有强一致、秒扩容、超可用、低成本等优势，保证了计数的准确性、可靠性。

本文作者：华为云高斯Redis团队。

杭州西安深圳简历投递：yuwenlong4@huawei.com

点击“了解更多”，关注高斯Redis官方博客