准备阶段：明确目标与容量评估
业务目标与扩容范围
在运维视角下，清晰定义业务目标是成功扩容的第一步。通过与业务方沟通，明确吞吐量、延迟、并发峰值等关键指标，形成可测量的扩容范围。目标明确有助于确定扩容的时间窗口、节点数量以及副本策略。
同时，需要记录当前集群的容量基线与风险点，梳理瓶颈所在（CPU、内存、磁盘IO或网络带宽），确保扩容不仅是容量的增加，也是“性能边界”的提升。对比历史数据，形成未来阶段的资源预案。
容量与性能目标
在制定容量目标时，需覆盖峰值访问场景、长尾延迟等维度，设定可验证的上线标准，确保扩容后能够稳定支撑业务需求。重点关注主从复制延迟、槽位迁移影响以及集群状态。
为后续扩容留出余量是常见的实践，预留冗余容量可以降低扩容周期中的风险，并提供更灵活的滚动升级能力。
架构设计与拓扑规划
集群规模与槽位分配
Redis 集群共用 16384 个槽位，扩容时应确保槽位均匀分布，以避免部分节点成为热点瓶颈。通过扩容策略，新的节点应接管等量槽位，维持负载平衡。
在设计中还需考虑副本数，多副本可以提升容错能力，但也要权衡内存和网络开销。将副本分布到不同故障域有助于提高稳定性。
数据冗余与故障域
为降低单点故障风险，跨机房或跨机柜的分布策略是常见做法，确保某一节点故障不会导致数据不可用。
同时应定义一致性要求与故障转移策略，确保主从切换在扩容后仍然可控，从而避免长时间不可用。
环境准备与基线优化
主机与容器资源
在扩容前确认每台节点拥有充足的 CPU、内存、磁盘和网络带宽，避免资源抢占与争用导致的抖动。
对容器化部署的环境，还需要关注节点亲和性、资源配额与网络隔离，确保新旧节点在同一性能基线上运行。
操作系统与内核调优
常见调优包括提升文件句柄数、网络连接队列、以及内核参数对 Redis 的友好性，优化 net.core.somaxconn、fs.file-max、vm.overcommit_memory等。
基线检查是关键，在上线前复核系统参数是否生效，避免上线后因参数不一致引发不可预期的问题。
扩容的具体步骤：从准备到上线
新增节点前的准备
新增节点的准备包括镜像一致性、时钟同步、磁盘可用性与网络连通性，确保新节点能快速接入集群。
对新节点进行基线自检，检查端口、时钟、权限及磁盘写入能力，避免上线时的阻塞。
将节点加入集群与初始配置
新节点加入集群通常需要设置 cluster-enabled、cluster-config-file、cluster-node-timeout 等参数，确保节点能被集群识别并参与选举。
# 假设现有集群在 10.0.0.1:7000，新增节点 10.0.0.4:7000
redis-cli --cluster add-node 10.0.0.4:7000 10.0.0.1:7000
执行后应监控 cluster meet 的落地情况，确保新节点进入集群状态正常，避免孤岛。
数据迁移与重新分片（reshard）
通过重新分片将槽位从现节点迁移到新增节点，有效缓解热点槽分布不均，并提升并发写入的稳定性。
# 启动一个交互式重新分片流程，按向导选择源节点、目标节点及槽位范围
redis-cli --cluster reshard 127.0.0.1:7000
迁移过程中需要持续观察 迁移速率、网络带宽占用与延迟变化，确保对业务影响降到最低。
上线前的验证与测试
功能与一致性测试
扩容完成后，验证分区、主从切换、故障转移和持久化策略在新拓扑下的正确性，确保数据的一致性与可用性。
要进行多场景测试，覆盖并发写入、读写混合、以及跨节点的读写分离，确保数据正确性与延迟稳定性。
生产场景仿真
通过压力测试和回放真实业务请求，观察延迟波动、命中率与错误率，评估扩容后的实际性能。
# 基本压力测试示例（在 127.0.0.1:7000 上测试）
redis-benchmark -h 127.0.0.1 -p 7000 -n 100000 -q
监控、告警与自动化运维
指标体系与阈值
核心监控应覆盖 集群状态(cluster_state)、节点健康、槽位分布情况、复制延迟以及网络延迟等维度，确保能够在异常早期告警。
通过设定合理阈值，避免误报与忽略告警，实现稳定的运维观测。
自动化与回滚策略
扩容变更应具备可回滚路径，提前准备好备份与回滚执行计划，确保在扩容失败或性能异常时能迅速恢复。
# 常见备份示例（取决于部署方式，某些场景为 AOF/RDB 与快照）
redis-cli SAVE
scp /var/lib/redis/dump.rdb backup@backuphost:/backups/redis-dump-$(date +%F).rdb
上线后的运维与持续优化
容量监控与扩展节奏
上线后应持续监控容量与性能指标，定期评估是否需要进一步扩展，以保持目标性能与成本之间的平衡。
通过趋势分析，确定扩容的节奏与窗口，避免过度拥挤或资源浪费。
故障演练与应急预案
建立定期的故障演练，包括网络分区、节点故障、磁盘损坏等场景，提升团队的应急处置能力。
同时更新应急预案、联系清单与变更记录，确保在突发事件时的快速响应。
