线上服务已经恢复,用户却还是打不开;一台服务器出了问题,流量却仍被分过去。这类情况,常常要检查负载均衡的健康检查配置。它会按设定的规则探测后端实例,并根据结果判断实例是否适合继续接收新请求。
阿里云健康检查是负载均衡等产品提供的检测能力,用来判断后端实例的状态。规则合适时,异常实例可以及时退出转发;规则设置不当时,正常实例也可能被误判,导致流量在后端之间反复切换。配置时要结合具体产品、监听类型和业务响应方式,不能只照搬一组参数。
健康检查会检查什么
以负载均衡为例,请求先到负载均衡,再由它转发给后端服务器。健康检查会定期探测这些实例,根据响应判断实例状态。实例通过检查后,可以参与请求转发;连续检查失败时,可能会被判定为异常并暂时停止接收新流量。各产品的状态判定和流量处理方式可能不同,配置前应核对对应产品控制台的说明。
常见的检查方式有以下几种:
- TCP检查:尝试与指定端口建立连接,适合确认服务端口是否可达。端口能连通,不等于应用的业务功能一定正常。
- HTTP或HTTPS检查:访问指定路径,并根据响应判断服务状态,适合网站和接口类应用。路径应稳定返回预期结果,避免依赖容易波动的页面内容。
- 自定义检查:部分产品或场景支持更灵活的检查参数。能否使用、具体支持哪些设置,要以当前产品和监听类型为准。
TCP检查关注端口是否能连通,HTTP检查还能确认应用是否按预期响应。不过,如果检查接口只返回固定的成功结果,即使数据库或其他关键依赖已经不可用,也可能被判为健康。检查内容需要反映实例实际接收业务请求的能力。
配置前先确认三个问题
一、检查请求要访问哪个入口
检查端口应与实际服务端口一致;使用HTTP或HTTPS检查时,路径应由应用提供,并能清楚表示服务是否可用。不要未经验证就把首页设为检查路径。首页可能要加载图片、调用第三方脚本,或依赖较复杂的业务流程,页面变慢并不一定代表后端无法处理请求,却可能造成检查失败。
较稳妥的做法是准备一个轻量、稳定的健康检查接口,让它返回明确的成功或失败结果。接口可以检查业务必需的条件,但不宜把每个非关键依赖都纳入判断。否则,一个不影响主要请求的组件短暂波动,也可能让整台实例停止接收流量。
二、连续失败几次才判异常
检查间隔、响应超时时间,以及判定健康或异常所需的连续次数,都会影响状态变化速度。超时时间过短、探测过于频繁或失败次数设得太少,网络偶发抖动就可能让实例被移出服务;阈值设得太宽松,真正的故障又可能较晚才被发现。
没有一组参数适合所有业务。可以先参考应用平时的响应时间和网络状况,再结合业务对故障隔离速度的要求设置。配置后要在测试环境验证:正常负载下实例不应频繁变成异常,停止服务后也应能在可接受的时间内被识别。保存配置后,还要观察实例状态和相关监控。
三、检查请求能否到达后端
健康检查失败不一定是应用代码出错。安全组、网络访问控制、服务器防火墙、监听配置、端口绑定和应用进程状态,都可能挡住探测请求。应按产品要求确认健康检查流量可以到达后端,同时检查服务是否在预期的网卡和地址上监听。
排查时可以查看后端应用日志,确认检查请求有没有到达。如果日志里完全没有相关记录,先核对网络规则、端口和监听地址;如果请求已经到达,再检查响应状态、接口逻辑和应用依赖。按这个顺序检查,比反复改健康检查阈值更容易定位问题。
常见故障:服务恢复了,流量却没回来
某电商团队将两台ECS实例挂在负载均衡后端。一次发布过程中,其中一台实例的应用短暂重启,健康检查连续失败后,负载均衡将它判为异常。发布完成后,运维看到应用进程已经启动,但实例仍没有恢复为健康状态。
检查发现,HTTP检查路径设置成了业务首页。首页需要调用一个内部依赖,而这个依赖还在启动,因此检查请求持续收到失败响应。应用虽然已经可以处理部分请求,检查条件却仍未满足,实例也就没有重新承接流量。
团队先确认依赖恢复,并增加了一个轻量的健康检查接口;随后根据接口的实际响应时间调整检查参数,同时核对安全组和后端端口。验证完成后,实例状态恢复正常。这个案例中,检查路径依赖的条件比应用处理部分请求所需的条件更多,因此进程启动后,实例仍未通过健康检查。
上线前后可以逐项核对
- 核对检查协议、端口和路径是否与实际服务一致。使用HTTPS时,也要确认检查方式与证书、访问配置相匹配。
- 从预期的网络位置测试检查路径。服务器本机能够访问,不代表负载均衡发出的探测请求也能访问。
- 检查安全组、防火墙和路由规则是否允许探测流量通过,并确认后端实例和应用处于预期状态。
- 在测试环境模拟进程停止、端口关闭和接口异常,观察实例状态变化及流量切换是否符合预期。
- 查看健康检查相关监控和告警。如果实例反复在健康与异常之间切换,先排查响应时间、网络抖动和检查条件,不要只靠提高阈值掩盖问题。
健康检查不能代替其他运维手段
健康检查能帮助负载均衡识别一部分故障,但不能替代应用监控、日志告警、容量规划和故障演练。接口检查通过,不代表数据库、缓存或消息队列一定正常;把所有依赖都写进检查条件,也可能让非关键组件的短暂波动影响整台实例。
配置阿里云健康检查时,先明确实例达到什么状态才适合接收业务流量,再选择能反映这个状态的协议、端口和路径,最后通过故障模拟验证结果。上线后继续观察实例状态和告警变化。检查规则贴合实际业务,才能及时隔离故障,也减少误判正常服务的情况。