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。

最佳实践
Kubernetes 健康检查与探针(Probes)详解技术指南封面

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)

获取专属方案

联系我们

加入社区

微信扫码
加入官方交流群

立即体验

在线开通,按量计费,真正的云服务!

立即开始

选择观测云版本

代码托管平台