Redis 3.20集群迁移slots槽点丢失key数据

一、问题

redis slots迁移的时候，在迁移之后key数量会变少.

二、排查

2.1、思考

• redis 3.x也是比较成熟的产品了，为什么会丢key?别人有没有遇到同样的问题？
• 假设丢key了，如果key是因为expire丢失，那应该是正常，如果没有expire丢失，就是问题了，首先复现问题。

2.2、复现问题

0.准备集群

造了两个节点的集群：10.1.100.100:20003和10.1.100.100:20004，最大可使用内存200M，并保证在测试过程中不会导致内存满等其他问题

key格式：{test}i, 保证所有的key使用同一个slot。{test}i的slot为6918，并且测试前slot里面没有key.

1.非过期key测试

结论: 20000个key全部迁移，没有问题。

2.部分带过期时间的key测试

使用和上面相同的方法，测试{20000个不过期的key，20000个带过期时间的key}的情况。使用了{test}i的slot=6918和{bug}i的slot=7910这两个slot进行了测试。

如果迁移的过程中没有key正在过期，发现迁移后key的数量也会减少

如果有迁移的过程中有key正在过期，那么迁移完成后key的数量少于20000，并且多次实验测试少的key的数量不同，有的时候少几百个，有的时候少2000多个。

说明，如果在迁移slot的过程中，如果有key过期，那么会对那么没有过期时间的key造成影响，导致丢失一些不过期的key.

3.是不是redis-trib的问题？

redis-trib在判断是不是迁移完成时，只判断了getkeysinslot，当getkeysinslot返回空时就直接认为迁移完成了，直接退出。
所以在代码里面添加了countkeysinslot，当两者同时为0时，在尝试判断10次在退出试一下。

结论:问题同样复现，不是这里的问题。

4.redis新版本如何？

我们用的redis版本为3.2.1，新版本是不是也存在这个问题？

在github上clone了最新的代码

3.x的最新版本3.2.6, 问题可以复现。

4.0, 问题没有复现。并且在测试中发现，4.0的redis-server和当前3.2的无法兼容。

并且在测试中发现，4.0的redis-server和当前3.2的无法兼容。

例如10.1.100.100:20003是3.2.1，10.1.100.100:20004是4.0，cluster nodes如下：

全部是4.0时，cluster nodes如下：

所以继续使用3.2.6的排查。

5.问题在哪？

修改redis-trib代码添加迁移的key 的log,修改redis 3.2.6的代码，在源节点的log里面打印处理的key

redis 3.2.6

问题复现,这次丢失的key为:

在redis-trib和source节点都能看到缺少的key的日志，很明显的看到key被迁移了。

在target的节点看到日志是这样的：

所有丢失的key的ttl都不对！

去源节点看一下ttl是啥？

说明所有丢失key的ttl因为没有处理而使用了前一个key的ttl！

问题出在下面代码的for循环，对于不过期的key,ttl应该是0，但是如果前面有过期的key,ttl>0.那么在下一个处理不过期key时，expireat=-1，不会进入if，ttl还是使用前一个ttl，导致一个永不过期的key因为ttl>0而过期。

三、解决问题

去github看一眼最新的代码,发现已经被@badboy发现并fix了，好悲伤~

官方Git： https://github.com/antirez/redis/pull/3673/files

方法一：需要修改src/cluster.c 源码文件，重新编译：

方法二：使用redis 4.0 以上版本的redis-trib 迁移slots

作者：字节跳动技术团队
链接：https://www.jianshu.com/p/85cd00588d63