在Kubernetes上搭建Redis集群遇IP错误：卡在“等待集群加入...”

我之前在Azure AKS上搭建Redis集群时也碰到过一模一样的问题，卡在Waiting for the cluster to join....无限循环，折腾了好一阵才找到根源。咱们一步步来拆解排查：

一、先搞定最核心的网络可达性问题 #

Redis集群节点之间需要双向通信（6379业务端口+16379集群总线端口），这是导致循环最常见的原因：

• 测试Pod间连通性：随便进入一个Redis Pod，执行redis-cli -h <其他Pod的Cluster IP> ping，看是否返回PONG；再用telnet <Pod IP> 16379测试集群总线端口。如果连不通，先检查：
  • Azure AKS的NSG（网络安全组）是否允许Pod子网内的这两个端口流量；
  • 有没有配置Network Policy拦截了Redis Pod之间的通信；
  • 如果用的是Azure CNI，确认子网没有防火墙规则限制Pod间访问。
• 验证DNS解析：如果用StatefulSet部署，每个Pod有稳定的DNS名称（比如redis-0.redis-headless.default.svc.cluster.local），在Pod里执行nslookup redis-0.redis-headless，看是否能解析到正确的Pod IP。
• 检查集群宣告IP配置：确保Redis配置里的cluster-announce-ip设置的是Pod自身的IP（或者用StatefulSet的DNS名称），不要错误设置成Service的Cluster IP，否则其他节点无法正确连接到它。

二、确认Redis节点的配置没有遗漏 #

• 强制开启集群模式：检查每个Redis Pod的redis.conf里是否有cluster-enabled yes，这个是集群运行的基础，别漏了！
• 配置文件权限：确认cluster-config-file（默认是/var/lib/redis/nodes.conf）所在目录有Redis进程的写入权限，否则节点无法保存集群状态，会导致同步失败。可以进入Pod看日志，有没有Failed to open the cluster configuration file这类错误。
• 超时时间设置：默认cluster-node-timeout 15000（15秒），如果Azure网络有轻微延迟，可以适当调大到30000，但别设得太小，否则节点会频繁判定对方离线。

三、规范redis-trib的执行方式 #

• 在集群内部执行命令：别在本地机器跑redis-trib！本地大概率无法直接访问Pod的Cluster IP，必须在K8s集群内的Pod里执行（比如启动一个临时Redis Pod：kubectl run -it --rm redis-cli --image=redis -- redis-cli），这样和所有Redis节点在同一个网络空间里。
• 清空旧集群状态：如果某个节点之前加入过其他集群，先进入Pod执行redis-cli flushall + redis-cli cluster reset，彻底清空旧数据再重新操作。
• 用正确的节点地址：执行redis-trib时用StatefulSet的DNS名称（比如redis-0.redis-headless:6379），别用随机的Pod IP，避免IP变动导致的问题。比如创建集群的命令应该是：

  redis-trib create --replicas 1 redis-0.redis-headless:6379 redis-1.redis-headless:6379 redis-2.redis-headless:6379 redis-3.redis-headless:6379 redis-4.redis-headless:6379 redis-5.redis-headless:6379
  

四、Azure AKS的特殊配置检查 #

• Headless Service必须正确：Redis集群依赖Headless Service提供稳定的DNS解析，确保Service的clusterIP: None，并且selector完全匹配Redis Pod的标签（比如app: redis）。
• Pod Security Policy（PSP）限制：如果AKS启用了PSP，检查是否禁止了Pod的网络端口访问，临时禁用PSP测试一下，或者修改PSP允许6379和16379端口。
• 避免负载均衡干扰：集群内部通信别用LoadBalancer类型的Service，只用Headless Service，否则负载均衡会打乱Redis节点之间的直接连接。

最后给个快速验证小技巧：进入任意Redis Pod执行redis-cli cluster nodes，如果能看到所有节点的信息，说明网络和配置基本没问题；如果看不到，先从网络连通性入手排查，再看你已经开启的debug级别日志，里面会有详细的连接失败原因。

内容的提问来源于stack exchange，提问作者jbl