本文由 dbaplus 社群授权转载。
序言
图示：Redis 热度排名
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。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 要想用得好，需要整体掌握 3 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，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。
图示：Redis 集群架构与应用架构示意图
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：一是服务端，二是应用端，三是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。
图示：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。
图示：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。
图示：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。
图示：Redis 应用端行为采集架构图
应用端采集的数据格式如下：
图示：应用端采集的数据案例
jedis 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 2 处：
图示：类 Connection.java 文件埋点代码的地方
图示：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：
图示：类 JedisClusterCommand 文件埋点代码
logback 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：
图示：自定义 Logback 的 Layout
app 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：
图示：配置应用端日志文件 logback.xml
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。
图示：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。
Q&A
Q1：请问单台机器一般部署几个 Redis 实例呢？
A： 依据服务器资源设置：
1、CPU 核数，Redis 是单线程工作模型，实际运行并非进程只有一个线程，这个要搞清楚；
2、内存，一个 Redis 进程配置部分内存，需要至少对等的内存闲置，fork 子进程使用， 所以配置多实例要简单计算下；
3、网络，网络 IO 超过网卡限制，会出问题。
Q2：直播中讲到的大 key，hash 要改成什么？分片吗？
A： 1、比如，一个车子的基本信息，包括很多区块部分，用 hash 确实非常好理解，但是过期之后整个 hash 都删除了，其实很多信息是固定的，不用定时过期的；2、拆分成小的 string 更合适。
Q3：在客户端打印 key 和 value，如果是 bigkey 的话，qps 有个 1000，打印日志就占用很高的机器负载了吧？
A： 1、打印的 key，不包括 value 值内容，只有 key 以及 value 的大小；2、logback 这些框架其实支持的性能相当不错的，可以配置成异步的方式，如果还不够，可以直接输出到 Kafka 队列等。
Q4：请问 ES 怎么部署 MongoDB 慢查询报表平台呢？
A： 1、没有深度使用过 MongoDB；2、基于 Elastic-Stack 做慢查询报表平台思路与 Redis 一样的，不管什么指标+日志全部都采集到 ES 完事。
Q5：info all 执行频繁，会经常阻塞服务器，怎么平衡它的性能呢？
A： 1、因为采集的是服务端运行的快照信息，定时采集，可以设定时间间隔大一些，比如 5s；2、执行 info all，是在 java 客户端，可以修改 jedis，在其中捕获 info 命令，采集数据，观察分析一段时间。
Q6：请问应用端 jedis 要怎么埋点呢？
A： 1、原有 jedis 版本基于 2.9，在 2 个类中修改埋点，参考了 CacheCloud 产品。最新版本的程序最近没有关注，思路一样；2、详细见本文中贴出的代码。
Q7：监控的话，个人觉得放在 K8S 里面，不是最优方案，您对这个怎么看？
A： 1、本人未使用过 K8S 部署产品；2、Redis 监控体系，整体服务端，应用端，在 Docker 中也仅服务端可以，将 metrcibeats 这些集成在一起，但也有一些服务端监指标计算，需要自己编写 Agent 来完成，也是可以到 Docker 中去。应用端的就没有办法了，这个属于前端的行为统计。
Q8：请问您的 ES 有多少节点？要用 ssd 盘吗？
A： 1、标准集群，起步 3 个实例节点；2、固态硬盘应用看场景，业务系统用用可以，日志系统一般不需要，即使需要也可以做冷热隔离，少量的数据使用 ssd，历史的数据全部 hdd 足矣。
Q9：如果公司缺乏足够的人力物力，是用 ES、Prometheus 还是 Zabbix 做监控比较适合呢？能分别说一下它们各自最适用的情况吗？
A： 1、ES，Elastic-Stack，首选考虑，ES 擅长的领域很多，应用系统查询加速、大数据领域、监控领域；2、其它两个产品主要是做指标型的监控，但实际项目中，仅仅指标监控是不够的，需要一个整体型的监控体系，便于联合分析。ES 其实很多方面比时序数据库做得更好，腾讯有资深专家做过详细的 ES 与 TSDB 对比的测试，性能与功能都完全超过专门的时序数据库。
作者介绍：
李猛，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。
原文链接：
中国开源发展研究分析 2022
本次报告为开发者，技术管理者，开源社区运营、市场，开源办公室工作人员带来信息上的增量以及对开源趋势、...
评论