云负载均衡后端健康检查如何配置?探测路径、间隔与阈值怎样验证

发布人:A5数据发布时间:2026-10-28 11:01阅读量:106

很多人看到云负载均衡控制台显示“后端实例正常”,就认为健康检查已经配置成功。但这只能说明探测请求在某个时间点得到了符合规则的响应,并不代表真实业务请求一定可用。比如 /healthz 返回 200,而登录接口依赖的数据库已经不可连接,负载均衡仍可能继续向该实例分发流量。

验收健康检查时,需要同时验证三件事:探测请求是否真正到达正确的后端端口和路径,后端返回的状态是否符合云负载均衡的判定规则,以及实例从正常到异常、再从异常恢复的时间是否符合预期。探测路径、检查间隔、超时时间和连续成功或失败阈值,应放在同一套验证逻辑中判断,而不能只看某一个配置项。

先划清健康检查的边界

云负载均衡的健康检查,本质上是由负载均衡节点按照固定规则访问后端实例,并依据连接结果、HTTP 状态码或协议响应决定该实例是否继续接收流量。

它主要回答的是:

  • 后端监听端口是否可以建立连接;
  • 指定协议是否能够完成基本交互;
  • 指定路径是否返回符合要求的结果;
  • 后端是否连续一段时间处于可用或不可用状态。

它不自动等同于以下结论:

  • 所有业务接口都正常;
  • 数据库、缓存、消息队列等依赖全部可用;
  • 用户从所有地区访问都没有问题;
  • 后端实例的性能足以支撑当前流量;
  • 负载均衡到后端的路径与公网用户到负载均衡的路径完全一致。

因此,健康检查是流量分发决策的一项依据,而不是完整的业务监控系统。

HTTP、HTTPS 与 TCP 检查的区别

健康检查协议决定了可以验证的范围。

检查协议能够验证的内容不能直接验证的内容
TCP目标端口可建立 TCP 连接HTTP 路径、状态码、应用响应内容
HTTPHTTP 请求能够到达,状态码符合条件HTTPS 握手、证书链和加密配置
HTTPSTLS 握手及 HTTP 请求能够完成,状态码符合条件复杂业务流程是否完整
其他应用协议具体协议能否完成约定的探测未纳入探测报文的业务依赖

如果负载均衡对后端使用 HTTP,而真实流量使用 HTTPS,HTTP 检查无法验证后端 HTTPS 证书、TLS 版本或加密套件。反过来,HTTPS 检查失败,也不一定意味着应用本身不可用,可能是证书名称、证书链或探测节点信任配置不匹配。

TCP 检查没有“探测路径”这一概念。只有在 HTTP 或 HTTPS 检查中,路径、状态码和请求头才会影响结果。

健康检查状态与业务状态不是一回事

后端可以设计两个层次的接口:

  • 存活检查(Liveness):只确认进程或 Web 服务仍能响应;
  • 就绪检查(Readiness):确认实例具备接收业务流量的条件。

例如,Web 进程仍然运行,但数据库连接池已经耗尽。/livez 可以返回 200,表示进程没有崩溃;/readyz 则可以检查数据库连接、必要配置和关键依赖,并在实例不适合接收流量时返回非成功状态。

如果健康检查绑定到存活接口,检查结果稳定,但可能把故障实例继续留在后端池中。如果绑定到过于复杂的就绪接口,又可能因为短暂的依赖抖动导致实例频繁摘除。实际使用时,应根据业务故障的影响范围选择检查深度。

健康检查是如何决定后端状态的

一组常见参数包括协议、端口、路径、检查间隔、超时时间、健康阈值和不健康阈值。不同云平台的字段名称和默认值可能不同,控制台中的“成功次数”“失败次数”“连续次数”也可能对应不同语义,应以实际产品说明和控制台定义为准。

以下是一个用于说明逻辑的示例配置,字段名不是所有云平台都能直接导入:

health_check:
  protocol: HTTP
  port: 8080
  path: /healthz
  interval_seconds: 10
  timeout_seconds: 3
  healthy_threshold: 2
  unhealthy_threshold: 3
  expected_status_codes:
    - 200

这组示例可以理解为:

  • 每隔约 10 秒探测一次;
  • 单次等待超过 3 秒仍无结果,则视为本次失败;
  • 连续 3 次失败后,实例可能被标记为不健康;
  • 连续 2 次成功后,实例可能恢复为健康;
  • 只有返回 200 才算成功。

“可能”是因为云平台可能在多个负载均衡节点上分别探测,状态同步和调度时间也会产生差异。

探测路径应返回什么

健康检查路径建议使用专用、稳定且成本较低的接口,例如:

/healthz
/readyz
/internal/health

路径设计应重点确认以下内容:

  1. 请求方法是否匹配。部分平台使用 GET,部分检查类型可能使用 HEAD 或其他方式。
  2. 路径是否区分大小写。/healthz 与 /Healthz 在部分应用和 Web 服务器中不是同一路由。
  3. 是否会发生重定向。若平台只接受 200,而接口返回 301 或 302,实例可能被判定为异常。
  4. 是否要求认证。健康检查通常不适合依赖登录会话、动态令牌或人工验证码。
  5. 是否依赖 Host 请求头。多站点配置中,缺少正确 Host 可能落入默认虚拟主机。
  6. 是否经过缓存、WAF 或其他代理。代理返回的 200 不一定代表目标应用返回了 200。
  7. 响应是否足够快。返回正确状态码但经常超过超时时间,同样会导致探测失败。

如果云平台支持设置成功状态码,建议明确限定范围。对于只要求接口正常的场景,可以接受 200;如果接口存在正常重定向,应确认平台是否支持 3xx,并判断这种配置是否会掩盖路径或域名错误。不要仅凭“浏览器最终打开了页面”来判断健康检查成功,因为浏览器会自动跟随重定向,而负载均衡的判定规则未必如此。

检查间隔、超时与阈值的关系

这几个参数解决的是不同问题:

  • 检查间隔决定探测频率;
  • 超时时间决定一次探测最多等待多久;
  • 不健康阈值决定连续失败几次后摘除;
  • 健康阈值决定连续成功几次后恢复。

不健康阈值过低,实例可能因为一次网络抖动就被摘除;阈值过高,真正故障的实例又会继续接收流量。检查间隔过短会增加后端请求量,过长则会延迟故障发现。

以“间隔 10 秒、单次超时 3 秒、不健康阈值 3 次”为例,如果首次失败探测立即发生,通常需要等到后续两次探测完成后才会转为异常,实际摘除时间大致落在 20 至 30 秒附近。若云平台在探测失败后等待完整超时时间,或者不同节点的探测起点不同,时间还会进一步变化。

检查间隔、超时与阈值的关系配图

恢复过程也类似。间隔 10 秒、健康阈值为 2 次时,实例通常需要连续通过两次检查,恢复时间大致为 10 至 20 秒。这个时间不能只用“间隔乘阈值”机械计算,还要考虑首次探测时刻、响应耗时、节点同步和平台调度。

探测请求量不能忽略

健康检查请求量通常与负载均衡探测节点数、后端实例数和检查间隔有关。可以用下面的估算方法理解数量级:

每秒探测次数 ≈ 探测节点数 × 后端实例数 ÷ 检查间隔(秒)

例如,3 个探测节点、20 个后端实例、每 5 秒检查一次:

3 × 20 ÷ 5 = 12 次/秒

这还没有计入多个监听器、多个端口或多个健康检查任务。如果健康接口每次都查询数据库、调用远程服务或生成复杂报表,探测请求可能反过来放大依赖系统压力。因此,健康接口应尽量轻量,并避免把所有深度诊断都放在每次探测中。

配置完成后,先验证探测路径

验收不能只从负载均衡前端域名访问,因为这样无法确定请求是否真的到达了目标后端,也无法排除缓存、域名解析或其他后端实例的影响。

直接从接近探测网络的位置访问

应优先从与负载均衡后端网络连通的位置发起请求,例如同一私有网络中的运维主机、同安全组的测试实例,或云平台提供的网络诊断环境。

HTTP 检查可以先执行:

curl -i --connect-timeout 2 --max-time 5 \
  http://10.0.1.20:8080/healthz

重点观察:

  • 是否能建立连接;
  • HTTP 状态码是否为预期值;
  • 首字节和整体响应是否在超时时间内完成;
  • 是否出现 301、302、401、403、404 或 5xx;
  • 响应是否来自预期的服务,而不是默认站点。

如果服务依赖 Host 请求头,应显式带上测试域名:

curl -i --connect-timeout 2 --max-time 5 \
  -H 'Host: app.example.com' \
  http://10.0.1.20:8080/healthz

HTTPS 后端还需要验证证书和域名匹配关系。测试时可以使用域名解析到指定后端地址的方式:

curl -i --connect-timeout 3 --max-time 6 \
  --resolve app.example.com:443:10.0.1.20 \
  https://app.example.com/healthz

如果测试环境使用内部 CA,应通过 --cacert 指定正确的 CA 文件。只有在明确知道证书信任问题与本次验证目标无关时,才可临时使用忽略证书校验的方式;该做法不能作为生产健康检查配置的验收标准。

为了便于批量记录状态码和耗时,可以使用:

curl -sS -o /dev/null \
  --connect-timeout 2 \
  --max-time 5 \
  -w 'code=%{http_code} connect=%{time_connect}s start=%{time_starttransfer}s total=%{time_total}s\n' \
  http://10.0.1.20:8080/healthz

一次成功不代表配置已经稳定。建议连续执行多次,确认状态码和响应时间没有明显波动。例如,示例验收结果可以记录为:

code=200 connect=0.003s start=0.018s total=0.020s
code=200 connect=0.002s start=0.016s total=0.018s
code=200 connect=0.002s start=0.021s total=0.023s

这些数据只是示例,实际应以测试环境和业务接口的响应情况为准。

检查应用日志是否真正收到探测

在后端访问日志中搜索 /healthz 或实际配置的路径,核对以下字段:

  • 请求时间是否与健康检查间隔大致一致;
  • 请求来源是否是负载均衡探测节点或其使用的地址范围;
  • 请求端口、Host 和协议是否符合预期;
  • 返回状态码是否与控制台显示一致;
  • 是否存在大量 401、403、404、499、502 或 504;
  • 是否有请求到达了错误的虚拟主机或错误应用进程。

如果后端完全没有对应日志,而控制台显示异常,应优先检查网络访问控制、路由、监听端口和安全组。如果后端日志显示 200,但控制台仍显示异常,则应继续检查云平台是否要求特定状态码、响应头、证书信任、请求方法或探测端口。

不要把业务访问日志中偶尔出现的 200 当成健康检查证据。业务请求可能来自用户、缓存层或其他代理,必须结合请求路径、来源和时间间隔进行区分。

用负载均衡指标验证“状态是否生效”

直接访问后端,只能证明后端接口本身可访问;还需要观察负载均衡是否按照健康状态执行了流量分配。

验收时至少关注以下指标:

指标主要验证问题合格表现示例
健康后端数量探测结果是否被平台识别与预期实例数一致
不健康后端数量故障实例是否被摘除测试故障后按阈值增加
后端 5xx流量是否仍进入异常实例故障实例摘除后明显下降
后端响应延迟健康接口是否超时或抖动持续低于超时时间
前端请求分布是否只向健康实例分发异常实例不再接收新请求
连接数和活跃会话摘除后是否仍有存量连接新连接停止,旧连接按策略结束
健康检查失败原因失败属于网络、协议还是应用原因与后端日志能够对应

健康检查状态通常以实例为单位,但实际流量还受到连接复用、长连接、会话保持和连接排空策略影响。后端刚被标记为不健康时,已经建立的连接不一定立即中断;因此不能只看短时间内是否还有少量请求到达该实例。

先做全量正常状态验收

在没有人为制造故障前,记录一份基线:

  • 后端实例总数;
  • 健康实例数;
  • 每个实例的健康接口状态码和响应时间;
  • 负载均衡前端 2xx、4xx、5xx 比例;
  • 后端连接数、请求延迟和应用错误日志;
  • 检查任务的协议、端口、路径、间隔、超时和阈值。

这份基线用于区分“配置错误”和“原本就存在的业务问题”。例如,配置健康检查前已经有 5xx,不能把后续健康状态异常全部归因于探测参数。

再进行受控的失败测试

为了验证阈值是否真的生效,可以在测试环境对单个后端进行可恢复的故障模拟,例如让健康接口临时返回 503,或者让响应时间稳定超过健康检查超时。测试时不要直接停止生产服务、删除配置或修改防火墙规则;如果必须进行生产验证,应先确认影响范围、安排维护窗口、保留原配置并准备恢复操作。

测试记录至少包括:

  1. 开始制造失败的时间;
  2. 后端实际返回的状态码或延迟;
  3. 负载均衡第一次显示探测失败的时间;
  4. 连续失败达到阈值的时间;
  5. 后端被标记为不健康的时间;
  6. 前端请求是否停止分发到该实例;
  7. 恢复健康接口后的第一次成功时间;
  8. 达到健康阈值并重新接收流量的时间。

以间隔 10 秒、不健康阈值 3 次为例,预期不是“10 秒后立即摘除”,而是至少需要累计足够的连续失败探测。若测试结果在不同探测节点之间相差几秒,通常属于调度和状态同步差异;如果长时间没有变化,则应回到日志、指标和平台规则核对。

故障测试完成后,应恢复健康接口原有逻辑,并确认:

  • 连续成功次数达到健康阈值;
  • 健康后端数量恢复;
  • 新请求重新分配到该实例;
  • 应用日志没有遗留错误;
  • 测试产生的环境变量、开关或临时规则已经撤销。

影响判断结果的常见因素

路径正确,但路由上下文错误

多域名、多租户或多端口应用经常出现这种情况:直接访问 IP 时返回 200,但负载均衡探测没有携带正确 Host,最终命中默认站点并返回 404。反过来,默认站点可能恰好返回一个静态 200,又会造成“看似健康、实际业务错误”。

验收时要同时核对 IP、端口、Host、协议和路径,不能只复制浏览器中的完整 URL。

认证、重定向和访问控制拦截

健康检查路径如果被统一认证中间件保护,常见返回结果可能是:

  • 401:缺少登录凭据;
  • 403:探测来源未加入允许范围;
  • 302:跳转到登录页;
  • 429:被限流;
  • 503:应用网关或依赖服务主动拒绝。

如果平台只认可 200,这些响应都会被视为失败。更稳妥的做法是为健康检查设计独立路由,并通过网络访问控制限制来源,而不是把用户登录流程硬套到探测请求上。

健康检查访问了错误端口

真实流量可能经过 443 转发到后端 8443,而健康检查仍然访问 8080。8080 上的进程即使能够返回 200,也不代表真实请求使用的服务链路正常;如果 8080 没有服务,则会持续失败。

应核对监听器、后端服务组、端口映射和健康检查端口是否为同一业务链路。若有意使用独立管理端口,则必须接受它只能证明独立端口可用,不能完全代表业务端口可用。

TLS 证书和 SNI 不匹配

HTTPS 健康检查可能因为以下原因失败:

  • 探测使用的域名与证书 SAN 不匹配;
  • 后端要求 SNI,但探测未携带正确主机名;
  • 证书链不被探测节点信任;
  • 证书已过期;
  • 后端只支持与平台不兼容的 TLS 配置。

此时应先确认平台对后端证书校验的规则,再用与平台一致的域名、端口和协议测试。不能通过在业务客户端中关闭证书校验,来证明云平台 HTTPS 检查一定能够通过。

依赖检查过深导致误摘除

健康接口每次都同步查询数据库、缓存和第三方服务,可能造成两个问题:依赖短暂抖动时大量后端同时被摘除;健康检查自身产生额外依赖流量,进一步加重故障。

可以按照故障影响范围分层设计:

  • 进程存活检查:不访问外部依赖;
  • 业务就绪检查:只检查接收流量所必需的关键依赖;
  • 深度诊断接口:供监控或人工排查,不作为高频负载均衡探测。

不要把包含敏感配置、内部拓扑或详细异常堆栈的诊断信息直接暴露在公网健康路径中。

一份可执行的验收判断

健康检查配置达到预期,通常需要同时满足以下条件:

  • 配置的协议、端口和路径与真实后端服务一致;
  • 从接近负载均衡探测网络的位置,可以重复得到预期状态码;
  • 请求日志能够证明探测到达了正确实例、虚拟主机和应用;
  • 健康接口响应时间稳定低于单次超时时间;
  • 控制台或监控中的健康后端数量与实际预期一致;
  • 受控制造连续失败后,实例在预期时间窗口内被摘除;
  • 恢复接口后,实例在达到健康阈值后重新加入;
  • 摘除后新请求不再分配到异常实例,旧连接按连接排空策略处理;
  • 健康检查请求量没有对应用和依赖系统造成明显压力。

可以把最终结果写成一张验收记录:

验收项记录内容判断标准
探测路径协议、端口、路径、Host与目标业务链路一致
正常响应状态码、连接时间、总耗时状态码符合规则且未超时
日志到达时间、来源、实例、请求头能确认请求真正到达
故障摘除首次失败、达到阈值、摘除时间落在预期时间窗口
故障恢复首次成功、达到阈值、恢复时间达到健康阈值后恢复
流量变化前端错误、后端分布、连接状态新请求避开异常实例
资源影响探测请求量、接口耗时、依赖调用不造成额外明显压力

适用限制与判断边界

健康检查适合验证后端是否具备接收流量的基本条件,尤其适用于自动摘除已停止、端口不可达、路由错误或应用明确返回不可用状态的实例。它不适合单独承担端到端业务验收,也不能替代应用指标、日志、链路追踪和真实请求监控。

如果业务故障只影响某个接口,而健康路径仍然正常,负载均衡不会自动识别该接口的异常。如果所有后端共享同一个数据库,而数据库故障同时影响全部实例,健康检查可能让所有后端一起变为不健康,前端仍然无法提供服务。若应用采用异步启动、滚动发布或长时间预热,固定的健康阈值也需要结合启动时间和连接排空策略调整。

最终判断应建立在“配置、请求、日志、状态和流量”五类证据之上:配置说明探测规则,请求证明路径可达,日志证明请求到达正确服务,状态指标证明平台完成了判定,流量变化则证明判定真正影响了后端分发。只有这几部分能够相互对应,才能确认探测路径、间隔和阈值不仅填写正确,而且已经达到预期的流量治理效果。

A5idc数据提供中国香港、美国、日本、韩国、中国台湾、新加坡和马来西亚等地区的物理服务器资源,覆盖企业网站、业务后台、数据库及接口服务等后端场景。不同地区可匹配相应网络线路,结合多IP、不同带宽、NVMe存储及AMD EPYC、Xeon等计算平台,为多后端节点部署、流量分发和健康检查体系提供灵活的基础设施选择。

本文由A5数据原创发布,转载请注明出处:https://www.a5idc.com/helpcontent/6228.html

相关推荐