长任务如何设计代理连接健康检查
健康检查要查自己的链路,而不是探测目标站。先定义检查对象是本地网络、代理 IP 接入端点还是自有端点,再定失败判定、告警动作与人工复核,单次失败不要直接换出口。
长任务的健康检查应覆盖自己有权检查的链路,例如本地网络、代理入口或自有健康端点;不应靠持续访问目标站业务页面探测。检查对象明确后,再设失败阈值和告警动作;一次失败不足以单独支持切换出口。
代理连接健康检查应检查哪些对象?
如果没有专用健康端点,不建议高频访问目标站业务页面来当探针。这样做既给目标站增加请求,失败时也分不清问题出在本地、代理还是目标站。应按目标站和代理服务商的使用说明,选一种获准、影响小的检查方式。
| 检查对象 | 是否可用 | 打到哪一端 |
|---|---|---|
| 本地网络与 DNS | 可以 | 自己的机器与解析服务 |
| 代理入口握手与认证 | 可以,限文档允许的端点与频率 | 代理服务商的接入端点 |
| 自有健康端点 | 可以,优先 | 自己控制的服务 |
| 目标站业务页面 | 不建议当检查 | 目标站,会增加对方压力并引入风控 |
可以先查本地网络和代理入口,再结合业务链路的结果判断问题范围。入口检查要按服务商文档给出的端点、认证方式和频率来做。这类检查能帮忙缩小排查范围,但覆盖不了所有故障原因;确认业务是否可用,还得用获准的低影响请求,而不是另起一个高频探针。接入参数与认证方式以 代理设置帮助 为准。
代理池本身的可用率怎么测,可参考 代理 IP 池可用性健康检查怎么做;要对照成功率、延迟这类稳定性指标,再看代理 IP 可用率、延迟和稳定性的测试方法。
哪些情况下,健康检查结果可能不可靠?
- 单次失败:瞬时抖动、临时丢包都会命中,不构成结论。
- 检查与业务共用资源:探针把连接池或并发额度占掉,反而拉低业务成功率。
- 端点自身被限流:健康端点返回 429 或验签失败,问题在检查配置,不在链路。
- 只看连接不看结果:握手成功但目标端返回错误页,连接是通的、业务是坏的。
- 检查点与业务出口不同地区:从另一个地区测通,不代表当前出口能用。
如何判断故障来自本地网络还是代理入口?
三条线索一起看,才能把「哪一段坏了」分开:
| 本地检查 | 代理入口 | 结论 |
|---|---|---|
| 通过 | 不通 | 范围收敛到代理入口链路或服务端;仍需排除 DNS、认证、网络策略与观测点差异 |
| 不通 | 不通 | 先查本地网络与 DNS |
| 通过 | 通过但业务请求失败 | 问题在目标站或业务参数,不在链路 |
判定原则是「连续失败 + 时间窗」,不是单点。连续 N 次都失败,且业务侧错误率同步上升,才判定链路异常;N 由自己的告警阈值决定,不引用通用数值。阈值该定多严,取决于这个服务的可用性目标,Google SRE Workbook:实施 SLO 给出了把目标换算成判据的方法。
健康检查日志应记录什么,告警后怎么处理?
要区分短暂抖动和持续故障,记录中至少要能还原检查时间、检查对象和连续失败次数。阈值与恢复条件应按本服务基线设定。
| 记录项 | 建议记录 |
|---|---|
| 检查时间 | UTC 时间戳、间隔、第几次连续失败 |
| 检查对象 | 本地、代理入口、自有端点 |
| 结果 | 连接结果、延迟、状态码 |
| 影响面 | 受影响任务、批次、当前进度 |
| 动作 | 告警对象、是否暂停、复核结论 |
如何分级告警,并确认任务可以恢复?
告警要带级别:只影响部分任务的记为观察级,由值班先看;导致任务中断或错误率明显上升的记为处置级,暂停任务并通知负责人。
恢复条件同样要写下来:连续成功的次数、观察窗口和业务错误率基线,由该服务的 SLO 与风险策略定义,并写进告警规则;连通性恢复与业务恢复是两个判据,不能靠「看起来好了」。
告警后先暂停相关任务并保留现场,避免在原因未明时直接换出口续跑。确实要换,也得走变更流程:先排空队列,再改配置,可参考 代理配置切换后旧连接为何仍然中断。
常见问题
代理 IP 池的健康检查多久跑一次?
没有统一频率。按任务时长和历史抖动幅度定,先观察一段时间再定间隔,写进告警规则而不是写死在代码里。
只用业务错误率监控,能不能替代健康检查?
不能。业务错误率是结果,发现得晚;健康检查给的是提前量,两者要同时在,缺一个都会晚一步。
代理服务商侧出问题,本地能查出来吗?
只能确认到代理入口不可达,原因要靠服务商状态页或工单确认。不要凭不可达就推断是对方故障。
检查成功的记录要不要留?
只留聚合指标,比如成功率、延迟分位、连续失败次数。逐条成功日志会淹没现场,排查时反而找不到关键记录。
