在传统机房里,Keepalived 常通过 VRRP 让主备服务器共享一个虚拟 IP(VIP)。主节点故障后,备用节点接管 VIP,客户端继续访问同一个地址。把这套配置直接搬到阿里云,可能出现一种容易误判的情况:Keepalived 已显示备用节点成为 MASTER,业务流量却没有切过去。
问题通常出在云网络入口没有随实例状态一起变化。阿里云 VPC 中的 ECS 并不等同于接在同一台物理交换机上的传统服务器,VIP、网卡和路由的处理也不能照搬机房经验。部署前要先确定需要切换的是私网 IP、外部入口流量,还是本机服务状态,再决定 Keepalived 负责哪一部分。
要点一:先确认 VRRP 和 VIP 在 VPC 中的实际行为
传统 VRRP 常依赖同一二层网络中的组播报文协商主备,并通过免费 ARP 通知网络设备更新 VIP 对应的 MAC 地址。在 VPC 中,实例之间的网络行为有所不同,组播和 ARP 的效果需要实际验证,不能只根据配置文件判断切换成功。
- 备用机进入 MASTER,不代表云平台已把 VIP 指向备用机。实例内的主备状态发生变化后,私网 IP 绑定关系或路由可能仍指向原实例。
- 公网 IP 通常不能按传统浮动 IP 的方式直接漂移。公网访问还涉及弹性公网 IP、负载均衡或其他云网络资源的绑定关系。
- VRRP 报文需要先确认可达。如果主备节点无法正常交换报文,默认配置可能无法形成预期的主备关系。
验收时不要只看 Keepalived 日志里的状态。还要从客户端实际访问业务入口,确认请求是否到达备用 ECS,并检查切换后服务是否正常响应。把“主备选举成功”和“流量已经切换”当成两项分别验证,能更快定位问题。
要点二:根据入口类型选择流量切换方案
多台 ECS 对外提供 Web 或 API 服务:考虑负载均衡
如果目标是让多台 ECS 提供同一项 Web 或 API 服务,通常优先考虑阿里云负载均衡。由负载均衡负责监听、健康检查和异常后端摘除,Keepalived 不必承担云网络 VIP 漂移。这样可以把入口流量和实例内部的服务管理分开,后续增加或调整后端时也更容易维护。
负载均衡解决的是入口分发和后端健康检查,不能替代数据库主从提升、应用状态同步等机制。比如 API 进程仍在运行,但依赖的数据库不可用,单靠后端健康检查未必能处理完整的业务故障。检查项应尽量反映服务是否能正常处理请求。
业务必须使用单一私网地址:评估云资源迁移
有些内部系统依赖固定私网 IP,不方便改成负载均衡入口。这时可以评估辅助私网 IP、弹性网卡或路由调整等云资源能力,由 Keepalived 检测到主节点异常后,通过通知脚本调用阿里云 API,执行入口迁移。
这类方案上线前要验证资源是否支持目标操作、实例规格和网络配置是否符合要求,以及 API 调用后需要多久才能生效。脚本也要处理调用失败和超时,不能只假设命令执行成功就代表流量已经到达新节点。不同产品和网络配置可能存在差异,具体限制应以当前阿里云文档和控制台为准。
只管理本机进程或告警:限定 Keepalived 的职责
如果需求是检查本机服务、触发维护脚本或发送告警,Keepalived 可以只负责健康检查和脚本触发,不承担对外 VIP 漂移。这种配置相对简单,但要在设计和运维说明中讲清楚:它管理的是节点或进程状态,不等于已经实现云网络层面的高可用。
要点三:把检查、切换和恢复都纳入验收
以订单 API 为例:团队在同一 VPC 中部署两台 ECS,主机运行服务,备用机保持待命。最初直接配置 Keepalived,希望备用机在主机故障时绑定同一个 VIP,并发送免费 ARP。测试时,备用机已经成为 MASTER,客户端却仍无法访问它。排查后发现,实例内的状态变化没有同步更新云平台侧的网络入口,流量仍未按预期抵达新节点。
团队随后把订单 API 的入口改为阿里云负载均衡,由负载均衡检查后端健康状态并摘除异常节点;Keepalived 则用于本机服务检查和告警。对必须保留单一私网 IP 的内部旧系统,再单独评估辅助私网 IP 的迁移方式,并通过 API 脚本执行切换。两类需求分别处理,避免让 Keepalived 同时承担健康检查、云资源操作和流量分发。
部署和演练时,可以逐项核对下面几件事:
- 验证网络连通性。确认主备节点的通信方式、VRRP 报文是否可达,并检查安全组和网络 ACL 是否放行所需流量。配置文件中出现 MASTER,只说明实例内状态发生了变化。
- 检查真实业务状态。主机失联不一定等于 API 已停止服务。检查脚本应探测实际端口或应用健康接口,并设置合适的超时和重试次数,避免短暂波动就触发切换。
- 限制 API 权限。调用云 API 的脚本应使用专用 RAM 身份,并遵循最小权限原则。不要把长期访问密钥明文放进脚本或配置文件。
- 考虑双主和网络分区。如果两台机器因网络问题无法互相确认状态,可能都认为自己是主节点。切换逻辑需要考虑互斥、资源状态确认和必要的隔离措施,防止两台机器同时接管同一入口。
- 同时测试故障和恢复。除了模拟主机宕机,还应测试 API 调用失败、切换超时、主机恢复后的回切,以及客户端连接重建。记录切换耗时,并确认告警能否准确指出故障环节。
部署前先划清职责
阿里云上的 Keepalived 配置,不能只检查 VRRP 是否选出了主节点,还要确认云网络入口由什么资源管理、切换操作如何执行,以及客户端是否真正访问到新节点。多台 ECS 对外提供服务时,可优先考虑负载均衡;业务确实依赖单一私网 IP 时,再评估辅助私网 IP、弹性网卡或路由调整,并验证 API 切换流程。
把健康检查、入口迁移和故障恢复分开设计、逐项演练,能避免出现“状态看起来切了,业务实际上没切”的情况。