
Hello,我是小兔大白糖。 缓存节点在监控里还是绿的,业务却已经开始喊慢——命中率「看起来很好」、内存「好像还有余量」,一查却是巨 key、慢命令,或者 latency 测在了一条 port-forward 隧道上。写成这篇,给日常要打开 Redis / Valkey(含托管版)做健康抽样的初中级后端:带走一份可复述的体检顺序和误判表,不是某环境的 INFO 粘贴墙。
说明:下文数字与阈值均为教学示意;具体字段名以你用的发行版(Redis OSS / Valkey)与云厂商当前文档为准。本文管「先打开实例看什么」;什么时候喊人、怎么设告警,见 监控与告警策略。写路径与两级缓存见文末系列导航。
估计阅读时间:10 分钟
为什么现在要关心
硬规则:节点「活着」≠ 对业务健康;没有固定顺序的 INFO 扫一眼,很容易把假象当结论。
常见现场:
| 你看到的现象 | 若不按顺序读,容易得出 |
|---|---|
| 命中率突然变高 | 「优化成功了」 |
evicted=0 | 「内存很宽裕」 |
隧道里 PING 要几十毫秒 | 「Redis 本身很慢」 |
| 索引类 key 占比下降 | 「索引变小了」 |
这类误判往往发生在节点刚替换、TTL 策略与业务假设不一致、或测量路径不对的时候——不是 Redis「玄学」,是读数方式错了。
心智模型:把实例当仓库盘点
先建立一条主比喻:进出货 → 货架与清货规则 → 大件占库 → 慢动作录像 → 量尺是否贴错位置。
| 盘点环节 | 对应看什么 | 一句话 |
|---|---|---|
| 进出货 | 命中 / 未命中、ops | 流量与「读缓存是否划算」 |
| 货架容量与清货 | maxmemory、淘汰策略、TTL 覆盖 | 贴顶时会不会拒写 / OOM |
| 大件 | big key、MEMORY USAGE 采样 | 谁在吃内存 |
| 慢动作录像 | SLOWLOG | 哪类命令在拖尾 |
| 量尺 | 延迟测在哪条网络路径上 | 数字是不是「实例 RTT」 |
类比局限:这套比喻管单实例或你正在连的那一个 endpoint 上「先看什么」;解释不了集群分片拓扑、主从切换、跨 AZ 网络策略的全部——那些要另开一篇集群运维视角。
精确定义:运维「体检」管什么边界
体检 = 在改配置、扩缩容、甩锅给「缓存慢」之前,用固定顺序核对可公开核对的指标与命令输出;不是替代压测,也不是替代告警。
和相邻话题的分工:
| 话题 | 本文 | 系列其他文 |
|---|---|---|
| 写热点、异步落库 | 不展开写路径 | Write-Behind 与热 counter |
| 进程内 L1 + Redis L2 | 不展开命中链 | Ristretto 与 Redis 两级缓存 |
| 何时升级、谁 on-call | 不展开告警合同 | 监控与告警策略 |
| 打开实例先看什么 | 本篇 | — |
体检要回答的是:现在这台(或这个连接点)内存、流量、淘汰、慢命令、测量路径是否自洽——而不是「我们业务 QPS 多少」那种产品指标。
体检顺序(硬规则)
按下面 1→8 走一遍;跳过顺序通常就会踩误判表里的坑。
1. 命中率必须带时间窗
结论:hit rate = hits / (hits + misses) 是自计数器以来的比值,不是「永远不变的 KPI」。
- 节点替换、故障切换、
INFO计数器重置后,不能和上一段 lifetime 直接比「升高了就是优化」。 - 窗口变短(刚重启)时,命中率波动会放大——先确认观测时段,再谈好坏。
2. 先看 used / maxmemory / peak
结论:贴不贴顶,比「命中率好不好看」更先决定会不会拒写或 OOM。
used_memory相对maxmemory的 headroom 够不够下一次流量尖峰?used_memory_peak帮助判断「峰值是否曾顶穿策略」——别只看瞬时值。
3. 淘汰策略必须对照 TTL 覆盖率
结论:volatile-* 只淘汰带过期时间的 key;绝大多数 key 无 TTL 时,策略往往等于「几乎不淘汰」。
- 业务若把 Redis 当纯缓存,但 key 长期无 expire,贴顶时常见结果是 OOM 或拒写(取决于
maxmemory-policy与版本行为),而不是「自动清掉旧数据」。 - 写路径若大量 Write-Behind,更要确认:内存里驻留的是不是「本该短 TTL 的衍生状态」。
4. keyspace:keys、expires、avg_ttl
结论:expires 远小于 keys 说明持久型或长期 key 占主导——别假装整个库都是可丢的缓存层。
- 若 两级缓存 的 L2 里混进了「几乎不过期」的大结构,L1 再漂亮也可能被 L2 拖死。
5. big key 与采样 MEMORY USAGE
结论:找出支配内存的结构;采样排名 ≠ 全库精确排名。
- 高峰慎用全库
--bigkeys类扫描——可能本身造成慢查询;更稳的是 SCAN + 抽样MEMORY USAGE(代价:可能漏掉未扫到的巨型 key)。 - 巨 key 往往和 单 key 热写、大 Hash/List 同屏出现,要和下面 SLOWLOG 对照。
6. SLOWLOG:命令族是否漂移
结论:看「哪一族命令」在变慢,而不只是「有一条慢日志」。
- 常见漂移:
SCAN/KEYS族、GEO、HSET大 batch、Lua 脚本——duration 量级比「谁最大」更能说明是不是用法变了(发版、新功能、错误 retry)。
7. 延迟测量必须标注路径
结论:port-forward、TLS 隧道、跨地域笔记本上的 redis-cli,测到的数字 ≠ Pod / 同 AZ 内 RTT。
- 要先证明「慢在实例」还是「慢在路径」,再换实例规格或调 告警阈值。
- 和 SLOWLOG 对不上时,优先怀疑测量路径,而不是先加 shard。
8. 碎片率 mem_fragmentation_ratio
结论:常见健康带大约在 1.x;异常偏高再查 allocator、大 key 频繁增删带来的 churn。
- 碎片高有时是「还能跑但内存账不对」——别和
used_memory贴顶混为一谈;Remediation 往往涉及重启窗口或架构调整,没有「调一个万能 ratio 就好」的捷径。
业界常见误判
| 现象 | 常见误读 | 更稳读法 |
|---|---|---|
| hit rate 突然升高 | 优化成功 | 是否刚重启、计数器重置、观测窗口变短 |
evicted=0 | 内存很健康 | 是否 volatile-* + 绝大多数 key 无 TTL → 根本没发生淘汰 |
| 某类索引 key 占比下降 | 索引变小了 | 可能是别的 keyspace 涨满新扩的容量 |
| 隧道 / 本机 latency 高 | Redis 慢 | 先在同 AZ、集群内、与应用同网络平面复测 |
| SLOWLOG 空 | 没有慢查询 | 阈值是否过高;是否高峰未采样到;是否慢在客户端而非服务端 |
| 碎片率略高 | 立刻重启 | 是否伴随贴顶与 churn;重启有窗口与副本影响 |
示意:打开实例后看什么
下面是一组公开可核对的入口命令;发行版差异以官方文档为准。全文不展开脚本,避免把体检变成复制粘贴 runbook。
INFO stats # 命中、ops、淘汰等
INFO memory # used / maxmemory / policy / fragmentation
INFO keyspace # keys、expires、avg_ttl
SLOWLOG GET 10 # 最近慢命令样本
# 可选:SCAN + MEMORY USAGE 抽样;全库 --bigkeys 慎用于高峰读数顺序仍以前文 1→8 为准;命令只是取数手段。
选型与小结:可复述的 5 条
- 体检是固定顺序,不是 INFO 全文刷屏——命中率带窗、内存贴顶、TTL 与淘汰策略绑在一起读。
volatile-*+ 无 TTL 海量 key ≈ 淘汰机制形同虚设;贴顶时的代价是 OOM / 拒写,不是「自动变轻」。- 巨 key 与 SLOWLOG 要成对看——内存支配者和慢命令族往往同一轮发版里出现。
- latency 先标注测量路径——隧道数字不能直接进 告警策略 当 SLO。
- 写路径与多级缓存另文展开——体检只保证「这一层仓库」账对;Write-Behind 与 Ristretto + Redis 两级 决定「货怎么进出库」。