1.2k
周末写了个 redis-ops 的可视化调试面板
这个问题我断断续续查了两周，中间走了不少弯路，把过程原样记下来，希望后面遇到的人能少花点时间。
最后提醒一个坑：容器环境下一定要记得同步调整内存相关的参数，否则宿主机的限制和进程内部的预期会对不上，表现就是偶发的、无法复现的失败。
真正让我意外的是长尾。平均值一直很漂亮，P99 却在某个阈值之后直接跳了一个数量级。原因不在 redis-ops 本身，而是我们上游的连接复用没做好，压测流量太「干净」，掩盖了长尾请求。
146 条评论
Nnews.ycombinator.com站外链接 · 点击在新标签页打开
146 条评论
· 已加载前 120 条我
Ddev_zhou·2 天前
这不是 redis-ops 的问题，是用法的问题。文档里写了这个 API 不是线程安全的，要自己在外面加锁。
515
Ttang_hao楼主·2 天前已编辑
我们生产环境用了两年，没遇到过。不过我承认我们没上到这个量级，所以这个结论对我们没有参考价值。
454
Cchen_dev·刚刚
感谢分享真实数据，比很多只讲概念的文章有用得多。
5102 条直接回复
Kkernel_panic·28 分钟前
有没有人做过对照实验？我做了一组，把变量控制到只剩这一个，结果差距只有 4%，基本在噪声范围内。所以我觉得主因可能不是这个。
731 条直接回复
Kkernel_panic·3 分钟前已编辑
想请教一下，这个方案在容器里（内存限制 512Mi）会有什么变化？我们线上就是这么配的。
111 条直接回复
Kkernel_panic·2 天前
感谢分享真实数据，比很多只讲概念的文章有用得多。
91
Ttang_hao·刚刚
贴一下我们的实测数据，8 核 16G，同样的场景：
| 并发 | P50 | P99 | |---|---|---| | 200 | 12ms | 88ms | | 500 | 31ms | 340ms |
P99 在 500 并发时明显崩了，和你说的拐点基本吻合。
24 条直接回复
Zzhou_yi·3 分钟前
我们生产环境用了两年，没遇到过。不过我承认我们没上到这个量级，所以这个结论对我们没有参考价值。
3123 条直接回复
Hhuang_ke·2 天前已编辑
这个结论和我们线上的观察一致。我们是在 QPS 到 3k 之后才撞上这个问题的，前压测阶段完全看不出来——因为压测流量太「干净」了，没有长尾请求。
4251 条直接回复
Llinlin·2 天前
有没有人做过对照实验？我做了一组，把变量控制到只剩这一个，结果差距只有 4%，基本在噪声范围内。所以我觉得主因可能不是这个。
141 条直接回复
Cchen_dev楼主·2 天前第 6 层
我们生产环境用了两年，没遇到过。不过我承认我们没上到这个量级，所以这个结论对我们没有参考价值。
364
Oops_wang·2 天前
已收藏。正好这周要改这块，少走很多弯路。
2922 条直接回复
Rran_bo楼主·2 天前
已收藏。正好这周要改这块，少走很多弯路。
351 条直接回复
Hhuang_ke·2 天前第 6 层
想请教一下，这个方案在容器里（内存限制 512Mi）会有什么变化？我们线上就是这么配的。
45
Wwinter·2 天前
感谢分享真实数据，比很多只讲概念的文章有用得多。
313 条直接回复
Sswoole_lee楼主·2 天前第 6 层
已收藏。正好这周要改这块，少走很多弯路。
280
Zzhu_zong·28 分钟前第 6 层
有没有人做过对照实验？我做了一组，把变量控制到只剩这一个，结果差距只有 4%，基本在噪声范围内。所以我觉得主因可能不是这个。
123
Sslow_query·昨天第 6 层
刚翻了下 redis-ops 的源码，作者在注释里其实解释过为什么这么设计，大意是「为了在极端情况下退化成可预期行为」。
6
Sslow_query·5 小时前
这个结论和我们线上的观察一致。我们是在 QPS 到 3k 之后才撞上这个问题的，前压测阶段完全看不出来——因为压测流量太「干净」了，没有长尾请求。
246
Kkite·昨天
想请教一下，这个方案在容器里（内存限制 512Mi）会有什么变化？我们线上就是这么配的。
313 条直接回复
Wwinter·2 天前
已收藏。正好这周要改这块，少走很多弯路。
109
Ddev_zhou·2 天前
刚翻了下 redis-ops 的源码，作者在注释里其实解释过为什么这么设计，大意是「为了在极端情况下退化成可预期行为」。
4
Sswoole_lee·2 天前
感谢分享真实数据，比很多只讲概念的文章有用得多。
3
Llinlin·28 分钟前
楼主说的第 3 点我有不同看法。这里的取舍取决于你的读写比：读多写少的话，加缓存反而会放大不一致窗口。
72 条直接回复
Zzhou_yi·2 天前
贴一下我们的实测数据，8 核 16G，同样的场景：
| 并发 | P50 | P99 | |---|---|---| | 200 | 12ms | 88ms | | 500 | 31ms | 340ms |
P99 在 500 并发时明显崩了，和你说的拐点基本吻合。
3261 条直接回复
Sslow_query·2 天前
想请教一下，这个方案在容器里（内存限制 512Mi）会有什么变化？我们线上就是这么配的。
852 条直接回复
Kkite·5 小时前第 6 层
感谢分享真实数据，比很多只讲概念的文章有用得多。
464
Oops_wang·2 天前第 6 层
我们生产环境用了两年，没遇到过。不过我承认我们没上到这个量级，所以这个结论对我们没有参考价值。
92
Nnikic·2 天前
已收藏。正好这周要改这块，少走很多弯路。
11 条直接回复
Zzhu_zong·2 天前
补充一个反例：如果 redis-ops 的版本低于 7.4，这段代码的语义是不一样的，别照抄。我们在灰度环境踩过，回滚了一次。
4291 条直接回复
Kkite·2 天前第 6 层
这不是 redis-ops 的问题，是用法的问题。文档里写了这个 API 不是线程安全的，要自己在外面加锁。
35
Zzhu_zong·2 小时前
补充一个反例：如果 redis-ops 的版本低于 7.4，这段代码的语义是不一样的，别照抄。我们在灰度环境踩过，回滚了一次。
22 条直接回复
Ttang_hao·2 小时前已编辑
刚翻了下 redis-ops 的源码，作者在注释里其实解释过为什么这么设计，大意是「为了在极端情况下退化成可预期行为」。
51 条直接回复
Zzhu_zong·2 天前
这不是 redis-ops 的问题，是用法的问题。文档里写了这个 API 不是线程安全的，要自己在外面加锁。
1201 条直接回复
Ddev_zhou·2 天前第 6 层
这不是 redis-ops 的问题，是用法的问题。文档里写了这个 API 不是线程安全的，要自己在外面加锁。
191
Zzhou_yi·2 天前
我们生产环境用了两年，没遇到过。不过我承认我们没上到这个量级，所以这个结论对我们没有参考价值。
3
Oops_wang·2 小时前
楼主这个排查思路值得学习。我们之前是直接从日志下手，绕了很大一圈。
498
Rran_bo·刚刚
这里其实有个更简单的做法，不需要改架构：把这一层判断提前到网关，问题就消失了。代价是网关会多一次查表。
464
Kkite楼主·1 小时前
已收藏。正好这周要改这块，少走很多弯路。
329
Kkernel_panic·3 分钟前
能不能给出最小复现？我本地跑了十分钟没复现出来，环境是 macOS + 最新版。
3831 条直接回复
Rran_bo·3 分钟前
楼主这个排查思路值得学习。我们之前是直接从日志下手，绕了很大一圈。
622 条直接回复
Bbob_chen·2 天前
有没有人做过对照实验？我做了一组，把变量控制到只剩这一个，结果差距只有 4%，基本在噪声范围内。所以我觉得主因可能不是这个。
410
Oops_wang·2 天前
楼主说的第 3 点我有不同看法。这里的取舍取决于你的读写比：读多写少的话，加缓存反而会放大不一致窗口。
1731 条直接回复
Lli_ming·2 天前
贴一下我们的实测数据，8 核 16G，同样的场景：
| 并发 | P50 | P99 | |---|---|---| | 200 | 12ms | 88ms | | 500 | 31ms | 340ms |
P99 在 500 并发时明显崩了，和你说的拐点基本吻合。
571 条直接回复
Aalice_dev·2 天前
楼主这个排查思路值得学习。我们之前是直接从日志下手，绕了很大一圈。
1
Kkite·2 天前已编辑
这个结论和我们线上的观察一致。我们是在 QPS 到 3k 之后才撞上这个问题的，前压测阶段完全看不出来——因为压测流量太「干净」了，没有长尾请求。
3681 条直接回复
Ddev_zhou·2 天前
想请教一下，这个方案在容器里（内存限制 512Mi）会有什么变化？我们线上就是这么配的。
504
Kkernel_panic·1 小时前已编辑
同意上面说的。补充一点：如果开了这个选项，监控指标里的 GC 次数会翻倍，需要同步调整告警阈值，否则会一直误报。
3512 条直接回复
Cchen_dev·2 天前
刚翻了下 redis-ops 的源码，作者在注释里其实解释过为什么这么设计，大意是「为了在极端情况下退化成可预期行为」。
1331 条直接回复
Ttang_hao·2 天前
有没有人做过对照实验？我做了一组，把变量控制到只剩这一个，结果差距只有 4%，基本在噪声范围内。所以我觉得主因可能不是这个。
14
Rran_bo·2 天前已编辑
贴一下我们的实测数据，8 核 16G，同样的场景：
| 并发 | P50 | P99 | |---|---|---| | 200 | 12ms | 88ms | | 500 | 31ms | 340ms |
P99 在 500 并发时明显崩了，和你说的拐点基本吻合。
1221 条直接回复
Wwinter·2 天前
这里其实有个更简单的做法，不需要改架构：把这一层判断提前到网关，问题就消失了。代价是网关会多一次查表。
12 条直接回复
Zzhou_yi·2 天前
这里其实有个更简单的做法，不需要改架构：把这一层判断提前到网关，问题就消失了。代价是网关会多一次查表。
105
Rrase·2 天前
这里其实有个更简单的做法，不需要改架构：把这一层判断提前到网关，问题就消失了。代价是网关会多一次查表。
93
Lli_ming版主·1 小时前
有没有人做过对照实验？我做了一组，把变量控制到只剩这一个，结果差距只有 4%，基本在噪声范围内。所以我觉得主因可能不是这个。
338
Llinlin·2 天前
想请教一下，这个方案在容器里（内存限制 512Mi）会有什么变化？我们线上就是这么配的。
324
Hhuang_ke·2 天前
有没有人做过对照实验？我做了一组，把变量控制到只剩这一个，结果差距只有 4%，基本在噪声范围内。所以我觉得主因可能不是这个。
295
Zzhu_zong版主·2 天前
刚翻了下 redis-ops 的源码，作者在注释里其实解释过为什么这么设计，大意是「为了在极端情况下退化成可预期行为」。
289
Zzhou_yi·2 天前
楼主这个排查思路值得学习。我们之前是直接从日志下手，绕了很大一圈。
2731 条直接回复
Sslow_query·2 天前已编辑
想请教一下，这个方案在容器里（内存限制 512Mi）会有什么变化？我们线上就是这么配的。
118
Rran_bo·2 天前
楼主说的第 3 点我有不同看法。这里的取舍取决于你的读写比：读多写少的话，加缓存反而会放大不一致窗口。
265
Kkite·2 天前
楼主这个排查思路值得学习。我们之前是直接从日志下手，绕了很大一圈。
254
Ddev_zhou楼主·2 天前
贴一下我们的实测数据，8 核 16G，同样的场景：
| 并发 | P50 | P99 | |---|---|---| | 200 | 12ms | 88ms | | 500 | 31ms | 340ms |
P99 在 500 并发时明显崩了，和你说的拐点基本吻合。
185
Rran_bo·2 天前已编辑
补充一个反例：如果 redis-ops 的版本低于 7.4，这段代码的语义是不一样的，别照抄。我们在灰度环境踩过，回滚了一次。
238
Aalice_dev·2 天前
同意上面说的。补充一点：如果开了这个选项，监控指标里的 GC 次数会翻倍，需要同步调整告警阈值，否则会一直误报。
2251 条直接回复
Kkernel_panic·2 天前已编辑
这里其实有个更简单的做法，不需要改架构：把这一层判断提前到网关，问题就消失了。代价是网关会多一次查表。
396
Ttang_hao·2 天前
想请教一下，这个方案在容器里（内存限制 512Mi）会有什么变化？我们线上就是这么配的。
221
Zzhu_zong版主·2 天前已编辑
这不是 redis-ops 的问题，是用法的问题。文档里写了这个 API 不是线程安全的，要自己在外面加锁。
207
Ddev_zhou楼主·2 天前已编辑
补充一个反例：如果 redis-ops 的版本低于 7.4，这段代码的语义是不一样的，别照抄。我们在灰度环境踩过，回滚了一次。
129
Aalice_dev·刚刚
楼主说的第 3 点我有不同看法。这里的取舍取决于你的读写比：读多写少的话，加缓存反而会放大不一致窗口。
178
Lli_ming·2 天前
已收藏。正好这周要改这块，少走很多弯路。
154
Bbob_chen·3 分钟前
这个结论和我们线上的观察一致。我们是在 QPS 到 3k 之后才撞上这个问题的，前压测阶段完全看不出来——因为压测流量太「干净」了，没有长尾请求。
1522 条直接回复
Zzhou_yi·2 天前
补充一个反例：如果 redis-ops 的版本低于 7.4，这段代码的语义是不一样的，别照抄。我们在灰度环境踩过，回滚了一次。
1273 条直接回复
Lli_ming·12 分钟前
我们生产环境用了两年，没遇到过。不过我承认我们没上到这个量级，所以这个结论对我们没有参考价值。
1892 条直接回复
Ttang_hao·2 天前
已收藏。正好这周要改这块，少走很多弯路。
122
Kkite·2 天前
楼主这个排查思路值得学习。我们之前是直接从日志下手，绕了很大一圈。
83
Aalice_dev·2 天前
这个结论和我们线上的观察一致。我们是在 QPS 到 3k 之后才撞上这个问题的，前压测阶段完全看不出来——因为压测流量太「干净」了，没有长尾请求。
462 条直接回复
Rrase·2 天前
感谢分享真实数据，比很多只讲概念的文章有用得多。
146
Wwinter·2 天前
补充一个反例：如果 redis-ops 的版本低于 7.4，这段代码的语义是不一样的，别照抄。我们在灰度环境踩过，回滚了一次。
13
Bbob_chen·2 天前
刚翻了下 redis-ops 的源码，作者在注释里其实解释过为什么这么设计，大意是「为了在极端情况下退化成可预期行为」。
454 条直接回复
Bbob_chen·2 天前
楼主说的第 3 点我有不同看法。这里的取舍取决于你的读写比：读多写少的话，加缓存反而会放大不一致窗口。
3671 条直接回复
Ttang_hao·2 天前已编辑
这个结论和我们线上的观察一致。我们是在 QPS 到 3k 之后才撞上这个问题的，前压测阶段完全看不出来——因为压测流量太「干净」了，没有长尾请求。
238
Ttang_hao·昨天
能不能给出最小复现？我本地跑了十分钟没复现出来，环境是 macOS + 最新版。
354
Ddev_zhou·2 天前
这个结论和我们线上的观察一致。我们是在 QPS 到 3k 之后才撞上这个问题的，前压测阶段完全看不出来——因为压测流量太「干净」了，没有长尾请求。
27
Kkernel_panic·2 天前已编辑
有没有人做过对照实验？我做了一组，把变量控制到只剩这一个，结果差距只有 4%，基本在噪声范围内。所以我觉得主因可能不是这个。
5
Cchen_dev·刚刚
这不是 redis-ops 的问题，是用法的问题。文档里写了这个 API 不是线程安全的，要自己在外面加锁。
20
Ddev_zhou·2 天前已编辑
贴一下我们的实测数据，8 核 16G，同样的场景：
| 并发 | P50 | P99 | |---|---|---| | 200 | 12ms | 88ms | | 500 | 31ms | 340ms |
P99 在 500 并发时明显崩了，和你说的拐点基本吻合。
1371 条直接回复
Rrase·2 天前已编辑
同意上面说的。补充一点：如果开了这个选项，监控指标里的 GC 次数会翻倍，需要同步调整告警阈值，否则会一直误报。
8
Wwinter·2 天前
能不能给出最小复现？我本地跑了十分钟没复现出来，环境是 macOS + 最新版。
1353 条直接回复
Kkernel_panic·2 天前
这里其实有个更简单的做法，不需要改架构：把这一层判断提前到网关，问题就消失了。代价是网关会多一次查表。
46
Ddev_zhou·2 天前
能不能给出最小复现？我本地跑了十分钟没复现出来，环境是 macOS + 最新版。
14
Zzhou_yi·2 天前
贴一下我们的实测数据，8 核 16G，同样的场景：
| 并发 | P50 | P99 | |---|---|---| | 200 | 12ms | 88ms | | 500 | 31ms | 340ms |
P99 在 500 并发时明显崩了，和你说的拐点基本吻合。
1
Wwinter·刚刚
这里其实有个更简单的做法，不需要改架构：把这一层判断提前到网关，问题就消失了。代价是网关会多一次查表。
106
Bbob_chen·12 分钟前
楼主说的第 3 点我有不同看法。这里的取舍取决于你的读写比：读多写少的话，加缓存反而会放大不一致窗口。
951 条直接回复
Rrase·2 天前已编辑
楼主说的第 3 点我有不同看法。这里的取舍取决于你的读写比：读多写少的话，加缓存反而会放大不一致窗口。
28
Lli_ming楼主·12 分钟前
楼主这个排查思路值得学习。我们之前是直接从日志下手，绕了很大一圈。
32
Lli_ming·刚刚
同意上面说的。补充一点：如果开了这个选项，监控指标里的 GC 次数会翻倍，需要同步调整告警阈值，否则会一直误报。
64
Hhuang_ke楼主·2 天前
同意上面说的。补充一点：如果开了这个选项，监控指标里的 GC 次数会翻倍，需要同步调整告警阈值，否则会一直误报。
1
Lli_ming楼主·2 天前
刚翻了下 redis-ops 的源码，作者在注释里其实解释过为什么这么设计，大意是「为了在极端情况下退化成可预期行为」。
1
Kkernel_panic·2 天前
感谢分享真实数据，比很多只讲概念的文章有用得多。
57
Llinlin·2 天前
补充一个反例：如果 redis-ops 的版本低于 7.4，这段代码的语义是不一样的，别照抄。我们在灰度环境踩过，回滚了一次。
48
Kkernel_panic·2 天前
能不能给出最小复现？我本地跑了十分钟没复现出来，环境是 macOS + 最新版。
34
Kkernel_panic·2 天前
感谢分享真实数据，比很多只讲概念的文章有用得多。
22
Mmike_xu·刚刚
我们生产环境用了两年，没遇到过。不过我承认我们没上到这个量级，所以这个结论对我们没有参考价值。
152 条直接回复
Llinlin·2 天前
刚翻了下 redis-ops 的源码，作者在注释里其实解释过为什么这么设计，大意是「为了在极端情况下退化成可预期行为」。
86
Zzhu_zong楼主·2 天前
同意上面说的。补充一点：如果开了这个选项，监控指标里的 GC 次数会翻倍，需要同步调整告警阈值，否则会一直误报。
8
Lli_ming·2 天前已编辑
楼主说的第 3 点我有不同看法。这里的取舍取决于你的读写比：读多写少的话，加缓存反而会放大不一致窗口。
15
Zzhu_zong·2 天前已编辑
这里其实有个更简单的做法，不需要改架构：把这一层判断提前到网关，问题就消失了。代价是网关会多一次查表。
14
Lli_ming版主·2 天前已编辑
我们生产环境用了两年，没遇到过。不过我承认我们没上到这个量级，所以这个结论对我们没有参考价值。
7
Zzhu_zong·2 天前
贴一下我们的实测数据，8 核 16G，同样的场景：
| 并发 | P50 | P99 | |---|---|---| | 200 | 12ms | 88ms | | 500 | 31ms | 340ms |
P99 在 500 并发时明显崩了，和你说的拐点基本吻合。
4
Nnikic·12 分钟前
同意上面说的。补充一点：如果开了这个选项，监控指标里的 GC 次数会翻倍，需要同步调整告警阈值，否则会一直误报。
3
Wwinter·2 天前
这个结论和我们线上的观察一致。我们是在 QPS 到 3k 之后才撞上这个问题的，前压测阶段完全看不出来——因为压测流量太「干净」了，没有长尾请求。
21 条直接回复
Aalice_dev·2 天前已编辑
这不是 redis-ops 的问题，是用法的问题。文档里写了这个 API 不是线程安全的，要自己在外面加锁。
152
Oops_wang·刚刚
楼主这个排查思路值得学习。我们之前是直接从日志下手，绕了很大一圈。
11 条直接回复
Aalice_dev·12 分钟前
这不是 redis-ops 的问题，是用法的问题。文档里写了这个 API 不是线程安全的，要自己在外面加锁。
901 条直接回复
Zzhou_yi·2 天前已编辑
同意上面说的。补充一点：如果开了这个选项，监控指标里的 GC 次数会翻倍，需要同步调整告警阈值，否则会一直误报。
131 条直接回复
Sswoole_lee·2 天前已编辑
能不能给出最小复现？我本地跑了十分钟没复现出来，环境是 macOS + 最新版。
399
Ttang_hao·昨天
补充一个反例：如果 redis-ops 的版本低于 7.4，这段代码的语义是不一样的，别照抄。我们在灰度环境踩过，回滚了一次。
1
Wwinter·2 天前已编辑
这不是 redis-ops 的问题，是用法的问题。文档里写了这个 API 不是线程安全的，要自己在外面加锁。
1
Aalice_dev·2 天前
能不能给出最小复现？我本地跑了十分钟没复现出来，环境是 macOS + 最新版。
1
这是帖子详情页 /zh-CN/c/redis-ops/post/p11。帖子与评论都由种子随机数确定性生成 —— 同一个帖子每次打开内容一致，因此可以直接分享链接、刷新、被搜索引擎收录。真实实现里这一页是 MySQL 读帖子 + Redis 缓存热帖 + 评论树按 path 字段一次性取出。
看数据表设计 →