本文介绍了Redis Stream在交通模块的应用，包括背景、Redis Stream概念、设计与实现、实践经验等方面。文章详细阐述了Redis Stream在交通链路中的替换方案，以及生产消费模式、负载均衡、跨机房读写、工程实现、实时监控、压测表现等方面的具体实现。同时，文章还分享了实践经验，包括线上表现、适用场景、踩过的坑和经验分享。
由于业务快速发展和数据规模的增长，MQ成本急剧增加，需要替换更加合适的消息中间件。经过调研，最终选择使用Redis Stream作为新的替换方案。
Redis Stream是Redis 5.0版本新增的数据结构，主要用于消息队列。它具备FIFO队列、消费者组、ACK机制等特性。
介绍了如何使用Redis Stream SDK（C++）实现消息的生产和消费。包括负载均衡、topic拆分、分片哈希、跨机房读写、工程实现、实时监控等方面的具体实现。
分享了线上表现、适用场景、踩过的坑和经验分享。包括成本收益、时延收益、适用场景分析，以及使用Redis Stream作为中间件需要注意的问题和解决方案。
本文将从概念、设计、实现和适用场景等多个维度介绍Redis Stream在交通模块的应用。
交通路况团队主要负责AMAP（高德地图）轨迹收容和实时计算，不仅承担了实时路况的计算和发布，而且利用海量用户轨迹，陆续推出红绿倒计时和V2X（道路预警）等重磅功能，作为海量数据实时计算的基础链路，自然少不了对消息中间件的使用，一直以来我们都是集团MQ团队的重要客户，随着业务的快速发展，数据规模和计算频次进一步提升，MQ成本急剧增加，替换更加合适的消息中间件成为了必然。
目前集团内部广泛使用的成熟的消息中间件有MQ、TT等，这些消息中间件通常具备高可用，高吞吐，低延迟等特点，同时具备相对完善的控制台和专业团队的支持，但是从成本的角度出发，现有的消息中间件并非合适的选择，经过前期调研，我们最终确定使用Redis Stream作为新的替换方案，截至目前，交通链路的主要环节已经完成了由MQ到Redis Stream的升级，并且取得了显著的成本和延时收益。接下来将从概念、设计、实现和适用场景等多个维度介绍Redis Stream在交通模块的应用。
Redis Stream是Redis 5.0版本新增加的数据结构，主要用于消息队列。关于Redis Stream的具体细节，可以参照官网，阅读本篇文章中只需要理解以下概念即可。
图2.1 redis stream结构
Redis Stream数据结构的value是一个FIFO的队列，可以通过redis命令指定队列长度，当消息超出队列长度时会自动将最早的消息删除，出于性能的考虑，Redis Stream提供了惰性删除的选项，惰性删除不会在每次添加消息时严格地删除多余的消息，而是通过周期性、阈值触发等机制来删除旧消息；
Redis Stream中的每一条消息由id和content构成，id可以手动指定，默认规格是“UNIX时间戳_序号”，时间戳是消息在redis内存创建时的ms时间戳，序号用于区分同一时刻上的不同消息，content即为存储的消息体；
Redis Stream支持多个消费者组重复消费消息（广播消费），同一个消费者组下可以创建若干个消费者，多个消费者共同消费同一份数据（集群消费）；
Redis Stream为每一个消费者组记录了消费位点 last_delivered_id；
Redis Stream同时提供了ACK机制，用于消费消息的确认。
在交通使用MQ的场景中，上游应用通过哈希规则计算数据的tag，往同一个topic写数据，下游应用的每台机器消费固定的tag，保证同一类数据在同一台机器上进行处理，本文基于这种生产消费模式介绍Redis Stream SDK（C++）的实现。
在现有版本的Redis Stream SDK中，生产者和消费者只需指定topic和tag等简单信息，就可以实现消息的生产和消费，无需关心实现细节，Redis Stream SDK支持多实例、线程配置、同步异步模式、消费位点重置、负载均衡、实时监控，断网重连等功能。
在使用Redis Stream作为消息中间件时，我们需要考虑两个问题，一个是Redis Stream没有tag的概念，另一个是redis实例包含多个分片，同时使用多个实例的情况下，如何保证均匀的使用每个分片，防止数据倾斜。
3.1.1 topic拆分
图3.1 拆分示例
在MQ中，同一个topic下可以有若干个tag，每次发送需要携带topic和tag信息，消费者可以指定tag进行消费，这样既实现集群消费，又保证了同类数据被同一下游处理，而在Redis Stream中没有tag的概念，只有topic的概念，准确的说，只有key的概念，一个topic即为一个key，消息的队列即为key对应的value，为了保证原有功能不变，我们将topic进行拆分，生产者和消费者指定的topic实际上仅为topic的前缀，真正在redis内存中存储的topic（redis的key）实际上是topic和tag的完整信息，形式为“topic_tag”，上游发送消息指定topic和tag，SDK计算出完整的topic并将消息写入，下游消费指定topic和tag，SDK计算出完整的topic进行拉取，这样便实现了“tag”的功能。
3.1.2 分片哈希
在上一部分中，我们解决了tag的问题，接下来的问题是在已知topic和tag的前提下，如何确定消息需要被发送到哪个实例的那个分片，以及如何保证消息被写入到目标分片。
图3.2 哈希说明
以图3.2为例，图中共有4个32分片redis实例，每个实例都有实例idx，每个分片都有局部分片idx和全局分片idx，那么可以通过下列方式计算实例和分片信息。
全局idx = tag % 分片总数
实例idx = 全局idx / 单实例分片数
局部idx = 全局idx % 单实例分片数
redis集群作为一个分布式系统，整个数据库空间会被分为16384个槽（slot），每个数据分片节点将存储与处理指定slot的数据，例如3分片集群实例，3个分片分别负责的slot为：[0,5460]、[5461,10922]、[10923,16383]，redis通过CRC算法计算出key所属的slot，进而确定key所属的分片，当key中包含{}字符串，redis仅会根据{}中的值计算slot，我们可以通过遍历的方式暴力计算得到所有slot的哈希字符串并进行存储，确定局部分片idx后可以直接查询，因此，完整的redis stream的topic格式为“topic_tag_{分片哈希字符串}”。
在使用消息中间件时，跨机房读写是不可避免的，对于跨机房读写的场景，在开发过程中对比了两种跨机房方案，一个是使用hiredis异步模式，另一种是使用集团redis提供的全球多活。
图3.3 跨机房部署
如图3.3所示，生产者部署在na610机房，消费者部署在su121机房，在异步方案中，消息生产采用异步模式，消息消费采用同步模式，在全球多活方案中，消息生产和消费均采用同步模式，在保证数据规模相同，且读写线程足够的情况下，异步模式的平均延迟在22～23ms，全球多活的平均延迟在51ms～57ms，异步模式延迟明显小于全球多活，除此之外，全球多活方案需要额外申请redis 实例，需要更多的redis资源。
现有的SDK版本支持灵活的配置，支持使用多个redis实例，可变的消费/生产/处理线程，主要配置如下：
图3.4 Redis Stream流程图
集团现有的消息中间件通常具有完善的监控能力和告警机制，可以实时查看和监测消息链路的异常。集团redis实例集群本身提供了CPU、内存、带宽等诸多维度的监控，但是对于消费延迟/积压，却没有现成的支持，因此，使用Redis Stream作为中间件时使用以下多个指标来综合监控消息延迟/积压：
生产消费消息量级：在没有积压的情况下，生产者和消费者的消息量级大致是相同的。
单次拉取数量：目前消费者只采用了同步消费的模式，在单次拉取消息时，需要指定单次拉取的最大消息数量，当出现积压时，拉取数量会持续接近最大阈值。
延时统计：通过对单次写入读取延迟的监控，可以监控由网络问题可能造成的消息积压。
图3.5 单线程生产
图3.6 单线程消费
线上环境同步模式下，单线程生产消费TPS上限随着消息大小的增加而减小，消息10k以下TPS上限为3000以上，消息增加到100k时，TPS上限降低为1500。
目前交通链路各个环节MQ升级为Redis Stream已经基本完成，已持续稳定运行一段时间，并取得了显著的成本收益和时延收益，相较于MQ，成本和时延均下降90%+。以某一环节为例，该环节高峰期间消息量级约2000w/min，平均消息大小1k，使用4个 64G 64分片 redis实例，集群日常水位如下：
图4.1 redis集群水位
| MQ | TT | Redis Stream |
优点 | 1.专业的消息中间件产品，功能强大，具备消息不丢、消息重试、延迟消息、集群/广播订阅等特性 2.高可用，高吞吐，低延迟 3.完善的控制台能力，具备报表、报警和消息追踪/验证等特性 | 1.专业的消息中间件产品，除消息重试、延迟消息外与MQ功能基本一致 2.具备更丰富的生产者能力，如sdk、日志采集、binlog同步等 3.高可用，高吞吐，低延迟 4.完善的控制台能力，具备报表、报警等能力 | 3.支持集群/广播消费、位点重置等基本的消息中间件功能 |
缺点 | 1.费用高，读写均收费 | 1.费用高，读收费 2.弹内缺乏C++客户端 | 1.redis持久化问题，服务端异常时，队列数据可能丢失； 2.缺乏消息中间件运维平台 |
总的来说，Redis Stream适用于消息量级较大成本较高的业务，但需要接受可能的消息丢失，由于redis内存有限，不支持存储大量消息，所以通常不支持有追数据需求的业务，除此之外，使用Redis Stream作为中间件需要投入运维资源，需要提前合理预估好资源用量，必要时需要进行手动扩缩容。
C++建议使用hiredis的最新版本（1.2.0），最新版本异步模式支持设置连接超时时间，方便异步连接成功的判断；
使用Redis Stream作为中间件，消息不宜过大（100k以下），否则消息过大，单线程读写TPS会有明显的下降；
在大量数据的业务场景中，tag的数量不宜太少，大量数据通常要使用较多的redis资源，如果tag数量太少，容易导致数据倾斜甚至某些分片无法利用；
redis实例资源预估主要考虑的因素是CPU，而不是内存和带宽，Redis Stream可以灵活的设置队列长度，内存通常是可控的， CPU与消息数量有关，具体相关性需要具体实践。
通过创建ACK集群Pro版，使用云原生AI套件提交模型微调训练任务与部署GPU共享推理服务。
点击阅读原文查看详情。
