结论先行:Redis 4.0+ 生产环境直接用混合持久化(aof-use-rdb-preamble yes):重启时先加载 RDB 快照再追加 AOF 增量,兼得 RDB 的恢复速度与 AOF 的低丢失窗口。纯缓存场景可以干脆关闭持久化,把可用性交给主从 + 哨兵。
RDB:某一刻的全量快照
- 触发:手动
bgsave,或save配置规则(如"900 秒内至少 1 次写",多个规则任一满足即触发); - 原理:fork 子进程,父子进程共享内存页(写时复制 COW),子进程遍历内存生成紧凑的二进制快照文件;
- 优点:文件小、恢复快、对主线程干扰小;
- 缺点:两次快照之间的数据宕机即丢。fork 本身也有成本——耗时与内存页表大小成正比,10GB 级实例的 fork 可能造成可感知的卡顿;写入高峰期 COW 还可能让内存临时接近翻倍。
命令层面的区别要记牢:save 在主线程内同步执行,执行期间 Redis 完全阻塞,生产环境只允许用 bgsave;save 配置规则背后调用的也是 bgsave 流程。快照文件与 AOF 不同,是某"时点"的完整镜像,天然适合做备份与跨机传输——备份体系一般以 RDB 文件为基础。
fork 的机制值得展开:fork 只复制页表不复制内存,子进程与父进程共享物理页;此后父进程任意一页发生写操作,内核才真正复制那一页(写时复制)。所以 RDB 期间的风险敞口是"写入越活跃,COW 复制的页越多",极端场景(全量 key 同时被改)内存需求接近两倍。容量规划时给实例留出的余量,主要是为 fork + COW 准备的,不是为业务数据本身。
AOF:追加写命令日志
AOF 记录每条写命令(写后追加:先执行命令再记日志,不会阻塞当前写):
- 刷盘策略
appendfsync三选一:always每条刷盘(最安全最慢)、everysec每秒刷(默认,最多丢 1 秒)、no交给操作系统(最快最不安全); - 文件越写越大 →
bgrewriteaof重写:fork 子进程按当前内存状态生成最小命令集,重写期间的新写入进入重写缓冲,结束后追加,保证不丢; - 4.0 起重写支持以 RDB 格式作文件头(混合持久化),文件体积与恢复速度大幅优化;
- 重写期间可用
no-appendfsync-on-rewrite yes暂停 fsync,换取重写期主线程少受磁盘 IO 拖累,代价是这段窗口宕机可能多丢数据; - 文件尾部因宕机截断时,用
redis-check-aof --fix修复后重启;配置aof-load-truncated yes(默认)允许自动加载截断前的部分。
7.0 引入 Multi-Part AOF:一个 AOF 拆成 base 文件(RDB 格式)+ 增量文件 + manifest 清单,重写不再需要"重写缓冲双写",内存峰值与卡顿进一步下降——这也是 7.0 之后混合持久化成本更低的原因。
everysec 的实现细节也有讲究:主线程把命令写入 AOF 缓冲后立即返回,由后台线程每秒 fsync 一次;当后台 fsync 卡住(磁盘 IO 高),主线程会阻塞等待上一次 fsync 完成——这就是"AOF 刷盘拖慢写入"的机制。磁盘压力大、fsync 延迟超过 2 秒时,Redis 会拒绝写入并报错,这是保护机制不是故障。INFO stats 里的 aof_delayed_fsync 计数增长说明 fsync 已经开始拖累主线程,是磁盘需要扩容或 AOF 迁移到独立盘的信号。写命令里还有一类容易被忽视的体积来源:对同一个大集合反复 SADD/HSET 单个元素,每条命令各占一行日志,AOF 体积远超一次批量写入——AOF 友好的写法与网络友好的写法一致:能批量就批量。
对比与选型
| 维度 | RDB | AOF |
|---|---|---|
| 数据丢失窗口 | 分钟级 | 秒级(everysec) |
| 文件体积 | 小(紧凑二进制) | 大(文本命令,重写后改善) |
| 恢复速度 | 快 | 慢(逐条重放) |
| 主线程影响 | fork 瞬间 + COW | fsync 刷盘时延 |
| 可读性/可修复 | 不可读 | redis-check-aof 可修复截断 |
配置层面也有对错之分:
# 错误配置:everysec 但缺少重写参数,AOF 文件无限增长
# 后果:文件越写越大,重启恢复时间越来越长,磁盘被慢慢吃满
appendonly yes
appendfsync everysec
# 正确配置:混合持久化 + 自动重写
appendonly yes
appendfsync everysec
aof-use-rdb-preamble yes
auto-aof-rewrite-percentage 100 # 文件比上次重写后增长 100% 触发重写
auto-aof-rewrite-min-size 64mb # 且文件超过 64MB 才触发
纯缓存实例建议 appendonly no 且不配 save 规则——重启后由回源逻辑重建数据,持久化只会白白拖累性能。
主从架构下持久化还有一个反向作用:主库持久化全部关闭时,崩溃重启等于数据清零,从库看到主库 runid/复制位点变化会触发全量同步——所有从库瞬间拉全量 RDB,主库带宽与 CPU 被打爆,还会放大全量同步期间的数据不一致。所以即使业务完全可回源,主库也至少保留低频 RDB 快照作为"重启后的基线",这是主从架构常被忽略的持久化理由。
巡检:把持久化纳入监控
// Jedis:定时巡检持久化状态(INFO persistence / INFO memory)
try (Jedis jedis = pool.getResource()) {
String persistence = jedis.info("persistence");
// 关键字段:
// rdb_last_bgsave_status:ok 最近一次 bgsave 是否成功
// rdb_changes_since_last_save:0 距上次快照的写入量,过大说明快照间隔过长
// aof_enabled:1 / aof_last_bgrewrite_status:ok
if (!persistence.contains("rdb_last_bgsave_status:ok")) {
alertService.report("bgsave 失败,检查磁盘空间与内存余量");
}
// INFO memory 的 mem_fragmentation_ratio:
// fork + COW 期间内存上涨明显,实例内存预算要留出余量
}
巡检项至少覆盖三类:持久化最近一次状态(ok 与否)、距上次成功快照的变更量(反映丢失窗口)、AOF 文件体积与重写频率(反映重写参数是否合理)。持久化失败是"静默故障"的典型——Redis 本身不会因此不可用,直到重启那天才会兑现为数据丢失,必须靠巡检提前暴露。bgsave 失败最常见的原因是 fork 失败:内存余量不足时 fork 直接返回错误,rdb_last_bgsave_status:err 会一直挂着直到人为处理——它不会自愈,发现即处置,拖到重启那天就是丢数据。
最后一条铁律
持久化不等于备份,更不等于高可用。 RDB/AOF 都落在本机磁盘,机器挂了数据一起没了;生产必须有定时任务把持久化文件异地备份,并部署主从 + 哨兵/Cluster。持久化解决的只是"单机重启不丢太多数据",仅此而已。把这三层概念分开记忆:持久化管重启,备份管机器没了,高可用管服务不中断——三个问题对应三套方案,混为一谈的架构在事故日会一起塌。
生产案例
某次机房网络抖动导致一台 Redis 主库整机重启,恢复后业务反馈部分配置数据回退到了几个小时前。检查发现该实例既是配置中心存储又是热点缓存,但运维图省事只开了默认 RDB 快照,且 save 规则在写入稀疏时段几乎不触发——最后一次成功的 bgsave 距重启已有数小时,中间的写入全部丢失。应急处置:先让各服务从数据库回源重建缓存,再从最近的异地备份 RDB 恢复剩余 key。根治改造分三步:该实例按"有状态数据"重新定位,开启混合持久化(everysec),丢失窗口压缩到秒级;巡检脚本把 rdb_last_bgsave_status、rdb_changes_since_last_save 纳入每日健康报表,快照失败立即告警;持久化文件纳入异地备份流水线,恢复演练每季度跑一次。这次事故还有一个连带发现:同实例混存"可回源的缓存"与"不可回源的状态数据"是配置反模式,改造后状态数据独立实例部署。复盘结论很直接:持久化策略由"数据丢了会怎样"决定,而不是由"服务器还剩多少资源"决定。
检查清单
- 按数据价值分级:有状态数据开混合持久化(everysec),纯缓存关闭持久化
- auto-aof-rewrite 参数必须配置,防止 AOF 文件无限增长
- 实例内存预留 fork + COW 余量,写入高峰期观察 mem_fragmentation_ratio
- 巡检 rdb_last_bgsave_status 与 aof_last_bgrewrite_status,失败即告警
- 持久化文件异地备份,恢复演练定期执行
- 缓存数据与状态数据分实例部署,不混存
- 重启恢复时间纳入容量评估:AOF 体积越大恢复越慢