当前位置:首页 > 文章列表 > 数据库 > Redis > Redis ACL 按命令类别限制应用权限的配置

Redis ACL 按命令类别限制应用权限的配置

来源:17golang原创 2026-10-16 22:52:45 0浏览 收藏

我第一次把 Redis 应用账号从“能连上就什么都能做”收紧时,最容易写错的不是密码,而是命令类别和键范围。比较稳妥的做法是:先用 ACL CAT 看当前实例的类别,再从一个重置后的用户开始,只开放业务需要的类别和键前缀,最后用 ACL GETUSER 复查结果。

官方地址:https://redis.io/

命令类别适合减少逐条列命令的工作量,但最小权限仍然要靠“命令类别 + 单项排除 + 键模式”一起完成。不要直接把 +@all 当成应用账号的默认权限。

先看 ACL CAT,不要猜类别里有什么

Redis ACL 可以用 +@category 一次加入一个命令类别,也可以用 -@category 排除它。类别不是固定的业务角色名,具体命令归属应以目标实例返回的结果为准。

# 查看当前 Redis 支持的 ACL 类别
redis-cli ACL CAT

# 查看读类别和写类别分别包含哪些命令
redis-cli ACL CAT read
redis-cli ACL CAT write

# 查看管理类命令,确认应用账号不应接触的范围
redis-cli ACL CAT admin

ACL CAT 不带参数返回类别名称,带类别名时返回该类别包含的命令。一个命令可能属于多个类别,所以不要把类别理解成互斥分组;例如一个读写混合场景仍需要按实际调用补充或排除单个命令。

Redis ACL 类别、命令集合与应用用户权限之间的静态关系图
图1:命令类别结构说明图,查看 ACL CAT、类别命令和应用用户授权之间的关系;这是原创静态说明图,不是运行截图。

从 reset 开始创建应用用户

下面的例子假设应用只使用 cache:* 键,既需要读取也需要写入字符串和哈希数据。reset 放在前面,是为了清掉这个用户名过去可能留下的规则;之后再按从左到右的顺序写入新的规则。

# reset 清理旧规则,避免同名用户遗留权限
redis-cli ACL SETUSER app-cache reset \
  on >change-this-password \
  ~cache:* \
  +@read +@write

# 读取最终用户规则,确认用户状态、键模式和命令范围
redis-cli ACL GETUSER app-cache

on 允许用户认证,密码规则使用 > 加密码,~cache:* 限制可访问的键,+@read +@write 加入读写类别。生产环境应通过安全的凭据注入方式提供密码,示例里的密码只是占位符。

如果应用实际只读,可以把授权改成 +@read,不要为了省事保留 +@write。如果只用字符串命令,也可以从类别授权改为 +get +mget +set 这类单命令清单,让权限边界更容易审阅。

用减法规则处理高风险和模块边界

有些团队会先写 +@all,再逐个删除危险命令。这种写法虽然短,但应用账号会先获得所有命令;而且 Redis 官方文档特别提醒,除 +@all 外,其他类别通常不包含模块命令。我的经验是应用账号优先采用正向的窄授权,只有确实需要时才使用减法规则。

# 只有在确实需要“全量基础命令”时,才显式排除高风险类别
redis-cli ACL SETUSER app-cache reset \
  on >change-this-password \
  ~cache:* \
  +@all -@admin -@dangerous

# 更推荐:从读写类别开始,再按调用补充单个命令
redis-cli ACL SETUSER app-cache reset \
  on >change-this-password \
  ~cache:* \
  +@read +@write -config -flushall -flushdb

第二种写法更符合最小权限,但仍要注意类别会随 Redis 版本和模块环境变化。对模块命令、脚本命令或管理操作,应先在目标实例用 ACL CAT 和业务调用清单确认,再决定是否单独授权。

Redis ACL 应用用户的认证、命令类别、键模式和复查对象静态关系图
图2:应用用户权限边界图,查看认证、命令类别、键模式和复查对象如何组成最小权限;这是原创结构图,不是运行结果截图。

最后用 GETUSER 和 LIST 复查,而不是只看 OK

ACL SETUSER 返回 OK,只能说明规则命令被接受。再次调用同名用户时,规则默认是增量应用,不会自动重置。因此排查“权限怎么还在”时,先读出最终状态:

# 查看单个用户的 flags、密码、命令和键模式
redis-cli ACL GETUSER app-cache

# 查看服务器当前全部用户的可保存规则表示
redis-cli ACL LIST

# 需要持久化到 ACL 文件时,再按部署方式执行保存
redis-cli ACL SAVE

复查时重点看三件事:用户是否为 on,键模式是否只覆盖业务前缀,命令规则里是否混入了 +@all、+@admin 或不必要的危险命令。若修改了外部 ACL 文件而不是通过命令修改,需要按部署方式使用 ACL LOAD 重新加载。

常见问题

为什么给了 +@read,应用还是不能访问某个键?

命令类别只决定命令权限,键还要同时匹配用户的键模式。检查是否配置了正确的 ~cache:*,以及应用实际访问的键名是否带有不同前缀。

为什么重复执行 ACL SETUSER 后旧权限没有消失?

同名用户的后续调用默认是增量修改。需要重新定义完整边界时,把 reset 作为第一条规则,随后再写入新的认证、键和命令规则。

类别授权能覆盖 Redis 模块命令吗?

不要默认这样假设。官方文档说明普通类别通常不含模块命令;先在目标实例查看类别和模块命令,再按实际需要单独授权。

这套配置的核心不是记住一长串 ACL 语法,而是把应用身份、命令类别和键前缀同时收窄,并把最终规则读出来复查。这样 Redis 连接即使被错误使用,也较难越过应用本来不需要的管理和危险操作边界。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
Redis Cluster 多 key 操作的哈希标签设计Redis Cluster 多 key 操作的哈希标签设计
上一篇
Redis Cluster 多 key 操作的哈希标签设计
Redis Lua 脚本封装库存扣减的原子边界
下一篇
Redis Lua 脚本封装库存扣减的原子边界
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    497次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    553次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    579次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    532次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    343次使用