集群监控的三个层次
集群监控要同时覆盖三层：集群层看状态是否 ok、槽是否全部指派、有没有节点被判 fail；拓扑层看主从配对是否完整、迁移是否卡住；节点层则沿用单实例的指标，关注内存、连接数、延迟与持久化状态。只监控单节点指标会漏掉集群级故障，只监控集群状态又会漏掉节点资源问题。
基本信息
| 适用平台 | Redis 3.0+ 的 Cluster 模式 |
|---|---|
| 集群级命令 | CLUSTER INFO、CLUSTER NODES |
| 体检命令 | redis-cli --cluster check |
| 关键判断 | cluster_state 为 ok、slots_assigned 等于 16384 |
| 节点级指标 | used_memory、connected_clients、instantaneous_ops_per_sec |
典型使用场景
- 日常巡检：快速确认集群状态与槽覆盖是否正常
- 扩容或缩容后核对拓扑，确认主从配对完整
- 客户端大量报 MOVED 或 CLUSTERDOWN 时定位根因
- 节点被标记 fail 后确认真实故障还是网络抖动
- 上线前体检，避免带着未指派槽的集群对外服务
巡检命令
巡检命令
for h in 10.0.0.1 10.0.0.2 10.0.0.3; do
echo "== $h"
redis-cli -h $h CLUSTER INFO | grep -E 'cluster_state|slots_assigned|slots_ok|known_nodes|cluster_size'
done
redis-cli --cluster check 10.0.0.1:6379 # 槽、节点、键的一致性体检
redis-cli -h 10.0.0.1 CLUSTER NODES | grep -c 'master' # 主节点数量
redis-cli -h 10.0.0.1 INFO | grep -E 'used_memory_human|connected_clients|instantaneous_ops_per_sec'关键指标与判断
| 指标 | 正常值 | 异常含义 |
|---|---|---|
| cluster_state | ok | fail 表示有槽未指派或节点不可达 |
| slots_assigned | 16384 | 小于该值说明有槽未分配 |
| slots_ok | 16384 | 小于 assigned 说明部分槽所在节点异常 |
| known_nodes | 等于拓扑中的节点总数 | 偏少说明节点发现不完整 |
| 节点 fail 标记 | 无 | 真实故障或网络分区 |
| used_memory / maxmemory | 留有安全余量 | 接近上限会触发淘汰或写入失败 |
告警至少要覆盖：槽未全覆盖、cluster_state 变为 fail、出现 fail 标记的节点、主节点缺少从节点，以及单个节点的内存与连接数异常。
只等 cluster_state 变 fail 才告警往往已经影响业务：槽迁移中途、节点 pfail 状态、主从配对缺失都应在更早阶段被察觉。
巡检频率要有取舍：CLUSTER INFO 与 CLUSTER NODES 开销很小可以高频采集，--cluster check 会遍历键空间开销较高，按天或按周执行即可。统一放到分钟级巡检里，会给自己制造额外的负载。