Kubernetes 健康检查与探针(Probes)详解
K8s 三种探针详解:liveness(要不要重启)、readiness(能不能接流量)、startup(启动完没有);HTTP/TCP/exec/gRPC 四种实现方式、参数调优与避坑指南。
K8s 探针(Probe)是 kubelet 对容器做的定期健康检查,检查结果直接驱动 K8s 的自动化动作:按策略重启容器、改变就绪状态、在启动阶段暂缓其他探测。可以把探针理解为 K8s 集群的"反射神经"——不等人工介入,先把显而易见的故障处理掉。
三种探针的分工
1. Liveness Probe:这个容器还值得留着吗?
达到连续失败阈值后,kubelet 终止该容器,再按适用的重启策略处理。用来捕捉"进程还在但已经死了"的状态——死锁、内部崩溃、假死。
livenessProbe:
httpGet:
path: /healthz
port: 8080
initialDelaySeconds: 10
periodSeconds: 10
failureThreshold: 3
铁律:liveness 里不要检查外部依赖(数据库、下游 API)。依赖挂了重启你的容器毫无用处,只会引发滚动重启雪崩——数据库故障 → 所有 Pod liveness 失败 → 全部重启 → 恢复更慢。
2. Readiness Probe:这个实例能接流量吗?
达到连续失败阈值后,容器变为未就绪,Pod 的 Ready 条件随之变为 false。普通 Service 会根据 EndpointSlice 的就绪状态停止向该端点分配常规新流量,探针恢复后可重新接流量。readiness 失败不触发重启,也不会主动断开已有连接。设置了 publishNotReadyAddresses: true 的 Service 需要另看。这里可检查实例能否正确服务所必需的依赖,如数据库连接池、缓存或配置。 EndpointSlice 条件(英文)
readinessProbe:
httpGet:
path: /ready
port: 8080
periodSeconds: 5
failureThreshold: 2
典型用途:应用启动时需要预热(加载缓存、建立连接池),就绪前不接流量;只有不能正确处理请求时才标记未就绪。共享依赖故障可能让所有副本一起退出常规路由,能降级服务的实例要按实际能力判定。
3. Startup Probe:慢启动应用的救星
老应用(如大型 Java 服务)启动可能要几分钟。liveness 的 initialDelaySeconds 给太短会误杀启动中的容器,给太长又降低故障响应速度。startup probe 解决这个两难:探测成功前,kubelet 不执行该容器的 liveness 和 readiness。startup 达到连续失败阈值时同样终止容器,是否重启看适用策略。
startupProbe:
httpGet:
path: /healthz
port: 8080
periodSeconds: 10
failureThreshold: 30
这个例子按 10s × 30 预留约五分钟的启动预算。实际动作时刻受首轮探测、单次耗时与调度影响。
四种探测方式
| 方式 | 配置 | 适用 |
|---|---|---|
| HTTP GET | httpGet: {path, port} |
向 Pod IP 发 HTTP GET,响应状态码 200–399 视为成功。HTTPS 探测不校验证书 |
| TCP | tcpSocket: {port} |
从节点连接 Pod 端口,能建连即通过,只证明端口可连接 |
| exec | exec: {command: [...]} |
在容器中直接执行指定命令,退出码 0 视为通过。使用管道或重定向时要显式调用 shell |
| gRPC | grpc: {port, service} |
需实现 gRPC Health Checking Protocol 并返回 SERVING。原生探针使用数字端口,默认明文。v1.37 的 TLS 是默认关闭的 Alpha 功能,需启用 GRPCContainerProbeTLS,且不校验证书。 gRPC 探针 TLS(英文) |
关键参数怎么调
initialDelaySeconds:初始延迟,默认 0 秒。有 startup probe 时,liveness 和 readiness 还必须等它成功。periodSeconds:探测间隔,默认 10 秒。Pod 尚未就绪时,readiness 可能在设定间隔之外执行。timeoutSeconds:单次探测超时,默认 1 秒,按端点在实际负载下的响应耗时设置。failureThreshold:连续失败几次才动作,默认 3。按可接受的检测延迟和短时抖动设置。successThreshold:失败后连续成功几次算恢复,默认 1。startup 和 liveness 必须为 1。
平衡示例:
livenessProbe:
httpGet: {path: /healthz, port: 8080}
periodSeconds: 15
timeoutSeconds: 3
failureThreshold: 3
看懂 CrashLoopBackOff
kubectl 显示 CrashLoopBackOff 时,通常有容器反复终止,kubelet 正在延迟下一次重启。这个状态本身不能说明原因。常见根因包括应用启动即退出、startup 或 liveness 达到失败阈值、以及 OOMKilled。换成实际的命名空间、Pod 和容器名,再按以下步骤查。
NS=shop
POD=checkout-abc
CONTAINER=checkout
kubectl -n "$NS" describe pod "$POD"
kubectl -n "$NS" logs "$POD" -c "$CONTAINER" --previous
kubectl -n "$NS" get events --field-selector "involvedObject.kind=Pod,involvedObject.name=$POD" --sort-by=.metadata.creationTimestamp
检查重启原因时,先看目标容器的 Last State、退出码和终止时间,再对齐上一次容器日志与同一时间窗口的事件。单有 Unhealthy 事件不足以判断重启原因,readiness 失败也会产生这类事件。需要跨时间回溯时,可启用观测云 DataKit 的 Kubernetes 事件采集,核对权限与实际收到的 Pod、命名空间和事件时间。
常见问题(FAQ)
Q:liveness 和 readiness 能用同一个端点吗?
A:小服务可以,但语义不同最好别——liveness 端点要极简(只查进程自身),readiness 端点只检查能否正常接请求所需的条件。共用一个端点容易把依赖检查带进 liveness,埋下雪崩隐患。
Q:exec 探针有什么坑?
A:它在容器内执行命令,高频时会增加进程开销。保持命令轻量,并按运行时版本核对超时行为。
Q:探针失败会记录在哪里?
A:可在 kubectl describe pod 的 Events 中查到相关事件。kube-apiserver 的 --event-ttl 默认 1 小时,实际保留期看集群设置,长期分析应另外采集和保存。 kube-apiserver 参数(英文)