**Introduzione** Il corretto monitoraggio di Redis quando è integrato in un'applicazione Spring Boot è fondamentale per garantire **bassa latenza**, **alta disponibilità** e **conformità agli SLA**. Senza metriche precise, i team SRE rischiano di non individuare in tempo colli di bottiglia che possono far crescere il tasso di errore e aumentare il MTTR. In questo articolo, scoprirai quali sono le metriche più rilevanti, come raccoglierle con Lescopr e come configurare alert automatici per intervenire prima che un problema diventi un incidente. ## 1. Metriche chiave da monitorare ### 1.1 Hit/Miss Ratio > **Che cosa è il hit/miss ratio?** Il rapporto tra richieste servite dalla cache (hit) e quelle che hanno dovuto ricorrere al backend (miss). Un valore elevato indica una cache efficace, mentre un decremento segnala potenziali problemi di configurazione o di pattern di accesso. - **Hit rate**: `hits / (hits + misses)` - **Miss rate**: `misses / (hits + misses)` - **Soglia consigliata**: mantenere il miss rate < **5%** per più di **5 minuti**. ### 1.2 Eviction Rate > **Perché le eviction sono importanti?** Le eviction avvengono quando Redis rimuove chiavi per liberare spazio, spesso a causa di una politica LRU o di limiti di memoria. Un tasso di eviction elevato può indicare che la cache è sottodimensionata. - **Eviction count**: numero totale di chiavi rimosse. - **Eviction per second**: `eviction_count / uptime_seconds`. - **Soglia consigliata**: non superare **100 eviction/second** in ambienti di produzione. ### 1.3 Latency e Throughput - **Latency p95**: tempo di risposta della cache al 95° percentile. - **Throughput**: operazioni al secondo (ops/s). - **Soglia consigliata**: latency p95 < **2 ms**, throughput > **10 k ops/s** per istanze di dimensioni medie. ## 2. Come raccogliere le metriche con Lescopr ### 2.1 Integrazione nativa con Spring Boot Lescopr fornisce un starter **lescopr-spring-boot-starter** che espone automaticamente i contatori Redis come **Prometheus metrics**. Basta aggiungere la dipendenza: ```xml com.lescopr lescopr-spring-boot-starter 1.3.0 ``` ### 2.2 Configurazione del client Redis Nel file `application.yml`: ```yaml spring: redis: host: redis-prod.example.com port: 6379 lettuce: pool: max-active: 20 lescopr: monitoring: redis: enabled: true metrics: - hitRate - missRate - evictionRate - latencyP95 ``` ### 2.3 Esposizione su Prometheus Lescopr registra le metriche su `/actuator/prometheus`. Il server Prometheus può quindi scrivere queste serie temporali in **Lescopr Observability** per visualizzarle in dashboard SLA‑aware. ## 3. Configurazione di alert automatici ### 3.1 Principi di base per gli alert > **Come impostare un alert efficace?** Un alert deve essere **azionabile**, **sintetico** e **basato su soglie operative**. Evita soglie statiche troppo rigide; preferisci soglie dinamiche basate su media mobile. - **Alert su miss rate**: trigger quando il miss rate supera **5%** per più di **5 minuti**. - **Alert su eviction rate**: trigger quando le eviction superano **100/second** per **2 minuti**. - **Alert su latency p95**: trigger quando supera **2 ms** per **3 minuti**. ### 3.2 Creazione di regole in Lescopr Nel pannello **Alert Rules** di Lescopr: 1. Seleziona la metrica **redis_miss_rate**. 2. Definisci la soglia **> 0.05** con una **window di 5 minuti**. 3. Imposta la notifica via **Slack** o **email**. 4. Associa la regola a un **runbook** che descrive i passi di mitigazione (es. aumentare la dimensione della cache, rivedere la chiave TTL). ### 3.3 Esempio di regola in YAML ```yaml alert: name: redis-miss-rate-high metric: redis_miss_rate condition: > 0.05 duration: 5m notification: channels: - slack:#ops-alerts - email:ops@example.com runbook: https://docs.lescopr.com/runbooks/redis-miss-rate ``` ## 4. Interpretare i dati e prendere decisioni operative ### 4.1 Analisi delle tendenze Confronta il **miss rate** con il **throughput** per capire se il problema è legato a un aumento del carico o a una degradazione della cache. Un picco di miss accompagnato da un aumento di **eviction** suggerisce che la **memoria disponibile** è insufficiente. ### 4.2 Azioni correttive - **Dimensionamento**: aumentare la memoria configurata per Redis (`maxmemory`), oppure aggiungere nodi al cluster. - **TTL tuning**: ridurre il TTL delle chiavi meno critiche per liberare spazio. - **Pattern di accesso**: introdurre una **caching layer** a livello di servizio per ridurre le richieste dirette a Redis. ### 4.3 Verifica post‑intervento Dopo ogni modifica, monitora nuovamente le metriche per **30 minuti** per confermare la stabilità. Usa le **dashboard di Lescopr** per confrontare le serie temporali pre‑ e post‑intervento. ## 5. Best practice per un monitoraggio resiliente - **Aggregazione**: raggruppa le metriche per **instance** e **region** per individuare problemi geograficamente localizzati. - **SLA alignment**: collega le soglie di alert agli **SLA** definiti con i clienti (es. 99.9% di uptime). - **Automazione**: integra le regole di alert con **pipeline CI/CD** per aggiornare automaticamente le configurazioni di scaling. ## Conclusione Il monitoraggio accurato delle metriche Redis in Spring Boot permette di mantenere le prestazioni della cache sotto controllo, riducendo il MTTR e rispettando gli SLA. Con Lescopr, la raccolta, la visualizzazione e la gestione degli alert diventa un processo integrato e scalabile. **Per approfondire, la documentazione di Lescopr descrive la configurazione passo dopo passo.**