On this page
L'alta disponibilità di Redis nasce dalla replica più qualcosa che automatizzi il failover. Redis Sentinel offre il failover automatico per un singolo dataset; Redis Cluster offre il failover più lo sharding orizzontale su più primari. Alla maggior parte dei team serve Sentinel. Cluster serve quando un nodo non riesce più a contenere i dati o a sostenere il throughput. Per capire come Redis Cluster distribuisce i dati in shard, reindirizza i client e si guasta in produzione, leggete Redis Cluster: hash slot, sharding e gestione operativa.
La replica da sola non è alta disponibilità. Un primario con repliche ha comunque bisogno di un processo che decida che il primario è giù, promuova una replica e dica ai client dove andare. È questo livello decisionale a distinguere davvero le architetture descritte di seguito.
La replica di Redis è la base
Ogni architettura ad alta disponibilità parte dalla stessa primitiva: un master Redis che accetta le scritture e una o più repliche che replicano da esso.
La replica di Redis è asincrona. Questa replica asincrona è ciò che mantiene veloce lo store in memoria. Una scrittura viene confermata al client prima che le repliche la confermino, il che mantiene bassa la latenza e significa che il guasto del primario può far perdere le ultime scritture. È un compromesso voluto e inevitabile: nessuna opzione di alta disponibilità lo elimina, quindi va considerato in fase di progettazione anziché aggirato.
Le repliche servono le letture, ma non eliminano il single point of failure. Se il primario muore e nulla promuove una replica, il cluster non accetta più scritture.
Come funziona Redis Sentinel
Sentinel è un processo separato che osserva le istanze Redis monitorate ed esegue automaticamente la promozione.
Eseguire almeno tre istanze Sentinel. Le decisioni richiedono una maggioranza, quindi con tre istanze si tollera un guasto continuando a raggiungere un accordo. Due istanze non possono formare una maggioranza quando una viene meno.
Quando avviene un failover, il processo si svolge così:
- Un Sentinel smette di ricevere risposte dal primario e lo segna come soggettivamente giù
- Interroga gli altri Sentinel; quando un numero sufficiente concorda, il primario è oggettivamente giù
- I Sentinel eleggono un leader tra loro, che seleziona la replica migliore
- Quella replica viene promossa a master e le repliche rimanenti vengono riconfigurate per seguirla
- I client scoprono il nuovo primario interrogando il monitor
L'ultimo passaggio conta più di quanto i team si aspettino. Il client Redis deve supportare Sentinel: chiede al monitor l'indirizzo del primario corrente anziché usare un indirizzo IP scritto nel codice. Le applicazioni configurate con un IP fisso continuano a scrivere su un nodo declassato e falliscono silenziosamente.
Dove possibile, distribuire questi processi su host separati da quelli dei server Redis. Collocarli sullo stesso host è comune perché il processo è leggero, ma in quel caso il guasto di un host elimina nello stesso istante un nodo Redis e un voto, proprio quando il voto serve.
Come funziona Redis Cluster
Redis Cluster distribuisce i dati in shard su più istanze Redis, ciascuna con le proprie repliche. Le chiavi vengono mappate su 16.384 hash slot distribuiti tra gli shard.
Cluster fornisce alta disponibilità e tolleranza ai guasti allo stesso modo, tramite la promozione delle repliche, ma senza un livello di monitoraggio separato: sono i nodi stessi a mettersi d'accordo. Inoltre scala le scritture, cosa che Sentinel non può fare: con quell'approccio un solo primario gestisce tutte le scritture, indipendentemente dal numero di repliche.
Il costo è la complessità operativa e applicativa. Le operazioni su più chiavi devono restare all'interno di un solo hash slot, alcuni client gestiscono male i reindirizzamenti e il resharding di uno shard su più nodi è una vera procedura, non una semplice modifica di configurazione.
Sentinel e Cluster a confronto
| Redis Sentinel | Redis Cluster | |
|---|---|---|
| Dati | Un solo dataset, replicato | Distribuiti in shard su più primari |
| Scalabilità delle scritture | No, un solo primario | Sì |
| Promozione automatica | Sì | Sì |
| Processi aggiuntivi | Nodi Sentinel necessari | Nessuno |
| Requisiti per i client | Supporto di Sentinel | Supporto di Cluster |
| Operazioni su più chiavi | Senza restrizioni | Solo nello stesso hash slot |
| Indicato per | HA senza sharding | HA più scalabilità orizzontale |
La divisione pratica tra Redis Cluster e Redis Sentinel: scegliere Sentinel quando i dati stanno comodamente su un nodo e serve disponibilità senza sharding. Scegliere l'opzione con sharding quando non ci stanno. Scegliere Cluster solo per la ridondanza aggiunge una complessità che si paga a ogni incidente.
Le opzioni gestite (Redis Enterprise, Azure Cache for Redis e le offerte dei cloud provider) nascondono questa scelta dietro la propria architettura, distribuendo tipicamente le repliche su più availability zone. Comodo, ma si ereditano le loro logiche di promozione invece di sceglierne di proprie.
Perché Redis Sentinel va in split-brain e non si riprende da solo?
Lo split-brain in un deployment Redis gestito da Sentinel si verifica quando una partizione di rete (o una serie di riavvii a catena) lascia due gruppi di nodi, ciascuno convinto di avere il quorum e di dover agire, o di agire già, come primario. A differenza del comportamento pause_minority di RabbitMQ, che ferma deliberatamente la partizione di minoranza per evitare divergenze, il modello di failover e ripristino di Redis Sentinel dipende dal fatto che i Sentinel raggiungano un accordo di quorum su quale nodo sia davvero giù, ed è proprio in questo processo di accordo che si sono bloccati incidenti reali in produzione.
Che cosa lo causa nella pratica. Un assessment reale di Redis in produzione ha individuato i problemi di split-brain e di ripristino automatico in Redis Sentinel come filone di indagine dedicato, derivanti specificamente da problemi di affidabilità del bootstrap di Sentinel durante il riavvio del cluster: il problema, cioè, non era una singola partizione di rete clamorosa, ma il fatto che i Sentinel non riuscivano a ristabilire correttamente il quorum e ad accordarsi sui ruoli di primario e replica quando il cluster tornava online dopo un riavvio o un ripristino da crash.
Perché non si ripara da solo. La logica di failover di Sentinel richiede che un quorum configurato di processi Sentinel concordi sul fatto che il primario sia davvero irraggiungibile prima di promuovere una replica. Se i Sentinel stessi si riavviano in un ordine incoerente, o se l'evento infrastrutturale che ha causato il problema originale ha interrotto anche la comunicazione tra Sentinel, si può finire in uno stato in cui nessun gruppo di Sentinel ha un quorum pulito, e il meccanismo di failover automatico pensato per risolvere proprio questo tipo di evento non scatta in modo pulito, rendendo necessario un intervento manuale.
Che cosa verificare se capita:
- Verificare che tutti i processi Sentinel riescano a raggiungersi tra loro e a raggiungere i nodi Redis monitorati sulle porte necessarie: un problema di rete parziale, risolto per il traffico dati ma non per il traffico gossip di Sentinel, può lasciare il quorum di Sentinel compromesso anche quando la connettività a livello applicativo sembra a posto
- Rivedere la configurazione del
quorumdi Sentinel rispetto al numero effettivo di processi Sentinel: un requisito di quorum sottodimensionato rispetto alla topologia del deployment aumenta la probabilità proprio di questo tipo di stato ambiguo - Controllare specificamente i log di Sentinel (non solo quelli del server Redis) alla ricerca di tentativi di failover ripetuti e falliti o di disaccordo tra Sentinel sul primario corrente: è la firma diretta di un problema di quorum o di bootstrap, non di un semplice guasto di un nodo
- Se il bootstrap di Sentinel fa parte di un deployment automatizzato (riavvio di container, ridistribuzione gestita da un orchestratore), verificare che la sequenza di bootstrap non generi race condition: Sentinel che vanno online prima di riuscire a raggiungersi o a raggiungere i nodi monitorati sono un innesco comune proprio di questa modalità di guasto
La mitigazione pratica: se si osservano split-brain ricorrenti di Sentinel correlati specificamente ai riavvii (e non a vere partizioni di rete), la soluzione di solito non è una semplice modifica della configurazione di Sentinel, ma correggere la sequenza di bootstrap e riavvio in modo che i Sentinel abbiano una connettività affidabile tra loro e verso i nodi Redis prima che entri in gioco la logica di failover. La modalità Redis Cluster (anziché la configurazione standalone o primario-replica gestita da Sentinel) affronta alcuni di questi problemi di coordinamento in modo diverso e vale la pena di valutarla se l'affidabilità del bootstrap di Sentinel è un problema operativo ricorrente nel vostro deployment.
Come configurare Redis per l'alta disponibilità
Una base di partenza praticabile per una configurazione Sentinel:
# redis.conf on each replica
replicaof <primary-ip> 6379
min-replicas-to-write 1
min-replicas-max-lag 10# sentinel.conf — three sentinel processes
sentinel monitor mymaster <primary-ip> 6379 2
sentinel down-after-milliseconds mymaster 5000
sentinel failover-timeout mymaster 60000Il 2 finale è il quorum: quanti Sentinel devono concordare prima che la promozione abbia inizio. Con tre istanze Sentinel, due è il valore corretto.
Sentinel si configura separatamente, e min-replicas-to-write è l'impostazione che la maggior parte dei team trascura. Fa sì che il primario rifiuti le scritture quando sono connesse meno repliche del numero configurato, trasformando una perdita di dati silenziosa in un errore visibile. Regolare down-after-milliseconds sulla propria rete: se è troppo aggressivo, la normale latenza innesca promozioni spurie.
Perché anche un Redis ad alta disponibilità va giù
Una configurazione corretta non basta. Ecco tre modalità di guasto su cui abbiamo lavorato di recente, nessuna delle quali emerge da una revisione della configurazione.
Esaurimento della memoria durante i salvataggi in background. Redis esegue un fork per scrivere uno snapshot, e il fork usa il copy-on-write. Se il carico di lavoro scrive molto durante il salvataggio, padre e figlio divergono e l'uso di memoria sale verso il doppio del dataset. Abbiamo indagato sul caso di un cliente con crash ripetuti intorno al 60 percento di utilizzo della memoria, ben al di sotto di qualsiasi soglia su cui aveva impostato alert, causati proprio dal comportamento del fork durante i backup. La soluzione è stata il tuning dell'overcommit della memoria a livello di kernel, non un'impostazione di Redis.
Pianificare la capacità in modo che l'uso di picco più l'overhead del fork stia nella RAM. Il cinquanta percento a regime è un tetto ragionevole per un'istanza con molte scritture che esegue snapshot.
Split-brain durante il bootstrap. Nello stesso ambiente, il ritardo del DNS all'avvio causava split-brain: i nodi che risolvevano indirizzi non aggiornati si formavano visioni incoerenti di chi fosse il primario. È un problema di ordine di bootstrap, non di regime, e si manifesta solo quando l'intero cluster si riavvia insieme, che è esattamente ciò che accade in Kubernetes durante un drain di un nodo o un rolling update.
Un bootstrap basato su script e dipendente dal DNS è talmente fragile che stiamo sviluppando un plugin per automatizzare il bootstrap di Sentinel con un consenso basato su Raft, eliminando del tutto la dipendenza esterna.
Blocchi delle repliche. Una replica che resta molto indietro e ha bisogno di una risincronizzazione completa costringe il primario a un altro fork, spesso nel momento peggiore. Monitorare il ritardo delle repliche come metrica di primo piano, non come un ripensamento.
Crash di Redis che la configurazione non spiega? Questi guasti di solito si trovano sotto Redis: nel comportamento della memoria del kernel, nel DNS o nell'orchestrazione. AceMQ esegue assessment strutturati di Redis che li individuano. Parlate con un ingegnere AceMQ.
Redis su Kubernetes
Kubernetes cambia il modello di guasto. I pod si spostano, gli indirizzi IP cambiano e l'intero sistema distribuito può riavviarsi in blocco durante un rolling update.
Tre regole che prevengono la maggior parte degli incidenti:
- Usare StatefulSet con identità di rete stabili, in modo che un'istanza Redis riavviata mantenga un nome prevedibile invece di un nuovo indirizzo
- Distribuire le repliche su nodi e availability zone diversi con l'anti-affinity: repliche sullo stesso nodo fisico non offrono alcuna protezione
- Impostare PodDisruptionBudget in modo che un drain non possa espellere insieme il primario e la maggioranza dei nodi Sentinel
Redis e Sentinel hanno entrambi bisogno di questo trattamento. Proteggere i nodi dati lasciando i pod di monitoraggio liberamente espellibili elimina la maggioranza che fa funzionare la promozione.
Best practice
- Tre istanze Sentinel, in domini di guasto separati da quelli degli host dei server Redis
- Più repliche: almeno due per ogni nodo primario, così un guasto lascia comunque un candidato alla promozione
- Client con supporto di Sentinel o di Cluster: mai un indirizzo IP del primario scritto nel codice
min-replicas-to-write, così il primario fallisce in modo evidente invece di perdere scritture in silenzio- Capacità per l'overhead del fork, non solo per il working set
- Alert su ritardo delle repliche, frammentazione della memoria e salute dei monitor, non solo sul fatto che il processo sia attivo
- Testare deliberatamente. Un percorso di promozione mai testato è un'ipotesi, non una garanzia
Se volete lo stesso approccio per il livello di messaging, la nostra guida al troubleshooting di RabbitMQ copre le modalità di guasto equivalenti. Per un aiuto pratico su un ambiente di produzione, consultate supporto Redis e risposta agli incidenti.
Sull'infrastruttura virtualizzata, il posizionamento conta quanto la topologia: consultate anti-affinity di Redis su VMware.
Scegliere tra Sentinel e Cluster: la regola di decisione e l'errore più comune
La decisione si riduce a una domanda: il dataset, e il ritmo di scrittura su di esso, stanno su un solo nodo? Sì significa Sentinel, no significa Cluster.
Sentinel è il failover per un singolo dataset replicato. Un primario contiene tutte le chiavi, le repliche lo copiano e i Sentinel osservano, concordano per quorum che il primario non c'è più, promuovono una replica e rispondono ai client che chiedono il nuovo primario. Si mantiene la semantica di Redis standalone: MULTI/EXEC e Lua su qualsiasi chiave. L'unica modifica ai client è una ricerca tramite Sentinel alla connessione e in caso di errore.
Cluster è sharding con failover integrato. Il keyspace è suddiviso in 16384 hash slot distribuiti su diversi primari, ciascuno con le proprie repliche. Un client che interroga il nodo sbagliato riceve un reindirizzamento MOVED (permanente) o ASK (durante una migrazione) e deve seguirlo, quindi ha bisogno di una libreria con supporto di Cluster che mantenga aggiornata la mappa degli slot. Comandi su più chiavi, transazioni e Lua richiedono che tutte le chiavi siano nello stesso slot, quindi i nomi delle chiavi contengono hash tag come {user:42}:profile.
Scegliere Sentinel quando il dataset sta su un nodo con margine, un solo primario può assorbire il ritmo di scrittura, si dipende da transazioni o Lua su chiavi arbitrarie, o i client sono semplici. Scegliere Cluster quando il dataset o il throughput di scrittura vanno oltre un nodo ed è prevista una crescita orizzontale.
L'errore che vediamo più spesso è Cluster per un dataset da 4 GB perché sembra più disponibile. Non lo è: il failover di Cluster è la stessa promozione di una replica, con una condizione più restrittiva (maggioranza dei primari raggiungibile) e un ingombro doppio. Si paga in complessità dei client e progettazione delle chiavi uno sharding che non serve. Abbiamo riportato a Sentinel più di un team senza perdere disponibilità.
Che cosa succede davvero durante un failover di Redis e dove si perdono le scritture
Con Sentinel la sequenza è fissa. Un Sentinel che non riceve una risposta valida entro down-after-milliseconds segna il primario come SDOWN (soggettivamente giù). Interroga gli altri Sentinel e, quando un quorum concorda, il primario è ODOWN. I Sentinel eleggono un leader con un voto numerato per epoch; il leader ha bisogno della maggioranza di tutti i Sentinel, non solo del quorum, ed è per questo che due Sentinel non possono eseguire il failover se uno è giù. Il leader sceglie la replica con la replica-priority più bassa, poi quella con l'offset di replica più alto, le invia REPLICAOF NO ONE, fa puntare le altre repliche su di essa e pubblica +switch-master. I client chiedono a un Sentinel qualsiasi il primario corrente e si riconnettono. failover-timeout limita ogni passaggio e l'intervallo tra i tentativi.
Con Cluster la giuria sono i primari. Un nodo silenzioso per cluster-node-timeout viene segnato come PFAIL; le segnalazioni di guasto si propagano via gossip e, quando la maggioranza dei primari concorda, diventa FAIL. Ogni replica del primario morto attende un ritardo ordinato in base all'offset di replica, così quella con più dati chiede i voti per prima. Richiede i voti con una nuova epoch, ha bisogno della maggioranza dei primari, e ogni primario vota una sola volta per epoch. La vincitrice rivendica gli slot, incrementa la propria config epoch e lo comunica a tutti. I client se ne accorgono tramite i reindirizzamenti MOVED e aggiornano la mappa degli slot.
In entrambe le modalità la replica è asincrona: il primario conferma al client prima che la replica abbia ricevuto la scrittura. Tutto ciò che si trova in quella finestra quando il primario muore è perso, perché l'offset della replica promossa diventa la verità. Normalmente la finestra è di pochi millisecondi; con una replica in ritardo è di secondi.
min-replicas-to-write e min-replicas-max-lag delimitano la finestra. Con 1 e 10, un primario rifiuta le scritture a meno che almeno una replica sia connessa e si sia fatta sentire negli ultimi dieci secondi. Non rende sincrona la replica; per una singola scrittura che deve sopravvivere, usare WAIT.
Le stesse impostazioni sono la risposta di Sentinel allo split-brain. Un vecchio primario isolato dai Sentinel ma ancora raggiungibile da alcuni client continua ad accettare scritture finché non viene riconfigurato, e tutte vengono scartate quando rientra. Una volta che le sue repliche seguono il nuovo primario, non supera più il controllo min-replicas e rifiuta le scritture. Cluster è più netto: un primario sul lato di minoranza di una partizione smette di servire dopo cluster-node-timeout e restituisce CLUSTERDOWN.
Impostare down-after-milliseconds e cluster-node-timeout abbastanza alti da evitare che una pausa del GC o uno stallo della VM inneschino un failover inutile (vedere anti-affinity su VMware). Impostare timeout dei client più lunghi del tempo di failover misurato, ritentare con backoff in caso di errori di connessione e di READONLY, e verificare che la libreria interroghi di nuovo i Sentinel o la mappa degli slot invece di tenere in cache un indirizzo. Poi provare sia l'arresto di un processo sia una partizione tramite firewall, perché la maggior parte delle sorprese del failover emerge solo con una partizione. Numeri minimi sensati: tre Sentinel su tre domini di guasto; per Cluster, tre primari con una replica ciascuno. Gli errori che vediamo commettere ai clienti, in ordine: due Sentinel, Sentinel sullo stesso host del Redis che osservano, un indirizzo del primario scritto nel codice dell'applicazione e timeout dei client più brevi del failover. I nostri progetti di consulenza Redis di solito iniziano correggendo uno di questi.
Questo è il primo dei sette passaggi della guida all'affidabilità di Redis, che affronta i problemi nell'ordine in cui si presentano in un ambiente di produzione.
Domande frequenti
Che cos'è l'alta disponibilità di Redis?
Un'architettura che mantiene Redis operativo in caso di guasto di un nodo, combinando la replica con il failover automatico. La replica da sola non basta: qualcosa deve rilevare il guasto, promuovere una replica e reindirizzare i client.
Qual è la differenza tra Redis Sentinel e Redis Cluster?
Sentinel aggiunge la promozione automatica a un singolo dataset replicato. Cluster distribuisce i dati in shard su più primari e gestisce i guasti internamente. Il primo offre disponibilità; il secondo offre disponibilità più scalabilità delle scritture.
Quante istanze Sentinel servono?
Almeno tre. Il failover richiede l'accordo di un quorum, e tre istanze tollerano il guasto di un monitor continuando a raggiungere la maggioranza. Due non ci riescono.
Redis perde dati durante un failover?
Può succedere. La replica di Redis è asincrona, quindi le scritture confermate dal primario ma non ancora replicate vanno perse quando il primario si guasta. min-replicas-to-write limita l'esposizione rifiutando le scritture quando sono connesse troppo poche repliche.
Come decide il monitor che un primario è giù?
Un processo lo segna come soggettivamente giù quando non riceve risposta entro down-after-milliseconds. Quando un numero sufficiente di processi concorda e si raggiunge il quorum configurato, il primario diventa oggettivamente giù e il failover ha inizio.
Perché Redis va in crash quando la memoria sembra a posto?
Di solito per il fork del salvataggio in background. Il copy-on-write fa sì che, durante uno snapshot sotto carico di scrittura, la memoria possa avvicinarsi al doppio del dataset, quindi un nodo al 60 percento di utilizzo può comunque esaurire la RAM a metà salvataggio. Dimensionare sul picco più l'overhead del fork.
Si può eseguire Redis in alta disponibilità su Kubernetes?
Sì, con StatefulSet, anti-affinity tra nodi e availability zone, e PodDisruptionBudget che coprano sia Redis sia Sentinel. Il guasto tipico è un rolling update che esegue l'eviction del primario e del quorum di Sentinel contemporaneamente.
Quanti nodi servono a Redis Cluster per l'alta disponibilità?
Sei: tre primari, ciascuno con una replica. Tre primari sono l'insieme più piccolo in grado di formare una maggioranza per il rilevamento dei guasti e l'elezione delle repliche mentre uno di essi è giù, e una replica per ogni primario è ciò che rende possibile il failover. Distribuire i sei nodi su almeno tre domini di guasto e assicurarsi che nessun primario condivida host o hypervisor con la propria replica. I cluster più grandi seguono la stessa regola: mantenere dove possibile un numero dispari di primari e non eseguire mai un primario senza replica. Il supporto Redis di AceMQ copre test di failover e revisione della topologia con obiettivi di risposta da 15 minuti, in base al piano, 24 ore su 24.
Fonti
Guide, confronti e ricerche

