健康检查的最佳探测间隔应设置在5到10秒之间，配合合理的超时与阈值，既能保证故障被发现，又不会对后端造成明显压力。这个区间是行业共识的安全地带，如果你将健康检查频率调至1秒甚至更低，后端资源将被探活请求大量吞噬，业务流量反而会受到影响；如果间隔拉长到30秒以上,故障恢复的生效时间又会变得难以接受。
探活请求对后端性能的真实影响
健康检查不是免费的，每一次探测，无论是HTTP请求、TCP连接还是数据库Ping，都需要后端消耗CPU时间片、内存缓冲区和文件描述符来处理。当探测频率过高时，探活流量甚至可能占据后端总请求量的相当比例。
以常见的Nginx或云负载均衡为例，如果后端实例有10台，健康检查间隔设为2秒，那么每秒钟就会有5个以上探测请求打过来，一年下来，这些请求累积的计算资源浪费相当可观，更隐蔽的问题是，探活请求往往会触发完整的应用栈处理从网络层到业务代码,甚至可能连数据库连接都建立一遍。
探活本质上是获取服务的二进制状态。 它不需要经过完整的业务逻辑链，但许多团队在设计健康检查接口时，习惯直接调用业务核心接口，这等于每次探活都在执行一次真实业务,开销直接被放大数倍。
为什么不能把健康检查当作实时监控
很多运维人员有一个认知误区：健康检查频率越高，系统越可靠，这个想法在逻辑上似乎成立，但实际运行中会带来一个严重的副作用探活风暴。
当后端服务出现抖动时，高频率的探活请求会进一步加剧后端压力，比如一个业务进程已经显示高负载，每秒上百次探活请求还在不停地发过来，这会直接拖垮原本还能勉强工作的服务，业内专家指出，这种由高频率探活引发的故障放大效应,在微服务架构中比单体架构更容易出现。
健康检查的目的从来不是实时发现故障，而是在合理的“感知窗口”内发现故障，业务监控系统、APM工具、日志告警才是实时感知手段，健康检查的核心价值在于负载均衡器能及时摘除异常节点，避免请求被转发到已宕机的实例上,10秒的感知延迟对于绝大多数业务场景完全足够。
健康检查多久一次最合适
讨论频率，本质上是在找故障感知速度与资源开销之间的平衡点,以下是三种常见设置：
- 1-3秒间隔：用于对故障恢复速度极其敏感的核心链路，比如支付网关的支付成功率探测，资源开销大,仅在关键路径上使用。
- 5-10秒间隔：适用于绝大多数业务后端，包括API服务、Web应用、微服务实例，多数情况下推荐使用，TCP连接探测可以适当缩短,HTTP业务探测则建议拉长。
- 15-30秒间隔：用于非核心服务、批处理任务节点、或者后端实例数量庞大的场景，探活本身消耗的资源有限,但大规模集群下频率需要降低。
从最佳实践来看，TCP层健康检查推荐使用5秒间隔，因为TCP探测只验证端口。HTTP/HTTPS健康检查推荐使用10秒间隔,因为每次请求都会触发后端代码执行。
还需要结合故障转移时间要求来计算，假设你的负载均衡器要求在一个探活周期内发现故障，那么10秒间隔意味着从故障发生到流量切换最多需要超时时间 × 重试次数 + 间隔时间，以10秒间隔、3秒超时、3次失败判定为例，最坏情况下故障感知耗时约为3×3+10=19秒,这个数字对于多数业务来说可以接受。
超时时间和判定阈值怎么设置
频率只是健康检查配置的一个维度,超时时间和失败判定阈值同样影响后端性能。
超时时间决定了每次探活请求占用后端资源的最长时长。 如果设得过大比如5秒后端慢响应时，探活连接会一直占用worker线程，线程池容易被拖垮，推荐HTTP探活超时设为2到3秒，TCP探活超时设为1到2秒。
成功阈值和失败阈值决定了切换的敏捷度。 将失败判定次数设为1，服务一个瞬时抖动就会被摘除；设为3，则更平稳但也更容易漏掉真正的故障,一个折中的做法：
- 失败次数设为3次，用于过滤瞬时网络抖动
- 成功次数设为2次，用于快速恢复故障节点的服务
- 检查间隔设为10秒，超时设为3秒
这样配置后，后端服务有较长的缓冲空间来消化瞬时高负载,不会被探活误伤。
健康检查如何设计才能更省资源
除了调整频率，优化健康检查接口本身的实现方式可以产生更直接的效果,以下几类实操值得参考：
只做轻量级状态判断。 健康检查接口不要查数据库、不要调用Redis、不要执行复杂逻辑，直接返回当前进程的运行状态，你可以写一个独立的探活端点，例如/health，内部只检查进程是否存活,不建立额外的外部连接。
复用已有的连接池。 如果探活请求确实需要访问依赖组件，尽量复用连接池中的连接，而不是每次新建连接,新建连接的开销往往是请求本身的数倍。
在网关层做探活过滤。 部分场景下，可以在网关或Sidecar层面直接接管健康检查请求，返回缓存状态，而不必让探活请求穿透到业务进程内部，比如Envoy Proxy可以配置独立的健康检查集群,直接由代理层响应。
使用HEAD方法替代GET。 部分HTTP健康检查支持使用HEAD方法，响应体内容为空，返回头信息即可,这会减少网络带宽和序列化开销。
区分存活探针和就绪探针。 Kubernetes环境中的livenessProbe和readinessProbe语义不同，存活探针用于检测进程是否僵死，频率可以更低，比如30秒；就绪探针用于检测服务是否可接收流量，频率可以更高，比如10秒,不要将两者混用。
大规模集群下的健康检查频率策略
当后端实例数量从几十扩到几百甚至上千时，健康检查的总请求量会同步增长。负载均衡器每秒产生的探活请求数约等于后端实例数除以间隔时间。 1000个实例，5秒间隔，每秒就有200个探活请求，如果每个请求都需要后端完整解析HTTP头部并返回JSON,消耗就变得可观了。
这时可以做出如下调整：
- 将HTTP探活改为TCP探活，探测量级从应用层降到传输层
- 对于Kubernetes集群，使用kubelet的探活机制替代外部负载均衡器的探活，避免双重探测
- 将多实例的探活请求合并，由一个中心化组件统一收集状态，再上报给负载均衡器
对于不同地域和可用区的实例，健康检查频率应该差异化配置，网络质量较差的区域，适当降低频率可以减少因网络丢包导致的误判，通过调整超时时间而不仅仅是间隔时间,更容易处理跨地域的网络抖动。
Q&A：健康检查频率常见疑问
健康检查会影响后端性能吗？会带来哪些具体开销？
会，健康检查的每次请求都需要经过完整的网络协议栈处理，可能涉及HTTP报文解析、路由匹配、鉴权验证等步骤，开销最明显的是在JVM等内存受限的场景中，频繁的探活请求会加剧GC压力，其次表现在数据库连接池的占用上，探活请求会占用连接池中的空闲连接，高峰期可能挤占业务请求的连接资源，因此探活接口必须独立于业务接口,且只做轻量级校验。
云负载均衡和自建负载均衡的健康检查频率设置有什么不同？
云负载均衡的健康检查由云厂商基础设施发出，探活流量不经过业务逻辑链路的概率较大，以简米云或酷番云为例，其默认健康检查间隔为5秒到15秒，用户可根据后端服务能力调整，自建负载均衡如Nginx或HAProxy，可以精确控制探活的每个参数，但不建议将间隔压到3秒以内，云厂商对健康检查频率也按照请求次数计费审计,频率过高会导致成本上升。
Kubernetes探针和传统负载均衡健康检查频率能否使用同一套配置？
不能直接复用，传统负载均衡健康检查面向实例级的网络连通性，强调网络端口可访问性，Kubernetes的livenessProbe关注进程是否僵死，readinessProbe关注应用是否真正就绪，Kubernetes官方建议initialDelaySeconds和periodSeconds应根据应用启动时间和业务特性独立设置，将readinessProbe的periodSeconds设为5秒到10秒、livenessProbe设为10秒到30秒的组合较为常见，周期越长，探活开销越低,但调度器感知Pod状态变化的延迟也会相应加长。
首发原创文章，作者：王坚，如若转载，请注明出处：https://idctop.com/%e5%81%a5%e5%ba%b7%e6%a3%80%e6%9f%a5%e5%a4%9a%e4%b9%85%e6%8e%a2%e4%b8%80%e6%ac%a1%e6%89%8d%e4%b8%8d%e4%bc%9a%e5%bd%b1%e5%93%8d%e5%90%8e%e7%ab%af%e6%80%a7%e8%83%bd%ef%bc%9f/
