08.5.5 接入层高可用与灰度
所属:全栈开发面试题库 / 08 云原生与 DevOps / 08.5 负载均衡与流量接入
覆盖范围
- VIP 漂移与 keepalived/VRRP
- 健康检查与节点摘除
- 灰度切流维度(按比例、按用户、按地域、按 Header)
- 蓝绿/金丝雀/灰度回滚
- 接入层跨机房与多活
高频题速览
| 编号 | 题目 | 难度 | 频率 |
|---|---|---|---|
| 08.5.5-001 | VIP 是什么?为什么需要 VIP? | 基础 | ★★★★★ |
| 08.5.5-002 | keepalived 如何实现 VIP 漂移? | 进阶 | ★★★★★ |
| 08.5.5-003 | 健康检查如何与负载均衡联动? | 进阶 | ★★★★ |
| 08.5.5-004 | 灰度发布的常见维度有哪些? | 进阶 | ★★★★★ |
| 08.5.5-005 | 蓝绿发布与金丝雀发布有什么区别? | 基础 | ★★★★★ |
| 08.5.5-006 | 灰度切流如何快速回滚? | 进阶 | ★★★★ |
| 08.5.5-007 | 多机房接入层高可用怎么设计? | 高级 | ★★★★ |
| 08.5.5-008 | GSLB(全局负载均衡)是什么? | 进阶 | ★★★ |
| 08.5.5-009 | 接入层为什么要做无状态化? | 基础 | ★★★★ |
| 08.5.5-010 | 健康检查误判(false positive)怎么处理? | 高级 | ★★★ |
08.5.5-001 VIP 是什么?为什么需要 VIP?
一句话结论
VIP(Virtual IP)是一个不绑定在具体网卡上的漂移 IP,通过 keepalived 在多台负载均衡器之间漂移,对外始终是同一入口,避免单点故障。
概念解释
- VIP:对外服务的固定 IP,客户端只认这个 IP。
- 绑定:VIP 在主节点上时,主节点接管流量;主节点故障时 VIP 漂到备节点。
- 解耦:客户端不感知后端真实 LB 节点变化。
原理流程
- 客户端配置 VIP 作为入口。
- VIP 绑定在主 LB 节点。
- 主节点故障,VIP 漂移到备节点。
- 客户端无感知,请求继续到达新主节点。
代码 / 示例
Client -> VIP:10.0.0.1
-> 主 LB(持有 VIP)-> 后端 RS
-> 主 LB 故障 -> VIP 漂到备 LB
常见误区
- 误区:VIP 是一个虚拟网卡;正解:VIP 是一个 IP 地址,可以绑定在任何网卡上,通过 ARP 宣告自己在某台机器上。
- 误区:VIP 漂移会断连;正解:TCP 连接在旧主节点上会断开,备节点接管新连接;已有连接需要配合会话同步或应用层无状态。
追问
- Q:云上为什么不用 VIP? A:云厂商 SLB 本身就是高可用入口,VIP 由云厂商托管,用户不需要自己跑 keepalived。
- Q:VIP 可以跨机房吗? A:VRRP 是二层协议,不能跨三层;跨机房用 GSLB 或 Anycast。
08.5.5-002 keepalived 如何实现 VIP 漂移?
一句话结论
keepalived 基于 VRRP 协议:主节点周期性发 VRRP 组播宣告自己,备节点监听;备节点在超时时间内收不到主节点宣告就接管 VIP,主节点恢复后按优先级抢回。
概念解释
- VRRP:虚拟路由冗余协议,主节点定期发组播包宣告优先级。
- priority:主节点优先级高(如 100),备节点低(如 90)。
- advert_int:宣告间隔,默认 1 秒。
- preempt:抢占模式,主节点恢复后是否抢回 VIP。
- track_script:keepalived 可执行自定义脚本检测服务健康,异常时主动降低优先级触发切换。
原理流程
- 主节点每 1 秒发 VRRP 组播(224.0.0.18)。
- 备节点收到宣告,保持监听。
- 主节点故障,备节点在 master_down_interval(默认 3 倍间隔)后接管 VIP。
- 备节点发免费 ARP,更新网络中其他设备的 MAC 表。
- 主节点恢复,按优先级抢回 VIP。
代码 / 示例
vrrp_script chk_nginx {
script "/etc/keepalived/check_nginx.sh"
interval 2
weight -20
}
vrrp_instance VI_1 {
state MASTER
interface eth0
virtual_router_id 51
priority 100
advert_int 1
virtual_ipaddress {
10.0.0.1/24
}
track_script {
chk_nginx
}
}
常见误区
- 误区:keepalived 只漂移 VIP;正解:keepalived 还能 track_script 检测本地服务(如 Nginx)是否存活,服务挂了就主动降低优先级让备节点接管。
- 误区:主备切换是秒级就完美;正解:切换时间 = 3 倍 advert_int(默认 3 秒),期间已有连接会断,需配合应用层无状态。
追问
- Q:脑裂(split brain)怎么避免? A:主备之间用多个心跳通道(物理网卡 + 串口),并在切换时 fencing(关闭旧主节点)。
- Q:为什么用免费 ARP? A:VIP 漂到新机器后,局域网交换机的 MAC 表还指向旧主节点的 MAC,免费 ARP 强制更新。
08.5.5-003 健康检查如何与负载均衡联动?
一句话结论
健康检查按主动探测或被动失败统计,把不健康后端从负载均衡集合中摘除;恢复后按慢启动逐步加流量,避免冷启动瞬间被打挂。
概念解释
- 主动探测:定期发 TCP/HTTP 请求检查后端。
- 被动统计:基于真实流量失败率摘除。
- 慢启动(slow start):后端恢复后按时间线性增加权重。
- 摘除与恢复:摘除后不再分配新请求,恢复后逐步放量。
原理流程
- 健康检查失败 -> 后端标记 DOWN。
- LB 不再给 DOWN 后端分配新请求。
- 已有连接继续处理完(drain)。
- 恢复时启动慢启动,权重从 0 逐步升到目标值。
代码 / 示例
upstream backend {
server 10.0.0.11:80 max_fails=3 fail_timeout=10s slow_start=30s;
server 10.0.0.12:80 max_fails=3 fail_timeout=10s slow_start=30s;
}
常见误区
- 误区:健康检查只查端口;正解:必须用应用层健康接口(/healthz),端口通不代表应用健康。
- 误区:摘除后立刻全量恢复;正解:慢启动让后端连接池、缓存预热,避免恢复瞬间被打挂。
追问
- Q:健康检查路径应该返回什么? A:返回 200 且包含关键依赖(数据库、缓存)的状态;不要只返回 200 OK,否则数据库挂了但健康检查通过。
- Q:drain 是什么? A:摘除时不再接新请求,但处理完已有请求才真正下线,避免连接被硬断。
08.5.5-004 灰度发布的常见维度有哪些?
一句话结论
灰度按维度切流:按比例(5% 流量)、按用户(内部员工/白名单)、按地域(某城市)、按 Header(App 版本/设备)、按 Cookie(灰度开关)。
概念解释
- 按比例:5% 流量到新版本,95% 到旧版本。
- 按用户:内部员工、白名单用户先体验。
- 按地域:按 IP 归属地或用户注册地切流。
- 按 Header/App 版本:新 App 版本走新后端。
- 按 Cookie:用户主动加入灰度组。
原理流程
- 请求到达接入层。
- 根据灰度规则判断走稳定版还是灰度版。
- 路由到对应 upstream/集群。
- 监控灰度版指标,正常则逐步扩大比例。
代码 / 示例
# 按 Cookie 灰度
map $cookie_x_gray $pool {
default stable;
"canary" canary;
}
server {
location / {
proxy_pass http://$pool;
}
}
常见误区
- 误区:灰度就是按比例切流;正解:按比例只是最粗粒度,通常先按用户/白名单,再按比例逐步放量。
- 误区:灰度流量不需要可观测;正解:灰度必须有独立指标、日志、追踪,否则出问题无法定位。
追问
- Q:灰度与金丝雀区别? A:灰度是广义概念,金丝雀是灰度的一种(小比例先放);蓝绿是两套环境切换。
- Q:如何避免灰度用户每次请求都路由到不同版本? A:按用户 ID 做一致性哈希,保证同一用户始终在同一版本。
08.5.5-005 蓝绿发布与金丝雀发布有什么区别?
一句话结论
蓝绿是两套完整环境同时运行,切换时一次性把流量从蓝切到绿;金丝雀是小比例流量先到新版本,逐步扩大比例直到全量。
概念解释
- 蓝绿:蓝(旧版本)、绿(新版本)两套环境,负载均衡一键切流。
- 金丝雀:新版本先接 1% 流量,观察指标,逐步升到 5%、20%、100%。
- 蓝绿回滚快(切回蓝),但资源成本翻倍;金丝雀资源省,但回滚要逐步切回。
原理流程
- 蓝绿:绿环境部署新版本 -> 健康检查 -> 切 100% 流量到绿 -> 观察 -> 保留蓝环境回滚。
- 金丝雀:新版本部署 -> 1% 流量 -> 指标正常 -> 5% -> 20% -> 100%。
代码 / 示例
蓝绿:
LB -> blue (v1) | green (v2)
切换:把 upstream 从 blue 改成 green
金丝雀:
LB -> v1 (90%) + v2 (10%)
逐步调整 v2 比例到 100%
常见误区
- 误区:蓝绿发布不需要数据库迁移兼容;正解:蓝绿切换瞬间数据库 schema 必须兼容两个版本,否则蓝绿同时跑会出错。
- 误区:金丝雀比蓝绿慢;正解:金丝雀风险低、资源省,蓝绿切换快但成本高,按场景选。
追问
- Q:Kubernetes 里怎么做蓝绿? A:用 Service selector 切版本标签,或 Argo Rollouts 的 blueGreen 策略。
- Q:金丝雀的指标怎么看? A:错误率、延迟 P99、业务指标(下单成功率),灰度版与稳定版对比。
08.5.5-006 灰度切流如何快速回滚?
一句话结论
回滚优先把流量切回稳定版(不改代码、不重新部署),通常几秒到几十秒完成;数据层问题才需要数据库回滚或迁移回退。
概念解释
- 流量回滚:改负载均衡权重或路由规则,把流量切回稳定版。
- 代码回滚:重新部署旧版本镜像(慢,分钟级)。
- 数据回滚:数据库 schema 或数据修复,最慢且风险最高。
- 优先级:流量回滚 > 代码回滚 > 数据回滚。
原理流程
- 灰度版指标异常。
- 接入层一键切回稳定版。
- 新请求不再到灰度版。
- 灰度版已有连接 drain 完后下线。
代码 / 示例
# 切回稳定版:把 canary 权重设为 0
upstream backend {
server stable:80 weight=100;
server canary:80 weight=0;
}
常见误区
- 误区:回滚就是重新部署旧版本;正解:流量切回是最快的,旧版本一直在跑,不需要重新部署。
- 误区:灰度出问题立刻回滚;正解:先判断是流量问题还是数据问题,数据问题不能简单回滚,否则会数据损坏。
追问
- Q:为什么不能用 git revert 重新构建? A:重新构建 + 部署要分钟级,故障期间每分钟都在损失用户,流量切回秒级。
- Q:数据库迁移怎么回滚? A:schema 变更必须向后兼容(expand-contract 模式),先加字段/表,再写双写,再切读,最后清理旧字段;不能直接 DROP。
08.5.5-007 多机房接入层高可用怎么设计?
一句话结论
多机房接入层用 GSLB(全局负载均衡)按地域把用户解析到最近机房,单机房故障时 GSLB 把流量切到备用机房;机房内部仍用 VIP + 多 LB 双活。
概念解释
- GSLB:DNS 层按地理位置、健康状态返回不同 IP。
- 同城双活:两个机房都接流量,共享数据。
- 异地多活:多个机房独立接流量,数据同步。
- 机房级故障:GSLB 摘除故障机房 IP,流量自动切到备用机房。
原理流程
- 用户 DNS 查询域名。
- GSLB 按用户位置与机房健康状态返回最优机房 IP。
- 用户连接该机房接入层。
- 机房故障时,GSLB 健康检查发现异常,DNS 解析切到备用机房。
代码 / 示例
User -> DNS -> GSLB
-> 机房 A(健康)-> A 入口
-> 机房 A 故障 -> GSLB 切到机房 B
常见误区
- 误区:多机房只要部署两套就行;正解:多机房最大难点是数据同步与一致性,不是接入层;接入层无状态容易多活,数据层才是难点。
- 误区:GSLB 切换是秒级;正解:DNS 有缓存,TTL 设短(如 30 秒),但仍有部分用户会卡在旧机房,需配合 Anycast 或 TCP 任播。
追问
- Q:同城双活与异地多活区别? A:同城双活延迟低(同机房网络),数据强同步;异地多活距离远,数据异步同步,最终一致。
- Q:Anycast 是什么? A:多个机房宣告同一 IP,BGP 路由把用户引导到最近机房;机房故障时 BGP 自动撤路由,流量切走,比 DNS 切换快。
08.5.5-008 GSLB(全局负载均衡)是什么?
一句话结论
GSLB 在 DNS 层根据用户地理位置、机房健康状态、链路质量,把域名解析到最优接入 IP,实现跨机房流量调度与容灾。
概念解释
- 基于 DNS:用户查询域名时 GSLB 返回 IP。
- 调度维度:地理位置、机房健康、线路质量(电信/联通/移动)。
- 健康检查:GSLB 定期探测各机房入口,异常 IP 不返回。
- 局限:DNS 缓存导致切换慢,客户端可能绕过 DNS(直连 IP)。
原理流程
- 用户递归 DNS 查询 example.com。
- GSLB 根据 LocalDNS 位置判断用户来源。
- 探测各机房健康状态。
- 返回最优机房 IP。
- 用户按 IP 连接接入层。
代码 / 示例
GSLB 返回:
电信用户 -> 机房 A 电信 IP
联通用户 -> 机房 A 联通 IP
机房 A 故障 -> 所有用户切到机房 B
常见误区
- 误区:GSLB 是四层负载均衡;正解:GSLB 是 DNS 层调度,不是传输层负载均衡,不处理实际流量。
- 误区:GSLB 能精确按用户 IP 调度;正解:GSLB 通常按 LocalDNS 位置判断,LocalDNS 可能在外地,导致调度不准。
追问
- Q:GSLB 与 Anycast 区别? A:GSLB 基于 DNS,切换慢(分钟级);Anycast 基于 BGP 路由,切换快(秒级),但需要 BGP 自治域。
- Q:云厂商 GSLB 服务? A:如阿里云云解析 DNS、AWS Route 53、Cloudflare,都提供 GSLB 能力。
08.5.5-009 接入层为什么要做无状态化?
一句话结论
接入层无状态意味着任何一台 LB 都能处理任何请求,会话与状态外置到 Redis/JWT,才能快速扩容、故障切换、灰度切流而不丢会话。
概念解释
- 有状态:LB 本地保存会话表,切换时会话丢失。
- 无状态:LB 只做转发,会话由应用层(JWT/Redis)管理。
- 收益:横向扩容、节点故障秒级切换、灰度自由切流。
原理流程
- 用户登录后,应用返回 JWT Token。
- 后续请求带 JWT,LB 不解析直接转发。
- 任意 LB 节点都能处理该请求。
- LB 节点故障时,其他节点无状态接管。
代码 / 示例
有状态:LB 本地 session table -> 切换丢会话
无状态:JWT in Cookie -> 任意 LB 都能验签
常见误区
- 误区:会话保持就是无状态;正解:会话保持是兼容有状态的过渡方案,无状态是把会话外置。
- 误区:JWT 不能撤销;正解:JWT 本身无状态,但可配合 Redis 黑名单实现短期撤销。
追问
- Q:为什么扩容时会话保持会导致不均? A:新加入的 LB 没有历史会话,老用户都打到老 LB,新 LB 只接新用户。
- Q:无状态接入层怎么做限流? A:限流状态外置到 Redis,多台 LB 共享计数。
08.5.5-010 健康检查误判(false positive)怎么处理?
一句话结论
健康检查误判是后端短暂抖动被误摘,通过延长检查间隔、多窗口判定、被动+主动结合、慢启动恢复来减少抖动;同时保留快速摘除真正故障节点的能力。
概念解释
- 误判(false positive):后端短暂超时被摘除,实际健康。
- 漏判(false negative):后端已死但健康检查通过。
- 多窗口判定:连续 N 次失败才摘除,避免一次抖动误判。
- 慢启动:恢复时逐步加流量,避免恢复瞬间被打挂。
原理流程
- 后端单次超时。
- 连续 3 次失败才摘除(不是 1 次)。
- 摘除后等待恢复窗口。
- 恢复时慢启动 30 秒。
代码 / 示例
upstream backend {
server 10.0.0.11:80 max_fails=3 fail_timeout=15s slow_start=30s;
}
常见误区
- 误区:健康检查越严格越好;正解:太严格会误判频繁抖动,导致流量在后端间频繁漂移。
- 误区:摘了就永久剔除;正解:必须自动恢复,否则后端重启后永远接不到流量。
追问
- Q:如何平衡误判与漏判? A:用被动健康检查(基于真实流量)+ 主动探测结合,真实流量失败率高才摘除,避免单次抖动。
- Q:Kubernetes 里怎么配? A:livenessProbe 与 readinessProbe 分开,liveness 杀进程,readiness 摘除 Service Endpoints,两者参数不同。
待整理清单
- [ ] 接入层与 CDN 的配合(静态资源回源、动态直连)
- [ ] 四层 Anycast 与 BGP 路由细节
- [ ] 接入层与 WAF、DDoS 防护联动
- [ ] 大促场景下的接入层容量预估