
做后端开发这些年Redis 基本是每个项目绕不开的基础设施。缓存扛流量、分布式锁保并发、计数器顶住瞬间峰值靠着单线程模型依然能跑出惊人的吞吐量。但恰恰因为它太常用围绕 Redis 的常见问题也特别典型缓存穿透、击穿、雪崩这几个“面试必考”在真实线上同样让人头疼再加上大 Key、热 Key、慢查询、内存打满、主从延迟随便一个都能在深夜把值班的人叫起来。这篇就把我这些年踩过的坑、排查过的问题和沉淀下来的解决思路按我自己处理线上故障的顺序整理出来。内容适合刚入门想系统了解 Redis 常见问题的同学也适合写了好几年业务、想回头补一补底层原理的同行希望能帮你少走些弯路。1. 缓存穿透、缓存击穿、缓存雪崩三个绕不开的经典故障1.1 缓存穿透不存在的 key 把数据库打穿先说穿透。它的本质特别简单查询一个根本不存在的数据。缓存里没有数据库里也没有于是每次请求都得实打实打到数据库上。如果只是零星几个请求还好怕的是有人恶意构造大量不存在的 ID或者某个接口被脚本高频刷数据库瞬间就扛不住了。我接手过一个订单查询服务就出过这个问题。前端页面把历史订单号暴露在 URL 里有人写脚本遍历订单号绝大部分订单号不存在结果缓存永远命中不了数据库连接数直接打满整个服务雪崩。后来排查的时候看监控Redis QPS 不高但数据库 QPS 飙升典型的穿透特征。解决思路从简单到复杂有这几种缓存空值查询结果为空时也往 Redis 里写一个空值或特殊标记并设置一个较短的过期时间比如 60 秒。这样同一个不存在的 key 在短时间内不会反复打到数据库。注意过期时间别设太长否则业务上如果新增了对应 ID 的数据用户会看到一段时间的“查不到”影响体验。布隆过滤器把所有可能存在的数据 ID 提前加入布隆过滤器。请求进来先查过滤器如果过滤器判断 ID 不存在直接返回根本不用走到缓存和数据库。布隆过滤器的原理是用一个很长的位数组和多个哈希函数做映射判断“不存在”是准确的判断“存在”可能误判但用在拦截非法 ID 这个场景非常合适。// 伪代码布隆过滤器判断 缓存空值兜底 if (!bloomFilter.contains(orderId)) { return null; // 直接拦截 } Object value redis.get(orderId); if (value null) { value database.query(orderId); if (value null) { redis.set(orderId, EMPTY, 60); // 缓存空值 } else { redis.set(orderId, value, 300); } }参数校验和限流比如订单号必须是数字且长度固定ID 范围校验、来源 IP 限流这些能做多少做多少。穿透问题很多时候不是 Redis 本身的毛病而是入口层没把关。注意布隆过滤器不适合删除操作频繁的场景因为它在代码里维护Redis 重启后过滤器本身要重建得用持久化方案或启动时加载。小团队图省事可以先上“缓存空值”成本最低效果立竿见影。1.2 缓存击穿热点 key 秒级失效引发的连锁反应击穿和穿透只有一字之差但场景完全不同。击穿指的是某个热点 key 恰好过期在它过期的瞬间大量请求同时涌入数据库。最常见的例子就是首页推荐位、爆款商品的详情页平时缓存扛住 99% 流量但缓存 key 过期的下一秒所有流量全部抢到 DB 上。解决击穿的常规套路有三个互斥锁更新缓存发现缓存失效后不是直接查库而是先尝试获取分布式锁只有拿到锁的线程去查数据库并回写缓存其他线程短暂等待后重新读取缓存。String value redis.get(key); if (value null) { String lockKey lock: key; if (redis.setIfAbsent(lockKey, 1, 3)) { // 加锁3秒过期 try { value database.query(key); redis.set(key, value, 300); } finally { redis.del(lockKey); // 释放锁 } } else { Thread.sleep(50); return redis.get(key); // 重试 } }这个方案的缺点是有可能短暂阻塞并发太高时大量线程在 sleep接口延迟会增加。锁的过期时间也要小心如果业务查询超过 3 秒锁提前释放会导致多个线程同时查库最好用带续期机制的分布式锁组件或者把锁过期时间设置得长一些配合 finally 释放。我一般把锁过期时间设置为 10 秒正常查询很难超过这个值。逻辑过期设置 key 时不给它真正的 TTL而是把过期时间放进 value 里。读取时发现逻辑过期后台线程异步去刷新缓存当前线程直接返回旧值。这个方案适合“允许短暂读到旧数据”的业务性能最好用户体验最平滑。缺点是代码稍复杂需要额外维护一个异步刷新任务。永不过期 定时刷新热点 key 干脆不设过期时间由后台定时任务主动更新。如果更新失败最多就是读到稍旧的版本不会把压力砸到数据库上。很多大厂的核心商品详情走的就是这个方案把过期时间做成版本号更新失败也能降级。1.3 缓存雪崩大规模失效的系统性风险雪崩是击穿的放大版。大量 key 在同一时间集中过期或者Redis 实例直接宕机导致流量像山崩一样打到数据库。前者经常出现在“整点活动”“每日榜单”这种业务里大家都设置相同的过期时间零点一过全部失效后者考验的是高可用架构。应对方案过期时间加随机值这是最基础也最好用的一招。设置缓存时在基础过期时间上加上一个随机数比如 300 到 600 秒之间的随机值打散过期时间避免集体失效。import random expire 300 random.randint(0, 300) redis.set(key, value, exexpire)多级缓存兜底Redis 之上再放一层本地缓存比如 Caffeine、Guava CacheRedis 挂了或批量失效时本地缓存还能顶住一部分读请求。代价是本地缓存有数据一致性问题适合读多写少、实时性要求不高的场景。依赖隔离与降级数据库层加上连接池保护、读写分离和限流Redis 大面积失效时启动降级开关非核心接口返回兜底数据或直接快速失败保住核心链路。这个要靠团队预案不能等出事了再想。高可用部署搭建哨兵集群或 Cluster 集群避免单点宕机。雪崩这个坑一半靠 key 设计一半靠运维架构不能偏科。故障类型触发原因核心影响最推荐解法缓存穿透查不存在的数据恶意或异常流量直达 DB缓存空值 布隆过滤器缓存击穿单个热点 key 过期瞬时高并发打到 DB互斥锁 / 逻辑过期缓存雪崩大量 key 集中失效或宕机DB 压力爆表服务雪崩过期时间随机化 集群2. 大 Key 与热 Key藏得深、危害大的性能杀手2.1 大 Key 和热 Key 为什么危险大 Key指单个 key 存储的 value 体积过大比如一个字符串存了几 MB 的内容或者一个 Hash、Set、List 里有几万甚至几十万个元素。热 Key指某个 key 在短时间内被高频访问比如秒杀商品、爆款新闻。它们原本是两个维度的问题但在线上经常同时出现一个又大又热的 key 造成的破坏力最强。大 Key 的危害在于 Redis 是单线程处理命令操作一个大 Key 会让整个实例阻塞很久。比如删除一个包含几百万成员的 SetDEL 命令可能耗时几秒期间其他所有请求全部排队整个 Redis 就像卡死一样。热 Key 的危害则更偏向流量不均单机网卡先被打满接着 CPU 飙升其他 key 也跟着遭殃。2.2 怎么快速发现它们发现手段有三个层次redis-cli --bigkeys最常用的扫描命令会遍历整个 Redis 找出体积最大的 key。它统计的是每种数据类型里最大的几个输出很直观。注意它对线上有轻微影响通常建议在低峰期执行。redis-cli --bigkeysDEBUG OBJECT 与 MEMORY USAGE精确查看某个 key 的对象信息。MEMORY USAGE key能返回 key 占用的字节数比估算靠谱。redis-cli MEMORY USAGE product:detail:1001monitor 命令临时抓取线上短时间开启monitor能看到实时命令流观察哪些 key 被频繁读。这个命令只建议用十几秒长时间开启会消耗大量内存影响性能。更稳妥的方式是在客户端框架里做一个访问计数比如每次 get 后把 key 写入本地统计表定期汇总分析。热 Key 在集群场景下尤其敏感。某个 key 的访问量占了全集群 80% 以上会导致分片负载严重不均其他分片闲着这个分片跑满。之前我处理过一个直播弹幕场景某个直播间在线人数暴涨弹幕 key 变成单点热点那个分片的带宽直接打满整个集群差点崩溃。2.3 拆分与治理的实操套路大 Key 拆分Hash 类的大 key 可以按业务维度分段比如用户 ID 取模拆出多个小 Hash字符串大 value 可以压缩后再存或者拆成多个 chunk配上元数据字段进行组装。核心原则是让单次操作的复杂度降下来。热 Key 加随机后缀对只读的热 key可以在内存复制多个副本每个副本对应一个随机后缀读请求随机访问其中一个副本。比如原来读news:hot改造后读news:hot:0到news:hot:9把流量分散到多个 key 上。这个方案适合数据更新频率低的场景更新时要全量更新所有副本复杂度略增。// 随机读取副本分散热点压力 String key news:hot: ThreadLocalRandom.current().nextInt(0, 10); Object value redis.get(key);本地缓存拦第一层流量热点 key 在应用内存里缓存一份最近访问的数据TTL 设置 1 到 2 秒能吸收掉大量重复请求。这也是最廉价、见效最快的方式。我在弹幕场景里就是先加本地缓存把 Redis 的读 QPS 从几十万降到几万再配合副本分散系统才算稳住。删除大 Key 要用专用命令不要直接用DEL删除大 Key。优先用UNLINK命令它会异步释放内存不会阻塞主线程。Hash/Set/ZSet 还可以分批删除用HSCANHDEL一步步拆掉。3. 慢查询与阻塞定位 Redis 响应变慢的完整思路3.1 慢查询日志配置与解读Redis 把执行时间超过阈值的命令记录在慢查询日志里。阈值由slowlog-log-slower-than控制单位是微秒。默认值 10000 微秒10 毫秒对大多数业务来说太宽松了我习惯改成 2000也就是 2 毫秒。日志条数上限由slowlog-max-len控制建议大于 128线上至少设 256不然日志滚动速度太快还没看就被覆盖了。# 查看当前配置 CONFIG GET slowlog-log-slower-than CONFIG GET slowlog-max-len # 在线修改并持久化到配置文件 CONFIG SET slowlog-log-slower-than 2000 CONFIG SET slowlog-max-len 256 CONFIG REWRITE配置好之后用SLOWLOG GET 10查看最近 10 条慢日志。输出里能看到执行时间、命令参数、执行时间戳。我见过最离谱的是一条SMEMBERS命令执行了 6 秒多就是一个大 key 导致的。3.2 阻塞源头逐个排查慢查询只是表象背后常见三类阻塞源fork 阻塞RDB 持久化和主从全量同步需要 fork 子进程。fork 过程要复制进程页表内存越大耗时越长。如果 Redis 实例内存有 30GBfork 可能耗时几百毫秒期间主线程完全阻塞。这个可以通过INFO stats里的latest_fork_usec查看。几毫秒到几十毫秒正常几百毫秒就是个大问题。AOF 持久化刷盘阻塞AOF 的appendfsync配置成always时每次写操作都要 fsync性能影响非常大。everysec是默认配置兼顾安全和性能但如果在everysec触发 fsync 时磁盘压力大也可能阻塞主线程。需要重点排查磁盘 IO 是不是被其他进程占了。内存淘汰策略引发的阻塞如果 Redis 内存满了且配置了allkeys-lru这类需要淘汰的策略每次写入都可能触发淘汰扫描大量淘汰时耗时不可控。频率一旦上来写入延迟就会明显升高。3.3 线上排查的组合拳当 Redis 响应变慢时我有一套固定的排查顺序先看redis-cli --latency测量客户端到 Redis 的网络延迟。如果延迟在 1 毫秒以下基本正常超过这个值先怀疑网络。再用redis-cli --stat观察实时请求量、内存、客户端连接数变化趋势。接着看INFO commandstats找出耗时 Top10 的命令判断是不是存在慢命令或大 key 操作。最后用SLOWLOG GET拉出慢查询详细记录结合业务上下文定位是哪个接口触发的。每次处理这类问题我都建议保留监控截图和慢日志备份。很多故障是间歇性的不保存现场就很难事后复盘。4. 持久化与主从复制数据安全与高可用不能只靠运气4.1 RDB 与 AOF 怎么选RDB 是内存快照紧凑、恢复快但可能丢失上一次快照之后的数据。AOF 是操作日志默认 everysec 刷盘最多丢 1 秒数据恢复时逐条重放日志。它俩不是二选一的关系线上推荐 AOF RDB 同时开启RDB 负责快速恢复AOF 负责尽量少丢数据Redis 4.0 以后还支持 AOF 重写和混合持久化兼顾两者优点。# 推荐配置 save 900 1 save 300 10 save 60 10000 appendonly yes appendfsync everysec aof-use-rdb-preamble yes4.2 主从延迟与脑裂主从延迟链路上最常见的场景是主库写入压力大从库同步跟不上导致从库读到旧数据。处理办法是适当减少从库数量把核心库从库控制在 2 个以内或者让从库开启replica-read-only承担读流量时业务侧对实时性要求高的查询直接走主库。脑裂问题更隐蔽。主从集群中如果主库发生网络分区哨兵可能选出新的主库但旧主库并没有死还在接受客户端写入等网络恢复后旧主库降级为从库这部分增量数据会直接丢弃。防止脑裂丢数据的核心配置是min-replicas-to-write和min-replicas-max-lag要求主库至少有 N 个从库保持同步并且延迟在可接受范围内否则拒绝写入。min-replicas-to-write 1 min-replicas-max-lag 10这个配置组合的效果是如果只剩主库孤零零一个或者从库同步延迟超过 10 秒主库会拒绝写请求宁可写失败也不能丢数据。特定业务下看起来是“降级”但换来了数据安全。4.3 数据丢失场景复盘有一次处理过一起数据丢失问题业务方只开了 RDB 持久化快照间隔是默认的 5 分钟一次。Redis 进程异常退出时最近 5 分钟的写入全部丢失用户投诉数据回滚。典型教训是任何要求不丢数据的业务都不能只靠 RDB。之后再接类似需求我的底线是不管 RDB 开不开AOF 必须开启everysec核心支付类场景甚至考虑always但要想清楚写性能的损失。主从切换时的数据丢失也是常见坑。主库 A 和从库 B 之间有少量同步延迟A 宕机后 B 晋升主库A 上还没同步过去的数据就丢了。这没法 100% 避免只能通过缩短同步延迟、增加min-replicas-max-lag保护机制来减小窗口期。本质上是在“高可用”和“强一致”之间二选一Redis 主从模式本来就不是强一致方案业务侧要做好心理预期。5. 内存管理容量、碎片与淘汰策略一个都不能少5.1 内存淘汰策略怎么选Redis 内存满了之后再写数据会触发内存淘汰策略。八种策略可以分三类不淘汰noeviction写操作直接报错读照常。适合不能用淘汰来丢数据的场景。有过期时间的淘汰volatile-lru、volatile-lfu、volatile-random、volatile-ttl只在设了 TTL 的 key 里淘汰。全 key 淘汰allkeys-lru、allkeys-lfu、allkeys-random所有 key 一视同仁。一般业务我推荐allkeys-lru让 Redis 自动把长时间不用的 key 淘汰掉访问频率高的自然留存。如果数据有明显的冷热之分LFU 策略理论上更精确但实际运维中因为实现复杂用得少。如果业务存在少量“必须保留的数据”宁可设置成noeviction然后靠监控和告警提前扩容也不要让系统在你不知情的情况下丢数据。maxmemory 4gb maxmemory-policy allkeys-lru我见过最危险的做法是maxmemory设为 0不限制结果一个不受控的上限导致 Redis 内存持续增长最终把整台服务器堆内存吃光系统 OOM。Redis 本身跑得好好的却被宿主机杀死排查起来特别诡异。5.2 内存碎片与内存打满的排查INFO memory里有个指标mem_fragmentation_ratio是内存碎片率。正常情况下在 1 到 1.5 之间波动超过 1.5 说明碎片比较多需要关注。碎片率过高的常见原因是频繁更新大 key旧空间被拆分成不连续的小块。可以尝试重启实例来整理内存但重启期间有数据不可用风险更稳妥的方式是迁移到新实例。内存打满之前要有一套检查清单先看INFO memory确认 used_memory 和 maxmemory 的差距。扫无过期时间的 keyredis-cli --scan --pattern * | xargs -L 100 redis-cli OBJECT REFCOUNT找出那些没有设置 TTL 的大户很多内存漏油就是“永不过期的垃圾 key”积累出来的。查大 key 分布redis-cli --bigkeys确认有没有超大 value。检查客户端有没有连接泄漏连接本身也会占内存。排查完之后通常要做两件事给所有该有过期时间的 key 补上 TTL对确实需要长期保存的数据设计冷热分离方案把冷数据迁移到廉价存储。5.3 防止内存异常增长的日常习惯我习惯在监控面板上同时挂三个指标used_memory、maxmemory、evicted_keys。evicted_keys如果出现持续增长说明内存已经长期在满负荷状态淘汰操作会消耗 CPU并且命中率下降是重要预警信号。另外一个习惯是配置内存使用率告警阈值比如 75% 和 90% 两级到了 90% 就必须启动扩容流程而不是等 100% 才处理。6. 高频问题速查与经验卡片6.1 高频问题速查表问题现象可能原因优先级处理建议缓存命中率突然暴跌大批 key 同时过期、代码改错 key 前缀检查 TTL 设计、确认是否有人改代码Redis 响应偶尔卡顿大 key 操作、fork 阻塞、AOF 刷盘用SLOWLOG GET定位慢命令删除 key 时卡住大 key 直接 DEL改用UNLINK或分批删除主从切换后数据回滚脑裂、同步延迟开启min-replicas-to-write内存碎片率过高频繁更新大 value数据迁移或重启实例大量连接超时客户端连接数超上限INFO clients查 connected_clients某个 key 流量异常高热 Key 单点本地缓存 随机副本6.2 我个人排查 Redis 问题时的习惯最后分享几个我处理线上问题沉淀下来的习惯直接照着用就能省不少事。第一先确认问题范围再动刀。出现 Redis 异常时先看是单机问题还是集群整体问题是网络问题还是命令问题。很多人一上来就查慢日志忽略了最基础的网络延迟和连接数结果白忙半天。第二任何变更都先小流量试验。改缓存策略、改淘汰策略、改持久化配置都要先在测试环境压一遍再在低峰期逐步放量。我见过有人把maxmemory-policy从noeviction改成allkeys-lru之后忘了评估结果大量重要 key 被淘汰业务直接崩了。第三别忽视客户端连接数。Redis 出现“无法写入”的情况很多不是内存满了而是maxclients被占满了。排查时要养成看INFO clients和INFO stats的习惯连接数过高时优先查应用层连接池配置很多框架默认的最大连接数偏大远超 Redis 实例的处理能力。第四把监控告警做在故障之前。Redis 慢查询、大 key、连接数、内存使用率这些指标都提前接好设置合理的阈值。故障发生后排查问题很厉害远不如故障发生前就拦住问题。这套思路在多次故障复盘后反复被验证值得花时间投入。我在实际项目中见过太多因为缓存出问题导致线上事故的场面每次复盘都会发现问题往往并不复杂难的是“更快地定位”和“系统地预防”。希望这篇 Redis 常见问题及解决思路能帮你建立一套自己的排查体系下次再遇到缓存故障不用等告警响了才开始找原因。