这是《Redis 零基础实战指南》的独立章节版。本章从概念、实操和生产排查三个视角展开，代码块保留了原书可直接运行的版本。 本章按症状组织：连接失败、延迟飙升、内存告警、数据丢失、主从异常、Cluster 报错、缓存雪崩，给出排查路径和处置动作。
22.1 排查总原则
1. 先定影响面：单实例？单业务？全局？
2. 看时间线：变更、发布、活动、网络、磁盘；
3. 分层确认：客户端 -> 网络 -> Redis -> 系统 -> 架构；
4. 保留现场：INFO、SLOWLOG、CLIENT LIST、日志、指标；
5. 先恢复再根因：限流、降级、扩容、切流量。
万能命令：
PING
INFO all
SLOWLOG GET 20
CLIENT LIST
MEMORY DOCTOR
LATENCY DOCTOR
CONFIG GET *
22.2 连接失败
排查
telnet host 6379
redis-cli -h host -p 6379 ping
redis-cli -h host -p 26379 SENTINEL get-master-addr-by-name mymaster
确认：
- Redis 进程是否存活；
- bind/防火墙/安全组；
- 密码或 ACL；
- 客户端连接地址是否旧 Master；
maxclients是否达到上限；- 连接池是否耗尽。
关键指标
rejected_connections
connected_clients
maxclients
处置
临时：清理空闲连接、提高 maxclients、扩客户端池
长期：排查连接泄漏、规范化连接生命周期
22.3 延迟飙升
排查顺序
1. SLOWLOG 是否有慢命令
2. 是否大 key / HGETALL / SMEMBERS / KEYS
3. Lua 是否执行过长
4. QPS 与 CPU 是否突增
5. 网络 RTT 与重传
6. RDB fork / AOF fsync
7. 客户端 GC/池等待/序列化
快速定位
SLOWLOG GET 20
LATENCY DOCTOR
INFO stats
INFO persistence
CLIENT LIST
系统：
top -H -p $(pidof redis-server)
iostat -x 1
sar -n DEV 1
应急
停止危险命令来源
限流业务
切读流量到从节点
隔离热点业务
必要时重启前先保留现场与评估数据
22.4 内存告警
INFO memory
MEMORY STATS
MEMORY DOCTOR
确认：
used_memory 是否接近 maxmemory
evicted_keys 是否增长
是否存在 OOM command not allowed
碎片率是否异常
是否 BGSAVE/COW 导致 RSS 上涨
处理：
| 原因 | 动作 |
|---|---|
| 缓存自然增长 | 扩容或调 TTL |
| 大 key | 拆分/UNLINK |
| 僵尸 key | 生命周期清理 |
| 集中过期/淘汰 | 随机 TTL |
| 复制/客户端缓冲 | 治理慢消费者 |
| COW | 控制实例大小、加内存 |
22.5 数据丢失
可能原因
1. 未开启持久化且进程重启
2. 使用缓存淘汰策略，key 被驱逐
3. TTL 到期
4. 主从切换丢失异步复制数据
5. 误执行 FLUSHALL/DEL
6. 应用 bug 写错实例/DB
7. RDB/AOF 损坏或未恢复成功
确认
CONFIG GET appendonly
CONFIG GET save
CONFIG GET maxmemory-policy
INFO keyspace
INFO stats
MONITOR（短期小流量实例慎用）
检查客户端写入日志和业务请求 ID，不要只看 Redis。
恢复
有备份：新实例恢复 RDB/AOF -> 校验 -> 切流
无备份：从数据库/上游事件重建
业务必须幂等，避免重放造成重复副作用
22.6 主从复制异常
INFO replication
主节点：
connected_slaves 减少
slave offset 停滞
从节点：
master_link_status:down
master_sync_in_progress:1
master_repl_offset 停滞
常见原因：
- 网络抖动；
- backlog 太小导致全量同步；
- 从节点性能不足；
- 主节点输出缓冲超限断开；
- auth 配置错误；
- 大实例全量同步占满磁盘/网络。
处理：
修网络；
增大 repl-backlog-size；
错峰同步；
限制同时同步的 replica 数；
必要时重建从节点。
22.7 Sentinel 故障切换异常
排查：
SENTINEL masters
SENTINEL ckquorum mymaster
SENTINEL replicas mymaster
日志关注：
sdown master
odown master
+failover-state-begin
+switch-master
-failover-abort
常见问题：
| 问题 | 原因 |
|---|---|
| 不切主 | quorum/majority 不满足 |
| 反复切主 | 网络分区、超时配置过小 |
| 切主后丢数据 | 异步复制落后 |
| 客户端仍连旧主 | 未接入 Sentinel 事件 |
| 新 Master 不可写 | 只读配置/认证异常 |
22.8 Cluster 报错
CROSSSLOT
原因：多 key 操作的 key 不在同一槽。
处理：hash tag 或拆分请求。
MOVED 频繁
原因：槽归属变化、客户端拓扑未刷新。
处理：使用智能客户端，开启拓扑刷新。
CLUSTERDOWN
原因：槽未全覆盖、多数节点不可用、cluster-require-full-coverage=yes。
处理：
redis-cli --cluster check node:6379
redis-cli --cluster fix node:6379
迁移卡住
检查：
CLUSTER NODES
CLUSTER SLOTS
CLUSTER GETKEYSINSLOT slot count
处理：
确认源/目标节点存活
检查大 key
分批迁移
必要时 --cluster fix
22.9 缓存雪崩、击穿、穿透
详细设计见第 25 章。排查要点：
| 症状 | 常见原因 |
|---|---|
| DB QPS 突增，Redis miss 突增 | 大量 key 同时过期或 Redis 故障 |
| 单热点 key miss 导致 DB 压力 | 热点 key 失效 |
| 不存在 key 大量请求 | 攻击/爬虫/非法 ID |
应急：
接口限流
空值缓存
热点 key 逻辑过期
本地缓存兜底
DB 读写分离/扩容
22.10 事故复盘模板
影响：
开始/结束时间、请求量、失败量、业务影响
时间线：
告警时间、响应时间、动作时间、恢复时间
根因：
技术根因 + 流程根因
证据：
指标截图、SLOWLOG、配置快照、变更记录
修复：
立即修复 + 中期治理 + 长期防线
行动项：
负责人 + 截止时间 + 验收标准
本章小结
- 排查先定影响面和时间线，再分层确认；
- 延迟问题优先看慢命令、大 key、QPS、系统资源；
- 内存问题区分数据增长、淘汰、碎片、COW；
- 数据丢失要同时检查持久化、淘汰、TTL、误操作和复制；
- Cluster 报错先看槽状态与客户端重定向；
- 事故后必须把修复固化为监控、扫描和流程防线。
思考题
- Redis
PING正常但业务大量超时，下一步查什么？ - 数据“丢失”但 Redis 未重启，有哪些可能性？
- 如何区分 Redis 慢、网络慢、客户端慢？