Redis 当下很流行，也很好用，无论是在业务应用系统，还是在大数据领域都有重要的地位;但 Redis 也很脆弱，用不好，问题多多。

图片来自 Pexels

2012 年以前都是以 Memcached 为主，之后转到 Redis 阵营，经历过单实例模式、主从模式、哨兵模式、代理模式，集群模式，真正公司层面用得好的很少，对于 Redis 掌控都很片面，导致实际项目中问题不少。

Redis 热度排名

Redis 要想用得好，需要整体掌握三个层面：

  • 开发层面

  • 架构层面

  • 运维层面

其中架构与运维至关重要，多数中小型企业仅在开发层面满足常用功能，数据规模稍微大些，业务复杂度高些，就容易出现各种架构与运维问题。

本文主旨是探讨 Redis 监控体系，目前业界当然也有很多成熟的产品，但个人觉得都很常规，只做到一些粗粒度的监控，没有依据业务需求特点因地制宜去细化，从而反向的提供架构开发优化方案。

本文内容将围绕如下几个问题展开讨论：

  • Redis 监控体系有哪些方面?

  • 构建 Redis 监控体系我们做了哪些工作?

  • Redis 监控体系应该细化到什么程度?

  • 为什么使用 ELK 构建监控体系?

需求背景

项目描述

公司业务范围属于车联网行业，有上百万级的真实车主用户，业务项目围绕车主生活服务展开，为了提高系统性能，引入了 Redis 作为缓存中间件。

Redis 集群架构与应用架构示意图

具体描述如下：

  • 部署架构采用 Redis-Cluster 模式。

  • 后台应用系统有几十个，应用实例数超过二百个。

  • 所有应用系统共用一套缓存集群。

  • 集群节点数几十个，加上容灾备用环境，节点数量翻倍。

  • 集群节点内存配置较高。

问题描述

系统刚开始关于 Redis 的一切都很正常，随着应用系统接入越来越多，应用系统子模块接入也越来越多，开始出现一些问题，应用系统有感知，集群服务端也有感知。

如下描述：

  • 集群节点崩溃。

  • 集群节点假死。

  • 某些后端应用访问集群响应特别慢。

其实问题的根源都是架构运维层面的欠缺，对于 Redis 集群服务端的运行监控其实很好做，本身也提供了很多直接的命令方式。

但只能看到服务端的一些常用指标信息，无法深入分析，治标不治本，对于 Redis 的内部运行一无所知。

特别是对于业务应用如何使用 Redis 集群一无所知：

  • Redis 集群使用的热度问题?

  • 哪些应用占用的 Redis 内存资源多?

  • 哪些应用占用 Redis 访问数最高?

  • 哪些应用使用 Redis 类型不合理?

  • 应用系统模块使用 Redis 资源分布怎么样?

  • 应用使用 Redis 集群的热点问题?

监控体系

监控的目的不仅仅是监控 Redis 本身，而是为了更好的使用 Redis。

传统的监控一般比较单一化，没有系统化，但对于 Redis 来说，个人认为至少包括：

  • 服务端

  • 应用端

  • 服务端与应用端联合分析

服务端

服务端首先是操作系统层面，常用的 CPU、内存、网络 IO，磁盘 IO，服务端运行的进程信息等

Redis 运行进程信息，包括服务端运行信息、客户端连接数、内存消耗、持久化信息 、键值数量、主从同步、命令统计、集群信息等;

Redis 运行日志，日志中会记录一些重要的操作进程，如运行持久化时，可以有效帮助分析崩溃假死的程序。

应用端

应用端、获取应用端使用 Redis 的一些行为，具体哪些应用哪些模块最占用 Redis 资源、哪些应用哪些模块最消耗 Redis 资源、哪些应用哪些模块用法有误等。

联合分析

联合分析结合服务端的运行与应用端使用的行为，如：一些造成服务端突然阻塞的原因，可能是应用端设置了一个很大的缓存键值，或者使用的键值列表，数据量超大造成阻塞。

解决方案

为什么会选择 Elastic-Stack 技术栈呢?

多数的第三方只监控一些指标，对于明细日志还是采用 ELK(Elasticsearch、Logstash、Kibana)，也就是说用第三方监控指标之后，还得再搭建一个 ELK 集群看明细日志。

再就是说 Elastic-Stack 技术栈整合的优势，指标也可以、日志文件也可以，从采集开始到存储、到最终报表面板都整合得非常好，门槛很低。

下面详细聊聊我们具体怎么做的，做了哪些工作?

服务端系统

Elastic-Stack 家族有 MetricBeat 产品，支持系统层面的信息收集，简单的配置下 Elastic 集群地址和系统指标模块即可上线，并且会在 Kibana 中创建已有的系统监控面板，非常简单快速，一般运维就可以搞定。

MetrciBeat 示意图

系统指标信息收集配置样例如下：

服务端集群

收集 Redis 集群运行信息，业界通常做法都是采用 Redis 提供的 info 命令，定期收集。

info 获取的信息包括如下：

  • server：Redis 服务器的一般信息

  • clients：客户端的连接部分

  • memory：内存消耗相关信息

  • persistence：RDB 和 AOF 相关信息

  • stats：一般统计

  • replication：主/从复制信息

  • cpu：统计 CPU 的消耗 command

  • stats：Redis 命令

  • 统计 cluster：Redis 集群信息

  • keyspace：数据库的相关统计

Elastic-Stack 家族的 MetricBeat 产品也支持 Redis 模块，也是采用 info 命令获取的。

但是有一些实现的局限性，如下描述：

  • Redis 集群的主从关系信息，MetricBeats 表达不出来。

  • Redis 集群的一些统计信息，永远是累计增加的，如命令数，如果要获取命令数的波峰值，则无法得到;

  • Redis 集群状态信息变化，MetricBeats 是无法动态的，如集群新增节点、下线节点等。

所以这里参考了 CacheCloud 产品(搜狐团队开源)，我们自定义设计开发了 Agent，定时从 Redis 集群采集信息，并在内部做一些统计数值的简单计算，转换成 Json，写入到本地文件，通过 Logstash 采集发送到 Elasticsearch。

Redis 服务端运行信息采集架构示意图

服务端日志

Redis 服务端运行日志采集很简单，直接通过 Elastic-Stack 家族的 Filebeat 产品，其中有 Redis 模块，配置一下 Elastic 服务端，日志文件地址即可。

服务端日志采集过程

Redis 运行日志采集配置：

应用端

应用端信息采集是整个 Redis 监控体系最重要的部分，也是实现最麻烦、链路最长的。

首先是修改 Jedis(技术栈 Java)源码，增加埋点代码，重新编译并引用到应用项目中，应用端对于 Redis 集群的任何命令操作，都会被捕捉，并记录下关键信息，之后写入到本地文件。

Redis 应用端行为采集架构图

应用端采集的数据格式如下：

应用端采集的数据案例

①Jedis 修改

Jedis 改造记录的信息如下：

  • r_host：访问 Redis 集群的服务器地址与端口，其中某一台 ip:port。

  • r_cmd：执行命令类型、如 get、set、hget、hset 等各种。

  • r_start：执行命令开始时间。

  • r_cost：时间消耗。

  • r_size：获取键值大小或者设置键值大小。

  • r_key：获取键值名称。

  • r_keys：键值的二级拆分，数组的长度不限制。这里有必要强调一下，所有应用系统共用的是一套集群，所以应用系统的键值都是有规范的，按照特殊符号分割，如："应用名称_系统模块_动态变量_xxx“，主要便于我们区分。

在 Jedis 改造有几处地方，如下：

  • 类 Connection.java 文件，统计开始，记录命令执行开始时间;统计结束，记录命令结束时间、时间消耗等，并写入到日志流中。

  • 类 JedisClusterCommand 文件，获取键的地方 key，方便之后分析应用键的行为。

在类 Connection.java 文件中有两处：

类Connection.java 文件埋点代码的地方

类 Connection.java 文件埋点代码的地方

类 JedisClusterCommand 文件埋点代码 .java 文件中有 1 处：

类 JedisClusterCommand 文件埋点代码

②Logback 修改

应用端都会使用 Logback 写入日志文件，同时为了更加精准，应用端写入日志时还需要获取应用端的一些信息，如下：

  • app_ip：应用端部署在服务器上的 IP 地址。

  • app_host：应用端部署在服务器上的服务器名称。

自定义一个 Layout，自动获取应用端的 IP 地址与服务器名称：

自定义 Logback 的 Layout

③App 配置

App 配置属于最后收尾工作，主要是输出埋点的日志数据，配置日志 logback.xml 文件即可：

配置应用端日志文件 logback.xml

④日志采集

应用端日志采集采用 Logstash，配置日志目录，指向 Elastic 集群，这样整体的监控日志采集部分就结束了。

日志分析

Redis 服务端的日志分析比较简单，常规的一些指标而已，创建好关键的图表，容易看出问题。重点讨论应用端的日志分析。

应用端使用 Redis 一些行为图表

ELK 监控体系上线之后，我们连续观察分析两周，获得了一些监控成果，如：

  • 应用端部分键值太大，居然超过 1MB，这种键值访问一次消耗时间很大，会严重造成阻塞。

  • 部分应用居然使用 Redis 当成数据库使用。

  • 有将 List 类型当成消息队列使用，一次存取几十万的数据。

  • 某些应用对于集群的操作频次特别高，几乎占用了一半以上。

  • 还有很多，就不一一描述了。

后续方案

监控体系相当于架构师的眼睛，有了这个，Redis 方面的优化改造方案就很好制定了：

应用端、误用的使用全部要改掉。

服务端，按照应用的数据，进行一些拆分，拆分出一些专用的集群，特定为一些应用使用或者场景。

开发者，后续有新业务模块需要接入 Redis 需要告知架构师们评审。

结语

监控体系项目前后经历过几个月，服务端部分短期内就完成的，应用端是随着应用发布逐步完成的。上线完成之后又经历几周的跟踪分析，才确定下来整体的优化方案。

监控体系本身并不是为了监控，而是发现问题、预见问题，最终提前解决问题，监控做得好，下班下得早。

Redis 集群是个好东西，完全掌握还是需要很长的时间，特别是架构、运维层面，如果没有，请做好监控。

作者：李猛

简介：数据技术专家，Elastic-Stack 产品深度用户，ES 认证工程师，对 Elastic-Stack 开发、架构、运维有深入体验;实践过多种 ES 项目，最暴力的大数据分析应用，最复杂的业务系统应用。

编辑：陶家龙

出处：转载自微信公众号 DBAplus 社群(ID：dbaplus)，本文根据李猛老师在〖deeplus 直播第 220 期〗线上分享演讲内容整理而成。