08 | 哨兵集群：哨兵挂了，主从库还能切换吗？

上节课，我们学习了哨兵机制，它可以实现主从库的自动切换。通过部署多个实例，就形

成了一个哨兵集群。哨兵集群中的多个实例共同判断，可以降低对主库下线的误判率。

但是，我们还是要考虑一个问题：如果有哨兵实例在运行时发生了故障，主从库还能正常

切换吗？

实际上，一旦多个实例组成了哨兵集群，即使有哨兵实例出现故障挂掉了，其他哨兵还能

继续协作完成主从库切换的工作，包括判定主库是不是处于下线状态，选择新主库，以及

通知从库和客户端。

如果你部署过哨兵集群的话就会知道，在配置哨兵的信息时，我们只需要用到下面的这个

配置项，设置主库的 IP 和端口，并没有配置其他哨兵的连接信息。

sentinel monitor <master-name> <ip> <redis-port> <quorum>

这些哨兵实例既然都不知道彼此的地址，又是怎么组成集群的呢？要弄明白这个问题，我

们就需要学习一下哨兵集群的组成和运行机制了。

基于 pub/sub 机制的哨兵集群组成

哨兵实例之间可以相互发现，要归功于 Redis 提供的 pub/sub 机制，也就是发布 / 订阅

机制。

哨兵只要和主库建立起了连接，就可以在主库上发布消息了，比如说发布它自己的连接信

息（IP 和端口）。同时，它也可以从主库上订阅消息，获得其他哨兵发布的连接信息。当

多个哨兵实例都在主库上做了发布和订阅操作后，它们之间就能知道彼此的 IP 地址和端

口。

除了哨兵实例，我们自己编写的应用程序也可以通过 Redis 进行消息的发布和订阅。所

以，为了区分不同应用的消息，Redis 会以频道的形式，对这些消息进行分门别类的管

理。所谓的频道，实际上就是消息的类别。当消息类别相同时，它们就属于同一个频道。

反之，就属于不同的频道。只有订阅了同一个频道的应用，才能通过发布的消息进行信息

交换。

在主从集群中，主库上有一个名为“

__sentinel__:hello”的频道，不同哨兵就是通过

它来相互发现，实现互相通信的。

我来举个例子，具体说明一下。在下图中，哨兵 1 把自己的 IP（172.16.19.3）和端口

（26579）发布到“

__sentinel__:hello”频道上，哨兵 2 和 3 订阅了该频道。那么

此时，哨兵 2 和 3 就可以从这个频道直接获取哨兵 1 的 IP 地址和端口号。

然后，哨兵 2、3 可以和哨兵 1 建立网络连接。通过这个方式，哨兵 2 和 3 也可以建立网

络连接，这样一来，哨兵集群就形成了。它们相互间可以通过网络连接进行通信，比如说

对主库有没有下线这件事儿进行判断和协商。

 

 

哨兵除了彼此之间建立起连接形成集群外，还需要和从库建立连接。这是因为，在哨兵的

监控任务中，它需要对主从库都进行心跳判断，而且在主从库切换完成后，它还需要通知

从库，让它们和新主库进行同步。

那么，哨兵是如何知道从库的 IP 地址和端口的呢？

这是由哨兵向主库发送 INFO 命令来完成的。就像下图所示，哨兵 2 给主库发送 INFO 命

令，主库接受到这个命令后，就会把从库列表返回给哨兵。接着，哨兵就可以根据从库列

表中的连接信息，和每个从库建立连接，并在这个连接上持续地对从库进行监控。哨兵 1

和 3 可以通过相同的方法和从库建立连接。

 

 

你看，通过 pub/sub 机制，哨兵之间可以组成集群，同时，哨兵又通过 INFO 命令，获得

了从库连接信息，也能和从库建立连接，并进行监控了。

但是，哨兵不能只和主、从库连接。因为，主从库切换后，客户端也需要知道新主库的连

接信息，才能向新主库发送请求操作。所以，哨兵还需要完成把新主库的信息告诉客户端

这个任务。

而且，在实际使用哨兵时，我们有时会遇到这样的问题：如何在客户端通过监控了解哨兵

进行主从切换的过程呢？比如说，主从切换进行到哪一步了？这其实就是要求，客户端能

够获取到哨兵集群在监控、选主、切换这个过程中发生的各种事件。

此时，我们仍然可以依赖 pub/sub 机制，来帮助我们完成哨兵和客户端间的信息同步。

基于 pub/sub 机制的客户端事件通知

从本质上说，哨兵就是一个运行在特定模式下的 Redis 实例，只不过它并不服务请求操

作，只是完成监控、选主和通知的任务。所以，每个哨兵实例也提供 pub/sub 机制，客户

端可以从哨兵订阅消息。哨兵提供的消息订阅频道有很多，不同频道包含了主从库切换过

程中的不同关键事件。

频道有这么多，一下子全部学习容易丢失重点。为了减轻你的学习压力，我把重要的频道

汇总在了一起，涉及几个关键事件，包括主库下线判断、新主库选定、从库重新配置。

 

知道了这些频道之后，你就可以让客户端从哨兵这里订阅消息了。具体的操作步骤是，客

户端读取哨兵的配置文件后，可以获得哨兵的地址和端口，和哨兵建立网络连接。然后，

我们可以在客户端执行订阅命令，来获取不同的事件消息。

举个例子，你可以执行如下命令，来订阅“所有实例进入客观下线状态的事件”：

SUBSCRIBE +odown

当然，你也可以执行如下命令，订阅所有的事件：

PSUBSCRIBE *

当哨兵把新主库选择出来后，客户端就会看到下面的 switch-master 事件。这个事件表示

主库已经切换了，新主库的 IP 地址和端口信息已经有了。这个时候，客户端就可以用这里

面的新主库地址和端口进行通信了。

switch-master <master name> <oldip> <oldport> <newip> <newport>

有了这些事件通知，客户端不仅可以在主从切换后得到新主库的连接信息，还可以监控到

主从库切换过程中发生的各个重要事件。这样，客户端就可以知道主从切换进行到哪一步

了，有助于了解切换进度。

好了，有了 pub/sub 机制，哨兵和哨兵之间、哨兵和从库之间、哨兵和客户端之间就都能

建立起连接了，再加上我们上节课介绍主库下线判断和选主依据，哨兵集群的监控、选主

和通知三个任务就基本可以正常工作了。不过，我们还需要考虑一个问题：主库故障以

后，哨兵集群有多个实例，那怎么确定由哪个哨兵来进行实际的主从切换呢？

由哪个哨兵执行主从切换？

确定由哪个哨兵执行主从切换的过程，和主库“客观下线”的判断过程类似，也是一

个“投票仲裁”的过程。在具体了解这个过程前，我们再来看下，判断“客观下线”的仲

裁过程。

哨兵集群要判定主库“客观下线”，需要有一定数量的实例都认为该主库已经“主观下

线”了。我在上节课向你介绍了判断“客观下线”的原则，接下来，我介绍下具体的判断

过程。

任何一个实例只要自身判断主库“主观下线”后，就会给其他实例发送 is-master-down-by-addr 命令。接着，其他实例会根据自己和主库的连接情况，做出 Y 或 N 的响应，Y 相

当于赞成票，N 相当于反对票。

 

 

一个哨兵获得了仲裁所需的赞成票数后，就可以标记主库为“客观下线”。这个所需的赞

成票数是通过哨兵配置文件中的 quorum 配置项设定的。例如，现在有 5 个哨兵，

quorum 配置的是 3，那么，一个哨兵需要 3 张赞成票，就可以标记主库为“客观下

线”了。这 3 张赞成票包括哨兵自己的一张赞成票和另外两个哨兵的赞成票。

此时，这个哨兵就可以再给其他哨兵发送命令，表明希望由自己来执行主从切换，并让所

有其他哨兵进行投票。这个投票过程称为“Leader 选举”。因为最终执行主从切换的哨兵

称为 Leader，投票过程就是确定 Leader。

在投票过程中，任何一个想成为 Leader 的哨兵，要满足两个条件：第一，拿到半数以上的

赞成票；第二，拿到的票数同时还需要大于等于哨兵配置文件中的 quorum 值。以 3 个哨

兵为例，假设此时的 quorum 设置为 2，那么，任何一个想成为 Leader 的哨兵只要拿到

2 张赞成票，就可以了。

这么说你可能还不太好理解，我再画一张图片，展示一下 3 个哨兵、quorum 为 2 的选举

过程

 

 

在 T1 时刻，S1 判断主库为“客观下线”，它想成为 Leader，就先给自己投一张赞成票，

然后分别向 S2 和 S3 发送命令，表示要成为 Leader。

在 T2 时刻，S3 判断主库为“客观下线”，它也想成为 Leader，所以也先给自己投一张赞

成票，再分别向 S1 和 S2 发送命令，表示要成为 Leader。

在 T3 时刻，S1 收到了 S3 的 Leader 投票请求。因为 S1 已经给自己投了一票 Y，所以它

不能再给其他哨兵投赞成票了，所以 S1 回复 N 表示不同意。同时，S2 收到了 T2 时 S3

发送的 Leader 投票请求。因为 S2 之前没有投过票，它会给第一个向它发送投票请求的哨

兵回复 Y，给后续再发送投票请求的哨兵回复 N，所以，在 T3 时，S2 回复 S3，同意 S3

成为 Leader。

在 T4 时刻，S2 才收到 T1 时 S1 发送的投票命令。因为 S2 已经在 T3 时同意了 S3 的投

票请求，此时，S2 给 S1 回复 N，表示不同意 S1 成为 Leader。发生这种情况，是因为

S3 和 S2 之间的网络传输正常，而 S1 和 S2 之间的网络传输可能正好拥塞了，导致投票请

求传输慢了。

最后，在 T5 时刻，S1 得到的票数是来自它自己的一票 Y 和来自 S2 的一票 N。而 S3 除

了自己的赞成票 Y 以外，还收到了来自 S2 的一票 Y。此时，S3 不仅获得了半数以上的

Leader 赞成票，也达到预设的 quorum 值（quorum 为 2），所以它最终成为了

Leader。接着，S3 会开始执行选主操作，而且在选定新主库后，会给其他从库和客户端通

知新主库的信息。

如果 S3 没有拿到 2 票 Y，那么这轮投票就不会产生 Leader。哨兵集群会等待一段时间

（也就是哨兵故障转移超时时间的 2 倍），再重新选举。这是因为，哨兵集群能够进行成

功投票，很大程度上依赖于选举命令的正常网络传播。如果网络压力较大或有短时堵塞，

就可能导致没有一个哨兵能拿到半数以上的赞成票。所以，等到网络拥塞好转之后，再进

行投票选举，成功的概率就会增加。

需要注意的是，如果哨兵集群只有 2 个实例，此时，一个哨兵要想成为 Leader，必须获得

2 票，而不是 1 票。所以，如果有个哨兵挂掉了，那么，此时的集群是无法进行主从库切

换的。因此，通常我们至少会配置 3 个哨兵实例。这一点很重要，你在实际应用时可不能

忽略了。

小结

通常，我们在解决一个系统问题的时候，会引入一个新机制，或者设计一层新功能，就像

我们在这两节课学习的内容：为了实现主从切换，我们引入了哨兵；为了避免单个哨兵故

障后无法进行主从切换，以及为了减少误判率，又引入了哨兵集群；哨兵集群又需要有一

些机制来支撑它的正常运行。

这节课上，我就向你介绍了支持哨兵集群的这些关键机制，包括：

对于主从切换，当然不是哪个哨兵想执行就可以执行的，否则就乱套了。所以，这就需要

哨兵集群在判断了主库“客观下线”后，经过投票仲裁，选举一个 Leader 出来，由它负责

实际的主从切换，即由它来完成新主库的选择以及通知从库与客户端。

最后，我想再给你分享一个经验：要保证所有哨兵实例的配置是一致的，尤其是主观下线

的判断值 down-after-milliseconds。我们曾经就踩过一个“坑”。当时，在我们的项目

中，因为这个值在不同的哨兵实例上配置不一致，导致哨兵集群一直没有对有故障的主库

形成共识，也就没有及时切换主库，最终的结果就是集群服务不稳定。所以，你一定不要

忽略这条看似简单的经验。

每课一问

这节课上，我给你提一个小问题。

假设有一个 Redis 集群，是“一主四从”，同时配置了包含 5 个哨兵实例的集群，

quorum 值设为 2。在运行过程中，如果有 3 个哨兵实例都发生故障了，此时，Redis 主

库如果有故障，还能正确地判断主库“客观下线”吗？如果可以的话，还能进行主从库自

动切换吗？此外，哨兵实例是不是越多越好呢，如果同时调大 down-after-milliseconds

值，对减少误判是不是也有好处呢？

 

因为判定主库“客观下线”的依据是，认为主库“主观下线”的哨兵个数要大于等于

quorum 值，现在还剩 2 个哨兵实例，个数正好等于 quorum 值，所以还能正常判断主库

是否处于“客观下线”状态。如果一个哨兵想要执行主从切换，就要获到半数以上的哨兵

投票赞成，也就是至少需要 3 个哨兵投票赞成。但是，现在只有 2 个哨兵了，所以就无法

进行主从切换了。

 

哨兵实例越多，误判率会越低，但是在判定主库下线和选举 Leader 时，实例需要拿到的赞

成票数也越多，等待所有哨兵投完票的时间可能也会相应增加，主从库切换的时间也会变

长，客户端容易堆积较多的请求操作，可能会导致客户端请求溢出，从而造成请求丢失。

如果业务层对 Redis 的操作有响应时间要求，就可能会因为新主库一直没有选定，新操作

无法执行而发生超时报警。

调大 down-after-milliseconds 后，可能会导致这样的情况：主库实际已经发生故障了，

但是哨兵过了很长时间才判断出来，这就会影响到 Redis 对业务的可用性。

 

哨兵个人总结

哨兵通过在主节点的sentinel：hello频道基于发布订阅相互发现，来构建集群
哨兵通过向主节点发送INFO命令来获取所有从库信息建立连接
客户端通过订阅哨兵上面的事件频道，感知哨兵当前处理事件 如主从切换
主从切换是由leader哨兵执行，成为leader哨兵要满足两个条件：
第一，拿到半数以上的赞成票；第二，拿到的票数同时还需要大于等于哨兵配置文件中的 quorum 值

哨兵有要做三件事：
监控（判断主从库下线）、选主（选出新主库），通知（让从库切换新主库，通知客户端和新主库连接）

哨兵通过筛选+打分来选择新主库
哨兵会按照在线状态、网络状态，筛选过滤掉一部分不符合要求的从库，
然后，依次按照优先级、复制进度、ID 号大小再对剩余的从库进行打分，只要有得分最高的从库出现，就把它选为新主库。