1. 课程导入与故障诊断全景
Redis 在生产环境中很少以“单机 + 无持久化 + 无主从”的形态出现。真实系统里，它往往同时承担缓存、分布式锁、计数器、消息队列、排行榜等职责，并运行在主从复制、哨兵或 Cluster 拓扑之上，背后还有持久化文件、客户端连接池、代理层和监控体系。因此，当故障发生时，我们看到的通常不是“Redis 挂了”这么简单，而是一组相互纠缠的现象：延迟毛刺、连接超时、主从切换、内存告警、数据不一致，甚至业务侧出现重复扣款或缓存击穿。本课程要解决的，正是这类复杂故障——单一原因难以解释、多个子系统相互影响、且必须在有限时间内恢复业务并保住数据的场景。
什么是 Redis 复杂故障
可以把 Redis 故障分成三个层次来理解。第一层是单点故障：某个实例进程退出、端口不通、OOM 被杀，这类问题定位直接，重启或切换即可。第二层是链路故障：主从复制中断、哨兵误判、Cluster 槽位迁移卡住、客户端连接池耗尽，问题出在组件之间的协作上。第三层才是复杂故障：它通常由“资源压力 + 配置缺陷 + 拓扑变化 + 业务流量”共同触发，表现为一个症状背后有多条因果链。例如，一次主从切换后出现大量超时，可能同时涉及：从节点复制积压导致切换后数据回滚、客户端未及时刷新拓扑仍连旧主、以及切换瞬间连接风暴打满新主连接数。只修其中一处，故障会反复出现。
因此，本课程对复杂故障的定义是：由两个及以上相互作用的因素引发，症状与根因之间存在跨组件、跨时间的因果链，且恢复过程需要在数据安全、服务可用性和业务一致性之间做权衡的 Redis 故障。
故障分类：按“故障域”建立排查坐标系
面对复杂故障，最忌讳的是凭直觉乱试命令。更有效的做法是先建立分类坐标系，把现象归入某个故障域，再沿该域的因果链向下追。课程中我们统一使用以下五个故障域：
- 内存域：内存使用率、碎片率、大 key、过期策略、maxmemory 与淘汰策略配置。典型症状是延迟升高、写入被拒、OOM。
- 持久化域：RDB fork 阻塞、AOF 重写、磁盘 IO 饱和、fsync 策略。典型症状是周期性卡顿、写命令超时。
- 复制与拓扑域：主从断连、复制积压缓冲区溢出、全量同步风暴、哨兵/Cluster 选主与槽位迁移。典型症状是数据不一致、切换后流量异常。
- 客户端与连接域：连接数打满、超时参数不合理、连接池泄漏、慢命令阻塞单线程。典型症状是超时集中爆发、吞吐骤降。
- 数据与业务域：缓存穿透/击穿/雪崩、热 key、分布式锁失效、数据被误删或回滚。典型症状是业务错误率上升，而 Redis 自身指标看似正常。
这五个域不是孤立的。内存压力会触发淘汰，淘汰会引发缓存击穿，击穿又推高数据库负载并反过来加剧 Redis 连接压力。诊断的价值就在于识别当前故障主链在哪，避免在支链上浪费恢复时间。
诊断原则：先止血、再定位、后复盘
复杂故障的处置必须遵循明确的优先级，否则容易在排查中扩大影响面。课程贯穿以下四条原则：
- 业务优先于根因：先恢复可用性（切流、限流、降级、重启从节点等），再从容定位根因。不要在业务全挂时执着于抓现场。
- 先保数据，再保性能：任何可能造成数据丢失的操作（如强制主从切换、清空积压、直接 flush）都必须先评估数据可恢复性。
- 用指标说话，不靠猜测：延迟、QPS、连接数、内存、复制偏移量、慢日志，这些是可观测的客观依据。判断必须能对应到具体指标的变化。
- 变更即记录：故障期间的每一次操作都要记录时间点和动作，否则复盘时无法还原因果链，也无法判断是修复生效还是故障自愈。
恢复目标：RTO 与 RPO 的权衡
恢复不是“让 Redis 能连上”就结束了。课程要求每个故障场景都明确两个目标：RTO（恢复时间目标），即业务可接受的中断时长；RPO（恢复点目标），即业务可接受的数据丢失量。二者往往冲突：追求 RPO=0 需要等待从节点数据追平，会拉长 RTO；追求极短 RTO 直接切换，可能丢失最后一段写入。诊断时必须先和业务方确认这两个值，再决定恢复动作的激进程度。例如，支付类业务通常要求 RPO 接近 0，宁可多等几十秒；而纯缓存场景可以接受 RPO 较大，优先快速切流。
课程实战路线图
本课程共 30 章，整体按“认知 → 观测 → 定位 → 恢复 → 复盘”的能力递进组织。前段建立故障分类与诊断方法论，中段深入内存、持久化、复制、Cluster、客户端等各故障域的具体排查手段与命令，后段通过综合案例演练多因素叠加故障的处置全过程，并沉淀可复用的检查清单与恢复预案。每一章都会给出可操作的命令、参数和判断依据，而不是停留在概念层面。
这张全景图给出了本课程后续所有章节共用的分析框架：从业务可见的症状出发，先归入故障域，再沿因果链找到主链，执行止血动作，最后用 RTO 与 RPO 校验恢复是否真正达成。后续每一章都会在这个框架下展开具体的命令、参数与判断标准，帮助你在真实故障现场快速缩小范围、做出正确决策。