Nginx 中健康检查如何排查由于网络抖动引发的频繁主备切换

核心是区分真实故障与瞬时毛刺，需抓包确认VRRP心跳、改HTTP级健康探测（interval 2、weight -5）、设preempt_delay 30、upstream检查参数匹配抖动窗口（max_fails=2 fail_timeout=30s或rise=2 fall=3 interval=3s），并排查内核中断倾斜与时间不同步。

排查因网络抖动引发的 Nginx 主备频繁切换，核心是区分“真实故障”和“瞬时毛刺”，避免健康检查把几秒内的丢包或延迟误判为服务不可用。重点不在压测链路，而在收紧检查节奏、叠加多级探测、锁定状态边界。

抓包确认 VRRP 心跳是否真实丢包

VRRP 组播是主备协同的基础，抖动往往始于心跳不稳：

1. 在主备两台机器上同时执行：tcpdump -i ens33 ip proto 112 -w vrrp.pcap，回放比对是否双向收发正常
2. 若单边收不到 Advertisement 报文，检查防火墙是否放行协议号 112（不是端口），以及 SELinux 是否拦截组播
3. 确认主备网卡名完全一致（如都是 ens33）、IP 在同一子网、virtual_router_id 数值相同（如 51）

检查 Keepalived 健康脚本是否过于敏感

仅检测 Nginx 进程存活或端口通断，无法发现“进程活着但响应卡死”的假死状态，极易被抖动触发误降权：

1. 将默认的 killall -0 nginx 改为 HTTP 级探测：curl -f -s http://127.0.0.1/health | grep "ok"
2. 设置 interval 2（每 2 秒检查一次），失败一次 weight -5，避免单次超时就大幅拉低优先级
3. 启用 preempt_delay 30，主节点恢复后等待 30 秒再抢 VIP，防止网络闪断引发反复漂移

核对 Nginx upstream 健康检查参数是否匹配抖动窗口

Keepalived 切换 VIP 后，若 Nginx 自身 upstream 还在频繁摘除后端，会导致流量二次震荡：

1. 被动检查：设 max_fails=2 fail_timeout=30s，允许连续 2 次失败（如超时或 5xx），且冷却期远长于典型抖动持续时间（通常 1–5 秒）
2. 主动检查（如用 nginx_upstream_check_module）：必须配 rise=2 fall=3 interval=3s，连续 2 次成功才恢复、连续 3 次失败才下线
3. 禁用 ip_hash，NAT 环境下会把大量用户聚到同一后端，局部过载进一步放大抖动感知

检查内核与网络层隐性干扰

某些抖动表现看似配置问题，实则源于底层资源争抢：

1. 运行 watch -n1 'cat /proc/softirqs | grep NET_RX'，观察各 CPU 的接收中断是否严重倾斜；若某核 si 长期 90%+，说明网卡中断未均衡
2. 执行 ethtool -L eth0 combined 8 开启多队列，并启用 irqbalance 或手动绑定 RX 中断到多个 CPU
3. 确认主备服务器时间同步（chronyd），时间差超过 3 秒会影响 VRRP 计时逻辑