参考资料

• Kubernetes Probes
• Kubernetes Resources
• Kubernetes HPA

Kubernetes（03） - 健康检查、弹性与资源限制

读完后，你应能完成以下任务：

• 绘制“Kubernetes（03） - 健康检查、弹性与资源限制 / 三类探针的不同职责”的关键对象与数据流，解释“readiness 决定是否进入 Service 端点，”，并用源码位置、日志或 Trace 标注证据。
• 为“Kubernetes（03） - 健康检查、弹性与资源限制 / Requests、Limits 与 QoS”设计正常与异常输入，验证“scheduler 按 requests 放置 Pod，”，输出首个偏差位置与回归测试结果。
• 实现“Kubernetes（03） - 健康检查、弹性与资源限制 / HPA 指标、稳定窗口与过载保护”的最小代码或配置，检验“HPA 根据 CPU、内存或自定义指标调整副本，但扩容有采集和启动延迟。”，输出命令、结果与 Diff，并说明不适用边界。

一、先建立全局：健康检查、弹性与资源限制 是什么？

理解“健康检查、弹性与资源限制”，先要把标题中的对象放进同一条处理链：它接收什么输入，经过哪些状态变化，最终用什么证据判断结果。下表不另造概念，只把作者正文已经解释的章节按依赖顺序连起来。

“健康检查、弹性与资源限制”的第一个核心判断是：readiness 决定是否进入 Service 端点，。先弄清这个判断中的对象和输入输出，后面的实现、故障和验收才有共同语境。

顺序	章节	读完本节应抓住的结论
1	三类探针的不同职责	readiness 决定是否进入 Service 端点，
2	Requests、Limits 与 QoS	scheduler 按 requests 放置 Pod，
3	HPA 指标、稳定窗口与过载保护	HPA 根据 CPU、内存或自定义指标调整副本，但扩容有采集和启动延迟。
4	探针与资源配置	CPU limit 是否设置取决于延迟和租户隔离目标，应压测确认节流影响。
5	故障边界与验证	验收时至少覆盖正常、边界和失败三条路径。
6	startupProbe 给慢启动应用保护期	startupProbe 给慢启动应用保护期，

1.1 核心对象之间怎样衔接

flowchart LR
  S1["三类探针的不同职责"] --> S2
  S2["Requests、Limits 与 QoS"] --> S3
  S3["HPA 指标、稳定窗口与过载保护"] --> S4
  S4["探针与资源配置"] --> S5
  S5["故障边界与验证"]

这张图只表达本文的讲解顺序，不替代正文机制。判断“健康检查、弹性与资源限制”是否真正掌握，需要能从最后一个结果沿图回到前面每个章节的输入、状态变化和证据。

1.2 再看失败：问题最早会出现在哪一步？

在“健康检查、弹性与资源限制”的对象和顺序已经明确后，再看可观察的失败：环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用。定位时不从最后一条错误猜原因，而是沿上图找第一个偏离正文结论的节点。

二、三类探针的不同职责

startupProbe 给慢启动应用保护期， readiness 决定是否进入 Service 端点， liveness 只判断进程是否失去自愈能力。 把数据库短暂不可用写进 liveness 会引发重启风暴； 依赖故障通常让 readiness 失败并由应用有界重试。

三、Requests、Limits 与 QoS

scheduler 按 requests 放置 Pod， CPU limit 可能触发节流， 内存超过 limit 会被 OOMKill。 requests 应来自真实负载分位和安全余量，不设置会导致过度装箱，设置过高则浪费容量； QoS 影响节点压力下的驱逐顺序。

四、HPA 指标、稳定窗口与过载保护

HPA 根据 CPU、内存或自定义指标调整副本，但扩容有采集和启动延迟。 交互服务应结合队列、并发或业务延迟，并设置 stabilizationWindow； 应用仍需限流和快速拒绝，不能把无限队列交给扩容解决。

五、探针与资源配置

就绪和存活使用不同端点，资源限制从压测基线开始。

startupProbe:
  httpGet: { path: /startup, port: 8080 }
  failureThreshold: 30
  periodSeconds: 2
readinessProbe:
  httpGet: { path: /ready, port: 8080 }
  periodSeconds: 5
livenessProbe:
  httpGet: { path: /live, port: 8080 }
  periodSeconds: 10
resources:
  requests: { cpu: 250m, memory: 256Mi }
  limits: { memory: 512Mi }

CPU limit 是否设置取决于延迟和租户隔离目标，应压测确认节流影响。 探针端点不能固定返回 200，也不能执行昂贵全量查询。

六、故障边界与验证

下面三类现象覆盖本主题最常见的错误路径； 证明结果可复现且没有引入新的副作用。

现象	常见根因	验证与处理
Pod 周期性重启	liveness 检查外部依赖或阈值过紧	查看 Last State 与事件，把依赖状态移到 readiness
CPU 不高但请求延迟增加	CPU limit 节流或队列饱和	检查 throttled_seconds、队列与 P99，再调整资源和并发
流量高峰 HPA 来不及扩容	指标滞后和实例冷启动	设置最小副本、预热与过载保护，并用预测或队列指标辅助

验收时至少覆盖正常、边界和失败三条路径。 配置、镜像、工作流或测试数据都要绑定版本；

七、动手验证：先跑通 健康检查、弹性与资源限制，再改变一个变量

前面的章节已经建立问题、概念和机制。现在把“健康检查、弹性与资源限制”放进同一套基线中运行；本节不再引入新术语，只验证前文结论能否被复现。

7.1 基线与候选只允许一个变量不同

验证“健康检查、弹性与资源限制”时，先固定制品、配置、运行环境、流量样本、权限和回滚条件。候选方案只能改变本次要验证的变量；如果同时更换数据、依赖和配置，即使结果改善，也不能知道是哪一项产生作用。

执行“健康检查、弹性与资源限制”时，动作是：执行部署或验收链路，并主动制造一次健康检查、网络或依赖失败。原始结果不能只保留截图或汇总分数，必须同步保存：命令退出码、事件、日志、指标、Trace、页面断言和制品摘要，使下一次复查可以在同一输入上重放。

实验要素	本文要求
固定条件	固定制品、配置、运行环境、流量样本、权限和回滚条件
唯一变量	本次候选方案与基线之间的一项明确差异
原始证据	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要
通过阈值	成功路径达标，失败被及时阻断，恢复与回滚结果经过复测
立即停止	环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用

7.2 执行前先排除不可比较条件

“健康检查、弹性与资源限制”开始前先确认下面四项；任一项不成立，都应先修复实验条件，而不是解释结果。

• 基线能够在“健康检查、弹性与资源限制”的当前环境重复运行。
• 候选只改变一个与“健康检查、弹性与资源限制”结论直接相关的条件。
• “健康检查、弹性与资源限制”的基线和候选使用同一批输入、同一版本依赖与同一通过阈值。
• “健康检查、弹性与资源限制”的原始输出和失败现场不会被重试、格式化或汇总覆盖。

7.3 执行后先核对证据完整性

结果出来后先检查证据，再讨论“健康检查、弹性与资源限制”是否通过。缺少中间状态时，最终输出只能说明现象，不能证明机制。

检查项	当前文章的判定
输入可追溯	固定制品、配置、运行环境、流量样本、权限和回滚条件
过程可回放	执行部署或验收链路，并主动制造一次健康检查、网络或依赖失败
结果可审计	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要

“健康检查、弹性与资源限制”的一次合格基线对照按以下顺序执行：

1. 保存“健康检查、弹性与资源限制”基线版本及输入摘要，确认基线本身可以重复运行。
2. 写下“健康检查、弹性与资源限制”候选方案唯一变化的变量，以及它预期影响的指标。
3. 在同一环境执行“健康检查、弹性与资源限制”：执行部署或验收链路，并主动制造一次健康检查、网络或依赖失败。
4. 为“健康检查、弹性与资源限制”保存：命令退出码、事件、日志、指标、Trace、页面断言和制品摘要。
5. 使用“健康检查、弹性与资源限制”预登记条件判断：成功路径达标，失败被及时阻断，恢复与回滚结果经过复测。
6. 如果“健康检查、弹性与资源限制”未通过，不修改第二个变量，先恢复基线并保留失败现场。

八、用一张矩阵验证 健康检查、弹性与资源限制 的关键结论

矩阵按正文顺序列出“健康检查、弹性与资源限制”的结论。一次实验只选择一行，只改变这一行对应的条件；不要把多行合并成一个无法归因的大实验。

正文章节	已解释的结论	本轮唯一变量	必须保存的证据
三类探针的不同职责	readiness 决定是否进入 Service 端点，	只改变与“三类探针的不同职责”相关的条件	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要
Requests、Limits 与 QoS	scheduler 按 requests 放置 Pod，	只改变与“Requests、Limits 与 QoS”相关的条件	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要
HPA 指标、稳定窗口与过载保护	HPA 根据 CPU、内存或自定义指标调整副本，但扩容有采集和启动延迟。	只改变与“HPA 指标、稳定窗口与过载保护”相关的条件	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要
探针与资源配置	CPU limit 是否设置取决于延迟和租户隔离目标，应压测确认节流影响。	只改变与“探针与资源配置”相关的条件	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要
故障边界与验证	验收时至少覆盖正常、边界和失败三条路径。	只改变与“故障边界与验证”相关的条件	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要
startupProbe 给慢启动应用保护期	startupProbe 给慢启动应用保护期，	只改变与“startupProbe 给慢启动应用保护期”相关的条件	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要

8.1 记录本次实际实验

下面的记录用于“健康检查、弹性与资源限制”当前这一次实验，不是第二套知识目录。先从矩阵选择一个章节，再填写实际值；没有填写的字段表示尚未验证。

topic: "健康检查、弹性与资源限制"
selected_chapter: required
claim_from_article: required
baseline_version: required
changed_condition: exactly_one
execution: "执行部署或验收链路，并主动制造一次健康检查、网络或依赖失败"
evidence: "命令退出码、事件、日志、指标、Trace、页面断言和制品摘要"
pass_when: "成功路径达标，失败被及时阻断，恢复与回滚结果经过复测"
stop_when: "环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用"
observed_result: required
first_deviation: null_or_evidence
recovery_replay: required_after_failure

8.2 边界实验必须证明能够停止和恢复

成功路径只能证明“健康检查、弹性与资源限制”在当前样本上工作，不能证明它可以进入生产。边界实验需要主动制造：环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用，并观察系统是否在产生不可逆副作用前停止。

场景	只改变什么	应保存什么	通过标准
正常路径	使用已知有效输入	命令退出码、事件、日志、指标、Trace、页面断言和制品摘要	成功路径达标，失败被及时阻断，恢复与回滚结果经过复测
边界路径	把一个输入推进到约束临界值	临界值前后的输出与指标	不静默降级，不把部分结果冒充成功
明确失败	注入：环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用	原始错误、首个异常阶段和最终状态	失败被正确分类且没有扩大副作用
恢复重放	执行：停止扩量，按制品、配置、运行时和依赖顺序定位并恢复	原失败样本的复测证据	原样本恢复，正常样本没有回归

恢复动作不是简单重启。对于“健康检查、弹性与资源限制”，第一步是：停止扩量，按制品、配置、运行时和依赖顺序定位并恢复。完成后使用原始失败样本复测；只验证一个新样本成功，不能证明触发条件已经消失。

“健康检查、弹性与资源限制”边界实验结束后，应把正常、临界、失败和恢复四类记录放在同一个运行批次中。这样才能区分“候选方案真的修复问题”和“环境变化让问题暂时没有出现”。

九、健康检查、弹性与资源限制 的结果解释

解释“健康检查、弹性与资源限制”实验时先看首个偏差，而不是最后一条错误。最后的异常通常只是上游状态错误的结果；从末端反推容易误把症状当根因。

观察结果	可以支持的判断	下一步
主链路没有达到预期	环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用	先执行：停止扩量，按制品、配置、运行时和依赖顺序定位并恢复
异常链路无法恢复	环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用	先执行：停止扩量，按制品、配置、运行时和依赖顺序定位并恢复
新样本成功但原样本仍失败	修复没有覆盖原始触发条件	固定原失败输入，恢复基线后重新比较
指标改善但证据无法回链	数据、版本或中间状态没有固定	暂停发布，补齐可追溯记录后重跑

“健康检查、弹性与资源限制”只有同时满足“成功路径达标，失败被及时阻断，恢复与回滚结果经过复测”，并且没有出现“环境漂移、探针失真、权限错误、发布扩大故障或回滚不可用”，才可以认为主链路通过。这里的“通过”只对当前固定版本、样本和环境有效，不能外推到尚未测试的容量、权限或数据分布。

如果“健康检查、弹性与资源限制”候选方案与基线差异很小，先检查证据分辨率是否足够；如果差异很大，先排除数据泄漏、环境漂移和版本不一致。两种情况都不能只看一个汇总均值，需要回到逐样本输出和中间状态。

“健康检查、弹性与资源限制”故障定位完成后，记录“现象、首个偏差、根因、改动、原样本复测”五项。缺少原样本复测时，只能标记为待观察，不能标记为已解决。

十、健康检查、弹性与资源限制 的发布判断

发布判断需要把“健康检查、弹性与资源限制”的质量、失败边界和恢复能力放在同一份记录中。以下任一条件缺失，都应停止扩量，而不是用“基本正常”替代证据。

• “健康检查、弹性与资源限制”的基线与候选只存在一个计划内变量。
• “健康检查、弹性与资源限制”的输入、代码、依赖、配置和数据版本可以追溯。
• “健康检查、弹性与资源限制”的正常、临界、失败和恢复样本使用同一套断言。
• “健康检查、弹性与资源限制”的原始输出、中间状态和失败现场已经保留。
• “健康检查、弹性与资源限制”的日志、Trace、截图和测试数据已经脱敏。
• “健康检查、弹性与资源限制”的停止条件、负责人和回滚入口已经演练。
• “健康检查、弹性与资源限制”尚未覆盖的输入、权限、容量和外部依赖已经登记。

最终记录至少包含基线版本、唯一变量、原始证据、首个偏差、恢复复测和发布责任人。没有参与本次修改的人如果不能据此重放“健康检查、弹性与资源限制”的判断，就不能发布。

十一、总结

• 三类探针的不同职责：startupProbe 给慢启动应用保护期，readiness 决定是否进入 Service 端点，liveness 只判断进程是否失去自愈能力。
• Requests、Limits 与 QoS：scheduler 按 requests 放置 Pod，CPU limit 可能触发节流，内存超过 limit 会被 OOMKill。
• HPA 指标、稳定窗口与过载保护：HPA 根据 CPU、内存或自定义指标调整副本，但扩容有采集和启动延迟。
• 探针与资源配置：CPU limit 是否设置取决于延迟和租户隔离目标，应压测确认节流影响。