Docker搭建redis-cluster集群

以下是搭建redis-cluster集群,该集群是redis3.0引进了的,该集群比redis-sentinel哨兵架构有以下优点

  1. 可以配置多主多从,在redis设置内存可以更大,而哨兵只能配置一主多从,且单个主节点内存不宜设置过大,否则会导致持久化文件过大影响数据恢复或主从同步的效率
  2. 访问瞬断的情况,cluster只是某一个主节点不可访问,但是其他主节点还是可以访问的,但是哨兵是都不能访问,会报错然后等几秒钟后哨兵选举新的主节点后又可以访问了
  3. 高并发,redis可以扛几万的并发,cluster并发量就是乘以主节点的并发量,而哨兵只有一个主节点
  4. 水平扩缩容,cluster可以水平扩缩容,哨兵不能
    redis集群不仅需要开通redis客户端连接的端口(如6381),而且需要开通集群总线端口(16381)。
    集群总线端口=redis客户端连接的端口+10000
# 通过以下命令逐个启动redis实例
docker run -d --name redis-node-1 --net host --privileged=true -v /usr/local/software/redis/cluster/redis-node-1:/data redis:6.2.6 --cluster-enabled yes --appendonly yes --port 6381
docker run -d --name redis-node-2 --net host --privileged=true -v /usr/local/software/redis/cluster/redis-node-2:/data redis:6.2.6 --cluster-enabled yes --appendonly yes --port 6382
docker run -d --name redis-node-3 --net host --privileged=true -v /usr/local/software/redis/cluster/redis-node-3:/data redis:6.2.6 --cluster-enabled yes --appendonly yes --port 6383

docker run -d --name redis-node-4 --net host --privileged=true -v /usr/local/software/redis/cluster/redis-node-4:/data redis:6.2.6 --cluster-enabled yes --appendonly yes --port 6384

docker run -d --name redis-node-5 --net host --privileged=true -v /usr/local/software/redis/cluster/redis-node-5:/data redis:6.2.6 --cluster-enabled yes --appendonly yes --port 6385

docker run -d --name redis-node-6 --net host --privileged=true -v /usr/local/software/redis/cluster/redis-node-6:/data redis:6.2.6 --cluster-enabled yes --appendonly yes --port 6386

docker run -d --name redis-node-7 --net host --privileged=true -v /usr/local/software/redis/cluster/redis-node-7:/data redis:6.2.6 --cluster-enabled yes --appendonly yes --port 6387

docker run -d --name redis-node-8 --net host --privileged=true -v /usr/local/software/redis/cluster/redis-node-8:/data redis:6.2.6 --cluster-enabled yes --appendonly yes --port 6388

命令解释:
在这里插入图片描述
2.进入容器redis-node-1,为六台容器构建集群关系
2.1 docker exec -it redis-node-1 /bin/bash
2.2 redis-cli --cluster create 192.168.23.135:6381 192.168.23.135:6382 192.168.23.135:6383 192.168.23.135:6384 192.168.23.135:6385 192.168.23.135:6386 --cluster-replicas 1

–cluster-replicas 1 表示集群主节点需要多少个从节点,我们用了6台,即3台服务器构成集群,每台服务器设置1台从服务器
3.进入端口为6381的redis容器,并查看集群状态
3.1 docker exec -it redis-node-1 /bin/bash
3.2 redis-cli -p 6381
3.3 cluster info
3.4 cluster nodes (这条命令是查看哪个节点是主节点,哪个节点是从节点,以及槽点范围)
在这里插入图片描述
4.测试主从容错切换迁移
4.1 进入端口为6381的容器,新增两个key,这里需要加-c,集群操作,可以将key-value放入其他容器中
在这里插入图片描述
Redis 集群中内置了 16384 个哈希槽,redis 会根据节点数量大致均等的将哈希槽映射到不同的节点。当需要在 Redis 集群中放置一个 key-value时,redis 先对 key 使用 crc16 算法算出一个结果,然后把结果对 16384 求余数,这样每个 key 都会对应一个编号在 0-16383 之间的哈希槽,也就是映射到某个节点上。如下代码,key之A 、B在Node2, key之C落在Node3上
在这里插入图片描述
因此,可以看到第一个k1 v1会落到范围包括12706这个槽点中,也就是6383这个容器中,

k2 v2会落到包括449这个范围的槽点中,也就是6386这个容器中
4.2 ctrl+c,退出redis-cli
4.3 查看集群信息 redis-cli --cluster check 192.168.23.135:6381
在这里插入图片描述
4.4 测试将6381(master)容器停止,6387从节点会代替主节点6381的位置上位,变成master主机
把6381停了之后再次查看集群信息如下
在这里插入图片描述
过了几秒后6387变成主节点了
在这里插入图片描述
把6381重启后变成6387的从节点了
在这里插入图片描述
5.主从缩容
5.1 以集群方式新建6382、6388两个节点
首先需要先启动两台redis实例

# 之前已经启动了这里不需要启动
docker run -d --name redis-node-2 --net host --privileged=true -v /docker/redis/share/redis-node-7:/data redis:6.2.6 --cluster-enabled yes --appendonly yes --port 6382

docker run -d --name redis-node-8 --net host --privileged=true -v /docker/redis/share/redis-node-8:/data redis:6.2.6 --cluster-enabled yes --appendonly yes --port 6388

5.2 进入6382容器内部
docker exec -it redis-node-2 /bin/bash
5.3 将新增的6382节点作为master节点加入原集群(我这里是通过6381建立redis集群的,
6381容器就是原来集群节点里面的领路人,相当于6382和6381打声招呼从而找到组织加入集群)
在这里插入图片描述
5.4 检查是否加入该redis集群
redis-cli --cluster check 192.168.23.135:6381在这里插入图片描述
5.5 重新分配槽号
这里分配的槽号数=16384/机器数 =》 分配的槽号数=16384/4=4096在这里插入图片描述
这里该节点的id号,应该为新节点6382的节点号
在这里插入图片描述
这里是所有节点都分配4096个槽点,所以为all
在这里插入图片描述
5.6 查看槽点的分配
redis-cli --cluster check 192.168.23.135:6381
在这里插入图片描述
为什么6382容器分配的槽点是3个新的区间,因为重新分配成本太高,所以前面三家匀出一部分,
从6381/6384/6383三个旧节点分别匀出1364个坑位给新节点6382

5.7 为主节点6382分配从节点6388

redis-cli --cluster add-node 192.168.23.135:6388 192.168.23.135:6382 --cluster-slave --cluster-master-id 55b4aee8ff3229698ca595b7efd1f813984a4098

在这里插入图片描述

5.8 检查集群情况 发现6388已经作为6382的从节点添加进来了
在这里插入图片描述

6.主从缩容
6.1 将6382 6388两个节点下线
6.2 检查集群情况,获得6388的节点id
在这里插入图片描述
6.3 从集群中将6388节点删除

redis-cli --cluster del-node 192.168.23.135:6388 541497e12ee9519b86282773eea3e5ba60f06c96

在这里插入图片描述
6.5 将6382的槽号清空,重新分配槽号,并都给主机(一定要是主机,而不是从机)6381
在这里插入图片描述
6.6 检查集群情况
在这里插入图片描述
发现6382节点已经没有为它分配槽点了,转而全部分给了其他容器节点
6.7 将6382剔除掉该集群

redis-cli --cluster del-node 192.168.23.135:6382 55b4aee8ff3229698ca595b7efd1f813984a4098

在这里插入图片描述
6.8 重新查看集群,发现两个节点都已剔除,并实现了缩容
在这里插入图片描述

<think>好的,我现在要处理用户关于Android 12中RKNN开发配置和使用教程的问题。首先,我需要回顾用户提供的引用内容,看看是否有相关的信息。 用户提供了三个引用。引用1提到了RKNN Model Zoo和RKNN Toolkit2的环境配置,包括安装Miniconda3。引用2是关于系统镜像下载,特别是Ubuntu 22.04版本和导出ONNX模型。引用3讨论了RV1808/1126使用RKNN作为MediaPipe推理后端的步骤,包括配置参数如use_rga、use_mmap和data_type的设置,以及反量化的处理。 用户的问题集中在Android 12上,所以需要将引用中的信息与Android系统关联起来。引用3提到了MediaPipe和RKNN的集成,这可能适用于Android开发,但需要确认是否支持Android 12。此外,RKNN Toolkit2的环境配置可能在不同平台上有所不同,用户可能需要针对Android进行调整。 接下来,我需要考虑Android开发中RKNN的一般步骤,比如环境准备、模型转换、集成到Android应用、配置参数和性能优化。结合引用中的信息,模型转换部分可以参考引用2提到的导出ONNX模型,然后使用RKNN Toolkit转换为RKNN格式。引用3中的配置参数(如use_rga、use_mmap、data_type)可能在Android中同样适用,但需要查阅相关文档确认。 可能还需要指导用户如何将RKNN库集成到Android项目中,比如添加依赖项或NDK配置。此外,性能优化方面,引用3提到的反量化处理可能需要特别注意,尤其是在Android设备上的实现。 最后,确保回答结构清晰,分步骤说明,并引用提供的资料。需要验证引用中的信息是否适用于Android 12,例如系统镜像是否支持,或者是否有特定版本的要求。如果某些步骤在引用中没有明确说明,可能需要提示用户参考官方文档或社区资源。</think>### Android 12 RKNN 开发配置与使用教程 #### 1. **环境准备** - **系统镜像与工具链**: 根据引用[2],建议使用Ubuntu 22.04作为开发环境,并下载Orange Pi 5 Pro等支持RKNN的硬件镜像。对于Android 12开发,需确保RKNN Toolkit2适配Android NDK版本(推荐NDK 21+)[^2]。 - **安装RKNN Toolkit2**: 参考引用[1],通过Miniconda3配置Python环境(建议Python 3.8),并安装RKNN Toolkit2以支持模型转换与推理。命令示例: ```bash pip install rknn_toolkit2 ``` #### 2. **模型转换(ONNX转RKNN)** - **导出ONNX模型**: 使用PyTorch或TensorFlow等框架导出模型为ONNX格式(引用[2])。 - **转换为RKNN格式**: 编写RKNN配置文件(`config.yml`),指定输入尺寸、量化方式等参数。示例代码: ```python from rknn.api import RKNN rknn = RKNN() rknn.config(target_platform='rk3568', mean_values=[[127.5]], std_values=[[127.5]]) rknn.load_onnx(model="model.onnx") rknn.build(do_quantization=True, dataset="dataset.txt") rknn.export_rknn("model.rknn") ``` #### 3. **Android项目集成** - **添加RKNN库依赖**: 将编译好的RKNN动态库(`librknnrt.so`)和模型文件(`model.rknn`)放入Android项目的`jniLibs`目录。 - **JNI接口开发**: 通过JNI调用RKNN的C/C++ API实现推理。关键配置参考引用[3]: ```cpp #include <rknn/rknn_runtime.h> rknn_context ctx; int ret = rknn_init(&ctx, model_path, 0, 0, nullptr); ret = rknn_inputs_set(ctx, input_num, input_attrs); ret = rknn_run(ctx, nullptr); ret = rknn_outputs_get(ctx, output_num, output_attrs, nullptr); ``` #### 4. **关键配置参数** - **use_rga与use_mmap**: 根据引用[3],若Android设备不支持硬件加速(如RGA),需将`use_rga`和`use_mmap`设为`false`。 - **数据量化类型**: `data_type`可选`uint8`或`fp32`。若选`uint8`,需手动实现反量化;若选`fp32`,RKNN会自动处理[^3]。 #### 5. **性能优化** - **多线程推理**: 利用Android的`ThreadPoolExecutor`并行处理输入数据。 - **内存优化**: 启用`use_mmap`(若支持)减少内存拷贝开销,或通过零拷贝技术直接操作物理内存。 #### 6. **调试与验证** - **日志输出**: 启用RKNN的调试模式(`RKNN_LOG_LEVEL=DEBUG`)查看详细运行信息。 - **性能分析**: 使用`rknn.query(RKNN_QUERY_PERF_DETAIL)`获取各层耗时,针对性优化模型结构。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值