当前位置:首页 > 文章列表 > 数据库 > Redis > Redis ACL CAT 怎样查看命令所属的权限分类

Redis ACL CAT 怎样查看命令所属的权限分类

来源:17golang原创 2026-11-19 11:29:49 0浏览 收藏

我在整理 Redis ACL 时,最先需要的通常不是改权限,而是先回答一个更基础的问题:某条命令到底属于哪个权限分类?ACL CAT 就是用来做这次盘点的只读查询。它不创建用户、不授予权限,也不预演某个用户能否执行命令;不带参数时列出可用类别,带上类别名时返回该类别包含的命令。

官方地址:https://redis.io/docs/latest/commands/acl-cat/

要点速览
  • ACL CAT 先列出类别名,ACL CAT category 再列出该类别中的命令。
  • 它是权限范围查询,不等于已经给某个用户授权。
  • 类别名无效时返回错误;返回内容是数组,不要把示例输出当成固定顺序或固定数量。

先把 ACL CAT 的两种查询分开

第一次接触 ACL 类别时,我容易把“类别列表”和“类别内命令”混成一层。实际上,命令语法只有一个可选参数:

# 不带参数:列出当前 Redis 支持的 ACL 类别
redis-cli ACL CAT

# 带一个类别名:列出该类别里的 Redis 命令
redis-cli ACL CAT read

无参数调用返回类别名称,例如 keyspace、read、write、dangerous、slow 和 transaction。带上 read 后,返回的就不再是类别名,而是属于读操作类别的命令集合。

官方文档将这条命令的时间复杂度标为 O(1),原因是类别和命令集合是固定集合。它适合做启动检查、权限设计前的范围盘点和排障记录,但不能据此推导业务请求是否会被某个用户允许。

Redis ACL CAT 无参数列出类别并按类别查询命令集合的关系说明图
图1:ACL CAT 的类别与命令集合关系说明图,展示查询对象的两层边界,不是终端截图。

用类别查询帮助权限范围盘点

权限设计时,我会先列出类别,再选择一个类别查看命令集合。例如要检查高风险操作的范围,可以查询 dangerous:

# 查询高风险命令集合,用于权限方案的静态盘点
redis-cli ACL CAT dangerous

# 查询键空间读操作集合,帮助确认只读账号的候选范围
redis-cli ACL CAT keyspace

这样做的价值是把“我想允许读数据”拆成可讨论的命令范围。Redis 官方示例也展示了先用 +@all 再减去 -@dangerous 的 ACL 规则思路,但这个规则需要通过 ACL SETUSER 才会影响用户;ACL CAT 只负责告诉你类别里有哪些命令。

调用返回对象适合做什么
ACL CATACL 类别名数组盘点可用分类
ACL CAT readread 类别中的命令数组查看读操作范围
ACL SETUSER用户 ACL 规则变化实际授予或撤销权限
ACL DRYRUN某用户某条命令的授权判断预演一次具体执行

把查询结果和授权边界留在两张表里

ACL CAT 最容易造成的误解,是看到 ACL CAT read 返回了 get、mget 等命令,就以为当前登录用户已经拥有这些权限。实际上,类别是 Redis 提供的命令分组,用户是否能执行仍由当前账号的 ACL 规则决定。

更稳妥的记录方式是把“命令属于哪个类别”和“哪个用户被授予了什么规则”分开:

# 只查询分类,不改变服务端 ACL 状态
redis-cli ACL CAT read

# 另一步才是读取用户当前规则;不要把 CAT 的返回当成授权结果
redis-cli ACL GETUSER app_reader

如果需要判断某个用户能否执行某条命令,应使用专门的授权判断流程,而不是把类别列表当成结论。这样能避免把“命令分类存在”“用户规则包含类别”“目标键匹配权限”三个不同问题混在一起。

Redis ACL CAT 命令分类查询与 ACL SETUSER、ACL GETUSER、ACL DRYRUN 职责边界结构图
图2:ACL CAT 与其他 ACL 命令的职责边界结构图,不代表真实执行结果。

无效类别和客户端返回怎么处理

带参数查询时,如果类别名不存在,Redis 会返回简单错误,而不是空的命令数组。排查时先检查拼写和类别来源,再判断客户端是否把 Redis 错误正确暴露出来:

# 类别名必须来自 ACL CAT 的类别列表;错误拼写会得到错误回复
redis-cli ACL CAT not_a_real_category

# 先重新列出类别,避免把无效类别误判成“该类别没有命令”
redis-cli ACL CAT

RESP2 和 RESP3 下,ACL CAT 都返回数组元素,元素代表类别或命令;无效类别则返回错误。不同客户端可能把它们映射成字符串列表、数组或集合,但语义仍然是“查询结果”,不是权限变更回执。需要写自动化脚本时,应单独处理 Redis 错误分支。

常见问题

ACL CAT 会修改用户权限吗?

不会。它只列出类别或类别内命令,属于只读查询。修改用户规则要使用 ACL SETUSER,并单独记录变更。

ACL CAT read 能证明 app_reader 一定能执行 GET 吗?

不能。它只能说明 GET 属于读操作类别的查询范围。用户是否能执行,还要看用户 ACL 规则、键名模式和当前连接身份。

类别名无效为什么不是空列表?

因为 Redis 把不存在的类别视为参数错误。先用不带参数的 ACL CAT 获取类别列表,再把合法类别传给第二次查询。

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 HOTKEYS START 怎样按 CPU 和网络流量采样热点键Redis HOTKEYS START 怎样按 CPU 和网络流量采样热点键
上一篇
Redis HOTKEYS START 怎样按 CPU 和网络流量采样热点键
Redis LATENCY GRAPH 怎样把事件延迟画成可读趋势
下一篇
Redis LATENCY GRAPH 怎样把事件延迟画成可读趋势
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。
    1114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。
    1104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。
    1275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。
    1218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。
    1064次使用