VKRedis学习笔记

一、VKRedis都做了什么

1、全公司redis集群的监控和管理：

• 客户端监控：客户端投递埋点信息到普罗米修斯
• 服务端监控：通过抓取服务端核心指标，实时监控redis服务器运行情况
• 告警：客户端和服务端的监控，会通过vkalert告警
• 重点监控指标有：
  客户端慢查，大key，热key，异常信息上报
  服务端 info slowlog clusterInfo等信息抓取

2、对redis平台进行数据化运营：

• 在管理后台上可动态修改配置

3、封装redis客户端Jedis，增加灾备方案：机房故障时，可双机房自动切换。

• 基于jedis 2.9.3修改而来，100%兼容原版jedis，并提供spring-data-redis以及spring boot starter支持

4、redis多租户平台：把集群能合并的合并，目的是降成本。

二、VKRedis的系统架构

1、管理后台console的作用

• mysql 管理后台展示相关数据 （配置）
• es 数据大盘的展示
• ldap 登录服务
• eureka 新建应用时使用
• paladin 为应用添加人员时，同步告警人使用
• vkcat 链路追踪，故障定位，评估影响范围（vkcat挂掉对来务无影响）

2、API Server的作用

管理配置下发 & 监控指标上报

依赖：

• mysql 读取配置使用
• mq 客户端指标的流向
• vkcat 链路追踪，故障定位，评估影响范围（vkcat挂掉对来务无影响）

3、Monitor的作用

拉取服务端redis cluster的指标

依赖：

• mysql 获取需要监控的节点信息
• elasticjob 分布式任务 若job 不可用 则monitor服务不可用 ，影响服务端指标展示和告警 zk
• mq 服务端指标的流向 ，影响服务端指标展示和服务端告警
• vkcat 链路追踪，故障定位，评估影响范围（vkcat挂掉对来务无影响）

4、consumer的作用

监控指标的消费

依赖：

• es 指标的存储
• mq 指标的来源 影响所有指标的展示和服务端指标的告警
• vkalert 客户端指标告警的发送
• vkcat 链路追踪，故障定位，评估影响范围（vkcat挂掉对来务无影响）

5、监控调用链

5.1、客户端监控指标收集调用链

5.2、服务端监控指标收集调用链

三、VKRedis都做了哪些监控

1、对VKRedis的代码模块api、console、monitor、consumer的监控

• 主机监控
• 进程监控
• nginx access log 监控
• 错误日志监控

2、对依赖服务的监控

1、VKDS

• 错误SQL
• 慢查3s
• 配置加载异常

2、VKMQ

• 消息积压 1000
• 重试阈值 +100
• 死信阈值 +100

3、ES

• 慢查 100ms 记日志； 500 ms邮件；1s 短信
• 磁盘大小
• 批量写入拒绝检测
• yellow状态检测
• 磁盘空闲量检测
• 查询拒绝检测
• index拒绝检测
• 查询队列检测
• red状态检测
• 节点上下线
• 集群不可用

3、对Redis Cluster的监控

3.1、redis进程的cpu使用率

redis进程的cpu使用率 = (used_cpu_sys_now - used_cpu_sys_before) / (now - before)

其中：used_cpu_sys: 表示redis进程指令在核心态所消耗的cpu时间，该值为累计值（秒）

告警阈值：

• 80%：短信；
• 90%：电话

3.2、内存使用率

内存使用率 = used_memory / maxmemory

告警阈值：

• 80%：短信；
• 90%：电话

3.3、内存碎片率

内存碎片率 = used_memory_rss / used_memory

used_memory_rss：表示从操作系统上显示已经分配的内存总量

告警阈值：< 1 swap 报警

3.4、网络拥塞情况

redis网络入口流量字节数total_net_input_bytes
redis网络出口流量字节total_net_output_bytes

3.5、redis 当前的 ops

instantaneous_ops_per_sec：

告警阈值：

• 2000 短信
• 3000 电话

3.6、节点进程是否存活

连续3次 电话告警（每次间隔多久？）

3.7、连接数使用率

connected_clients_ratio = connected_clients/maxclients * 100

告警阈值：

• 80%：短信；
• 90%：电话

3.8、拒绝的连接数增量

rejected_connections

3.9、已创建连接的数量

total_connections_received 已创建连接的数量：如果新创建连接过多，过度地创建和销毁连接对性能有影响，说明短连接严重或连接池使用有问题

3.10、redis实例包含的键个数

keyspace_keys redis实例包含的键个数: 单实例键个数过大，可能导致过期键的回收不及时

3.11、请求键的命中率

keyspace_hit_ratio = keyspace_hits/(keyspace_hits+keyspace_misses)

告警阈值：连续三次小于50

3.12、最近一次Fork操作阻塞redis进程的耗时数

latest_fork_usec = 最近一次Fork操作阻塞redis进程的耗时数，单位微秒

告警阈值：>10ms 短信

3.13、最近一次rdb持久化是否成功

0：短信报警

3.14、最近一次aof持久化是否成功

0：短信报警

3.15、最近一次创建 AOF 文件是否成功

0：短信报警

3.16、疑似故障slot数

告警阈值：>0 短信

redis-cluster把所有的物理节点映射到[0-16383]slot上
例如有3台redis，分别给他们分配slot:

3.17、故障slot数

告警阈值：>0 电话

3.18、slave 与master 的同步状态

slave 与master 的同步状态 master_link_status_int

告警阈值：0 电话

3.19、集群健康状态

集群健康状态，如果当前redis发现有failed的slots，默认为把自己cluster_state从ok个性为fail

告警阈值：0 短信

4、Redis客户端的监控

4.1、慢查slow log

2ms : 短信告警

4.2、exception

短信告警

4.3、大key

超过1M，短信告警

四、VKRedis多租户专项

1、多租户专项都干了什么

• 合并线上小集群，降低成本
• redis 集群平台化管理
• redis 使用治理，规范使用

2、怎样判定各端是否需要对集群进行合并

1、根据各端 redis的内存使用情况、ops情况的峰值，再预留出50%的buffer（即把峰值*2），从而得出实际需要的容量。

2、单节点 按可支撑”5G 内存、4W ops“，根据上一步的容量计算出集群需要的节点数。

3、接入计划

教师端先试用：

• 先接入一个简单的项目
• 其余在4月份全部接入完成

4、集群合并迁移方案

4.1、业务端要做的

梳理redis的使用key场景：

• 能明确key规则的，教师端进行梳理（包括过期时间）
• 老工程共用集群的情况下，需要将key复制成多份

key的梳理，分这么几类：

1）按用途分：

• 仅作为临时缓存
• 作为长期持久化存储

2）按前缀分：

• 带固定前缀
• 无前缀（老项目）

3）业务端梳理redis使用量

• 内存使用量预估
• 峰值ops 预估、应用单节点峰值ops预估、ops 限流阈值

4.2、迁移步骤

1、数据迁移：根据key规则迁移数据
2、业务迁移：业务重新发布，上线vkredis 多租户版。预发验证通过后，若原集群数据变化较大，可考虑再迁移一次数据后发布正式环境。【此处是否考虑redis双写】

4.3、多租户迁移风险

1、数据迁移不保证数据一致性，迁移过程中原集群的写操作不保证同步到新集群（这是为啥？因为不支持双写？）
2、迁移前后，应用使用不同的集群，而且key名称变化，目前没有灰度方案。
业务可提前接入多租户客户端，在不开启namespace（key前缀）的情况下充分验证，正式上线前也需要在预发环境验证通过
3、异常回滚：在不回拷数据的情况下，回滚后原集群将丢失接入多租户后新写入的数据

【这样看风险很大啊！是否还有其他办法？】