华为云 DCS Redis 主备切换实战：从客户端超时到哨兵日志的一次完整排查

做缓存服务最怕的不是慢，而是「明明配置了主备，切换那一刻业务还是抖了一下」。上周我们在华为云 DCS（分布式缓存服务）上做了一次主备切换演练，把客户端到服务端的整条链路完整排查了一遍，记录几个关键结论。

一、客户端超时配置要与切换窗口匹配。DCS 主备实例哨兵触发故障转移通常在 10 秒量级内完成，如果客户端 connect/socket 超时设得比这更短（比如 1 秒且不重试），切换期间会集中报错。正确做法是：读写超时保持在 200~500ms，但开启重试并配合退避，让请求熬过切换窗口。

二、不要忽略 replica 只读确认。切换完成后主节点角色已变，但部分客户端连接池里的旧连接仍指向降级的旧主，会收到 READONLY 错误。我们使用的框架需要开启「拓扑刷新」，或在连接池层面监听 reconnect 事件，否则错误会持续数分钟。

三、哨兵日志是最快的定位手段。在 DCS 控制台的日志页可以看到 +sdown、+odown、+switch-master 的完整时间线。这次演练中，从 sdown 判定到 switch-master 只用了 8 秒，而业务报错持续了 90 秒——多出来的时间全花在客户端重连上，这就是优化的重点。

四、演练要挑业务低峰并提前公告。切换过程中会有 1~2 秒的写请求失败窗口，对强一致场景建议在应用层做幂等或降级读。

总结：DCS 主备切换本身足够快，业务抖动大多来自客户端配置。把重试、拓扑刷新和超时三件事配置对，切换窗口可以做到业务几乎无感。