从Kubernetes的探针到DevOps

今天在群里又看有人问如何设置 Kubernetes 的探针，感觉要补充的话太多了，结合我们在一些 DevOps 项目中痛苦的体验，今天一劳永逸的全部说完，此外，也为大家展现一下为什么 DevOps 这么难？

探针的作用

从功能上讲，探针的作用很简单，之前我也发文澄清过许多人的一些概念不清，本文是希望让运维和开发都能理解，所以会尽量简单的表达。

探针功能是 Kubernetes 提供的一个侦测应用是否正常运行的检查机制。最常见的探测方式是 HTTP 探测。应用需要暴露一个地址，Kubernetes 会定期调用该地址，如果地址返回 200 状态码，则认为应用正常，否则认为应用异常。

一般情况下会需要为应用配置两个探针，分别是存活（liveness）探针和就绪（readiness）探针。存活探针可以在应用有问题时触发重启，应用在重启后可能可以恢复正常。而就绪探针，保证应用有问题时切断流量，避免该应用被调用到：

图片

如果只是从功能角度看，似乎二者的区别不大，配置一个相同的应用接口似乎也没啥问题，那为什么还要设置两个不同的探针呢？“假设” Kubernetes 的开发者是理智的，则肯定有原因，这个原因后面详细说，先看看运维面临的问题。

宏观的意义

运维的朋友，尤其是做过微服务应用运维的朋友，一定见识过某个基础组件或上游服务出故障的情况吧？可观测做的“到位”，可能是满大屏的红色惊叹号。《发布！设计与部署稳定的分布式系统》书中将这个稳定性反模式叫做“级联效应”。

产生级联效应的过程，可以用下图来展示：

图片

当上游的 Pod 不可用时，其下游的 Pod 也无法工作，然后传播到所有相关的 Pod 中。

此时此刻，如果可观测工具将所有的错误一股脑的抛出来，运维人员一定会感到非常的绝望，一定希望有一个工具可以告诉他：某个 Pod 本身出问题了，其他 Pod 是因为依赖的 Pod 出问题了所以报错了。这样才能能专注于解决关键问题。

此外，这种级联反应的故障恢复时，也往往绝非“病去如抽丝”，可能不断会遇到个别的业务问题，有时运维人员需要去手工重启服务才能解决。他一定希望：应用要是能够在条件具备时自动恢复就好了。

没错，解决这两个需求的方法就是探针。

探针如何发挥作用

这两个探针正是 Kubernetes 平台与应用之间沟通的契约，当返回报错时，应用实际要表达的意思和做出的承诺是:

• 存活探针: 我不行了，多试几次，如果还不行，就干掉我重启试试。
• 就绪探针：我现在没法对外提供服务，不要将请求转给我。可能是我依赖的服务有异常，如果依赖的服务恢复，我应该也能恢复。

这样看，两个探针有着明显的区别。而这两个探针与应用配合，是如何解决上一章所说的问题呢？

首先说说应用完全hang死的情况。此时无论是存活探针还是就绪探针，都会探测异常，肯定会触发重启，这种情况在应用也没法做什么预设，是探针机制最立竿见影的一个情况。

当应用本身发生问题时，存活探针应该报告异常，从而触发重启。此时，问题的关键是，应用如何知道自己存在异常？确实挺难的，这个探针对应的接口应该能够模拟正常业务的主要逻辑，而且如果依赖的服务有问题，而且应用能够处理这个问题，则不应该报告异常。

当应用依赖的服务出现故障时。我们希望应用的存活探针报告正常，而就绪探针报告报告异常。因为此时存活探针报告异常触发了应用重启也解决不了任务问题，大量的重启以及相关的报错反而会让运维人员感到恐慌。探针这样工作有一个非常重要的前提条件，那就是应用在其依赖服务恢复时也能够自己恢复。如果应用无法自动恢复，也许我们只能选择让存活探针在此时报告异常，运维需要面对反复重启的无尽惶恐之中。

问题到了开发这里

道理都懂了，但是该如何解决呢？对运维来说意义重大的一个功能，却必须依靠开发人员来完成。首先，需要开发人员理解上述过程，这也是编写本文的目的之一，然后就是去实现了。

尽管像 Spring 这样的开发框架，已经提供了探针相关的功能，开发可能配置一下就能完成，但实际情况往往并不简单。例如 spring 文档说了：

The “liveness” Probe should not depend on health checks for external systems.

意思就是 liveness 探针不应当依赖外部系统的状态，但实际上有时这个外部系统的定义未必那么笃定；也可能我们的应用无法从某个外部系统的故障中恢复，所以即使是外部系统，我们可能也会将其纳入到 liveness 探针需要检查的范畴。

而且，很有可能我们不能一次做好这个事情，需要在结合实际出现的问题进行调整。如果开发没有参与运维，或者中间的沟通不畅，亦或者没把这件是当做自己的事情，这个探针的问题未必能简单的解决。

其实群里人家问的是探针的参数问题，但其实这些参数只是控制故障能多快的暴露出来，如果应用的探针本身就有问题，这些参数设置的再精妙都没有意义。我觉得这是许多团队的一种工作状态：我们部门自己能搞定的尽量不要依赖别的团队。例如，要是我能找到一个可观测工具，直接给我定位哪个pod出问题，那我还找什么开发。

实际上呢？太难了，做这样包治百病的工具太难了。不过，根据许多人的选择，我们知道这可能比让 Dev 和 Ops 高效的配合起来更简单，至少没那么绝望吧。

谨以本文给大家一个例子，希望大家能够互相体谅，保持一点 DevOps 的精神，高层领导也能意识到这个问题，看看怎么解决。再就是看看平台工程，是不是可以建设一个好的平台，让开发能够更轻松的直面这个问题，毕竟自己写的程序最了解。

参考

• [1] 链式反应和级联故障:https://www.bilibili.com/video/BV13Q4y1K7FU/
• [2] 2.9.2. Application lifecycle and Probes states:https://docs.spring.io/spring-boot/docs/2.4.1/reference/html/production-ready-features.html#production-ready-kubernetes-probes-external-state
• [3] 探针对于伸缩的意义和一些参数说明https://yylives.cc/2023/02/25/kubernetes-probes-and-why-they-matter-for-autoscaling/