Redis线上做Keys命令引发的生产事故

最新推荐文章于 2024-07-03 19:02:43 发布

原创最新推荐文章于 2024-07-03 19:02:43 发布 · 2.8k 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#redis #keys

redis 专栏收录该内容

1 篇文章

订阅专栏

本文深入剖析了一起因不当使用Redis命令导致的系统事故，详细解读了事故原因，包括工程师执行高耗时的keys*命令，引发Redis锁死及后续的数据库雪崩。文章强调了Redis开发规范，提出使用scan命令代替keys*，并提供了禁用危险命令的方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

导火索：线上频发报警，网关频繁转发超时，系统很多服务响应时间过长，服务cpu过载，数据库死锁等不正常现象

问题排查：目标范围缩小在近两日上线功能，并锁定在新上线的操作redis缓存功能上。

问题复现：将功能在开发环境测试，由于访问量不足并未发现异常。

将某需求下线后，线上环境得以好转。

分析代码：发现如下

    /**
     * Del.
     *
     * @param keys the keys
     */
    public static void del(String... keys) {
        try (Jedis jedis = getJedis()) {
            jedis.del(Arrays.stream(keys).map(v -> key(v)).collect(Collectors.toList()).toArray(new String[]{}));
        } catch (Exception e) {
            log.error("Redis error:{}", ExceptionTools.getExceptionStackTrace(e));
            throw new RuntimeException(e);
        }

    }

    /**
     * del by pattern
     *
     * @param pattern prefix*
     */
    public static Long del(String pattern) {
        try (Jedis jedis = getJedis()) {
            Set<String> keys = jedis.keys(key(pattern));
            if (CollectionUtils.isNotEmpty(keys)) {
                return jedis.del(keys.toArray(new String[0]));
            } else {
                return 0L;
            }
        } catch (Exception e) {
            log.error("Redis error:{}", ExceptionTools.getExceptionStackTrace(e));
            throw new RuntimeException(e);
        }
    }

事故原因：工程师执行redis keys * 导致环境濒临宕机！
由于及时发现，虽然未造成重大事故，但实属本年度PO级特大事故：

由于工程师直接操作上线redis，执行：

keys * wxdb（此处省略）cf8*

新增的单参数的del方法覆盖了多参数的del方法，所有调用del的地方都走单参del方法，然而此方法内含有keys命令。

redis是单线程服务，这样的命令，导致redis锁住，导致CPU飙升，引起所有支付链路卡住，等十几秒结束后，所有的请求流量全部挤压到了rds数据库中，使数据库产生了雪崩效应，发生了数据库宕机事件。

由于之前验收环境缓存量小，未发现此影响其他服务响应延迟的问题。

运维表示之后会逐步收回运维部各项权限！

二、一条铁律

在业内，redis开发规范中有一条铁律如下所示：

线上Redis禁止使用Keys正则匹配操作！

然而大家都知道，却一直忘记，所以事故会不断的发生。
下面讲一讲在线上执行正则匹配操作，引起缓存雪崩，最终数据库宕机的原因。

三、深度分析

1、redis是单线程的，其所有操作都是原子的，不会因并发产生数据异常；

2、使用高耗时的Redis命令是很危险的，会占用唯一的一个线程的大量处理时间，导致所有的请求都被拖慢。（例如时间复杂度为O(N)的KEYS命令，严格禁止在生产环境中使用）；

有上面两句作铺垫，原因就显而易见了！

运维人员进行keys *操作，该操作比较耗时，又因为redis是单线程的，所以redis被锁住；
此时QPS比较高，又来了几万个对redis的读写请求，因为redis被锁住，所以全部Hang在那；
因为太多线程Hang在那，CPU严重飙升，造成redis所在的服务器宕机；
所有的线程在redis那取不到数据，一瞬间全去数据库取数据，数据库就宕机了；

需要注意的是，同样危险的命令不仅有keys *，还有以下几组：

因此，一个合格的redis运维或者开发，应该懂得如何禁用上面的命令。所以我一直觉得出现新闻中那种情况的原因，一般是人员的水平问题。

四、怎么禁用这些命令呢？

就是在redis.conf中，在SECURITY这一项中，我们新增以下命令：

另外，对于FLUSHALL命令，需要设置配置文件中appendonly no，否则服务器是无法启动。

注意了，上面的这些命令可能有遗漏，大家可以查官方文档。除了Flushdb这类和redis安全隐患有关的命令意外，但凡发现时间复杂度为O(N)的命令，都要慎重，不要在生产上随便使用。例如hgetall、lrange、smembers、zrange、sinter等命令，它们并非不能使用，但这些命令的时间复杂度都为O(N)，使用这些命令需要明确N的值，否则也会出现缓存宕机。

五、改良建议

业内建议使用scan命令来改良keys和SMEMBERS命令：

Redis2.8版本以后有了一个新命令scan，可以用来分批次扫描redis记录，这样肯定会导致整个查询消耗的总时间变大，但不会影响redis服务卡顿，影响服务使用。