Redis Cluster迁移遇到的各种运维坑及解决方案
引子
这个7月注定不平凡，通过7月连续的Redis故障，细心如你，一定会对技术、公司、同事、职业有了更深刻的认识和反思，先回忆下吧……
本文主要涉及到的故障包括：
1.网卡故障
2.这该死的连接数
3.疑似 Cluster 脑裂?
4.Bgsave传统的典型问题
5.主库重启 Flush 掉从库
好的，敬请欣赏。
Redis Cluster 的迁移之路
我们Redis 部署特点如下：
◆集中部署，N台机器专职负责某个产品线。
◆传统 Twemproxy 方式，额外会有自己定制几套 Twemproxy 。
可以看出来，非常传统的方式。开始只有一个Default集群，PHP 所有功能获取Redis句柄都是这个，流量增长后开始按功能划分。
5月中旬，我来到公司，开始推进 Redis Cluster，争取替换掉 Twemproxy，制定了如下方案：
- Redis Cluster => Smart Proxy => PHP
集群模式能够做到自动扩容，可以把机器当成资源池使用
在 PHP 前面部署基于 Cluster 的 Smart Proxy，这是非常必要的，后文会说到。由于公司有自定义 Redis 和 Twemproxy 版本，所以为了做到无缝迁移，必须使用实时同步工具。
好在有@goroutine Redis-Port，非常感谢原 Codis 作者刘奇大大。
基于Redis-Port，修改代码可以把 Redis 玩出各种花样，如同七巧板一样，只有你想不到的没有他做不到的，可以不夸张的说是 Redis 界的瑞士军刀：
◆实时同步两套集群
◆跨机房同步
◆同步部分指定Key
◆删除指定Key
◆统计Redis内存分布
◆……
迁移方案如下：
1.Redis Master => Redis-Port => Smart Proxy => Redis Cluster
也即，Redis-Port 从原Redis Master 读取数据，再通过Smart Proxy 写入到 Redis Cluster。
2.修改 PHP Config， Gitlab 发布上线，使用新集群配置。
3.停掉老 Twemproxy 集群，完成迁移。
这种迁移方案下，原Redis 无需停业务。
注意：
此方案中的Smart Proxy 是我们自己写的，事实证明很有必要，其作为Redis Cluster 的前端，用来屏蔽Redis Cluster 的复杂性。
方案看似简单，实际使用要慎重。大家都知道 Redis Rdb Bgsave 会使线上卡顿，所以需要在低峰期做，并且轮流 Redis Master 同步，千万不能同时用 Redis Port 做 Sync。
在实施过程中，遇到多种问题，现在简要阐述如下：
问题1：还是网卡故障
想起《东京爱情故事》主题曲，突如其来的爱情，不知该从何说起。
故障的图找不到了，截图一张正常网卡流量图 -_^
千兆网卡在某个周五23:00业务高峰期被打满，导致线上请求失败—如坐针毡的波峰图。
如前文所说，公司集中部署 Redis，此业务是线上 Cache 个人详情页登陆相关的，一共4台机器，每台20实例，无法做到立刻扩容，紧急之下 RD 同学降级，抛掉前端30%的请求。只是恢复后，高峰期已过。
Leader要求周六所有人加班去迁移，But，2点多大家睡了，嗯，就这样睡了ZZZZ~~ 故障暂时解决，但故事依然继续……
周六上午10点，市场运营推送消息，导致人为打造了小高峰，又是如坐针毡的波峰图，服务立马报警，紧急之下立马再次抛掉30%请求。
然后，紧急搭建两套不同功能的 Redis Cluster 集群，采用冷启动的方式，一点点将 Cache 流量打到新集群中，Mysql 几台从库 QPS 一度冲到8K。
针对网卡最后引出两个解决方案：
1.所有Redis 机器做双网卡 Bonding，变成2000Mbps。
2.所有 Redis 产品线散开，混合部署打散。
3.增加网卡流量监控，到达60%报警。
反思：
为什么要睡觉?而不是连夜迁移?做为运维人员，危险意识不够足。
另外：还有一起网卡故障，是应用层 Bug，频繁请求大 Json Key 打满网卡。当时QPS稳定保持在20W左右，千兆网卡被打满。临时解决方案直接干掉这个Key，过后再由 RD 排查。
深度剖析：
◆监控报警不到位，对于创业公司比较常见，发生一起解决一起。
◆针对这类问题，有两个想法：QPS 报警，比如阀值定在2W。还有一个在Proxy上做文章，对 Key 的访问做限速或增加 Key 的屏蔽功能。
◆QPS报警后运维人员排查，可能已经产生影响了，在Proxy层做对性能会有影响。
问题2：你这该死的连接数
某天8点40左右，还在地铁的我接到电话，Redis 连接报错，貌似几个实例的连接数被打满。这个故障持续时间较长，PHP Redis 扩展直连 Redis Cluster，连接持续增长，直到打满完全连不上。
后来经过排查，确认是扩展 Bug，导致老连接不释放。同时，其他原因也很多：
1.公司使用 Redhat7，所有的应用都是由 systemd 管理，启动没有指定Limit NOFILE，导致 Redis maxclients 限制死在4000左右。
2.PHP Redis 扩展 Bug，连接不释放，线下稳定复现。
这几次连续故障很严重，Leader 直接决定全部回退到老的 Twemproxy 版本，最后回退了两个最重要的产品线。
反思：
1.架构改动没有经过充分测试，线下稳定复现的Bug没有仔细测试直接上线。
2.运维意识不足，对 systemd 了解不够深入，没有对所有配置做严格检查。
3.做为”世界上最好的语言”，偶尔还是有些问题，最好在 Redis 和 PHP 间隔层 Proxy，将后端 Redis 保护在安全的位置。
问题3：疑似 Cluster 脑裂?
脑裂在所谓的分布式系统中很常见，大家也不陌生，做为DBA最怕的就是Mysql keepalived 脑裂，造成主库双写。难道 Redis Cluster中也会有脑裂么?
凌晨5点接到电话，发现应用看到数据不一致，偶尔是无数据，偶尔有数据，很像读到了脏数据。
Mysql 在多个从库上做读负载均衡很常见，Redis Cluster也会么?
登上Redis，Cluster Nodes，Cluster Config，确实发现不同 Redis 实例配置了不同的Cluster Nodes。想起了昨天有对该集群迁移，下掉了几个实例，但是在 PHP 配置端没有推送配置，导致 PHP 可能读到了旧实例数据，马上重新推送一遍配置，问题解决。
反思：
1.有任务配置的变更，一定考虑好所有环境的连动。这也是当前配置无自动发现的弊端。
2.屏蔽细节，在Redis Cluster上层做 Proxy 的重要性再一次得到验证。
3.运维意识不足，严重的人为故障。
问题4：Bgsave传统的典型问题
问题很典型了，非常严重的故障导致Redis OOM(Out of Memory)。
解决方案：
单台机器不同端口轮流 Bgsave，内存不足时先释放 Cache，释放失败拒绝再 Bgsave 并报警。
问题5：主库重启 Flush 掉从库
考虑不周，备份时，只在 Slave 上 Bgsave。主库由于某些原因重启，立马被 systemd 拉起，时间远短于 Cluster 选举时间。
后面就是普通 Redis Master/Slave 之间的故事了，Master 加载空 dump.rdb，replicate 到 Slave，刷掉 Slave数据。
解决方案:
1.备份的同时，将 dump.rdb rsync 到主库 datadir 目录下面一份。
2.根据 Redis 用途，做存储使用的 Redis systemd 去掉 Auto Restart 配置。
其它典型故障/问题
1.应用设计问题，部分 hset 过大，一度超过48W条记录，Redis频繁卡顿感。
2.使用 Redis 做计数器，占用过大内存空间。这个 Redis 官网有解决方案，利用 hash/list 的线性存储，很有效。但是由于 mget 无法改造，我们没采用。
3.混布，导致部份产品线消耗资源过高，影响其它所有实例。
4.机房IDC故障，单个机柜不通，里面所有混布的产品线无法提供请求，数据请求失败。
5.应用端分不清 Cache/Storage，经常可以做成 Cache 的 Key，不加ttl导致无效内存占用。
写在最后
虽然写在最后，但远没有结束，征程才刚刚开始。
每次故障都是一次反思，但我们拒绝活在过去，生活还要继续。
公司重度依赖Redis，除了图片其它所有数据都在Redis中。在稳定为主的前提下，还在向Redis Cluster迁移，其中有几个问题还待解决：
1.Redis 实例级别高可用，机柜级别高可用。
2.混布的资源隔离，看了 hunantv CMGS 的分享，Docker是一个方案。
3.隔离上层语言与 Redis，提供稳定的 Smart Proxy接口。
4.Redis 集群 build 和交付，缺少配置集中管理。
5.很多集群 QPS 并不高，内存浪费严重，急需持久化 Redis 协议存储，基于 ardb/ledisdb 的 sharding 是个方案，自己开发需要同事的信任，这点很重要。
最终公司线上存在两个版本，Twemproxy 开启 auto_reject_host 做 Cache 集群，Redis Cluster + Smart Proxy做存储。
