Nginx突发返回499状态码排查求助（上游连接重置但直连Node应用正常）

遇到这种间歇性的生产问题真的头大！先把我的情况和困惑整理出来，求各位大佬帮忙分析：

环境背景 #

• Kubernetes集群，Ingress流量指向3个Nginx容器实例
• Nginx通过location /app/配置反向代理到后端的Node应用

问题现象 #

• 服务正常运行数天甚至数周后，3个Nginx容器会同时开始报错，日志显示上游（Node应用）连接被客户端意外关闭
• 客户端侧会出现30%的请求延迟120s或60s（看起来是第一个Nginx实例请求失败后，自动切换到另一个实例重试）
• 但奇怪的是：
  • 直接通过Ingress路由访问Node应用，100%成功，完全没有报错
  • 进入Nginx容器内部，用curl请求Node应用，也是100%成功，和外部请求Nginx的情况完全不同
• 临时解决方案：重启Nginx容器后问题立即消失，但过段时间会再次复发

已排查的资源情况 #

• CPU使用率：远低于集群节点的上限
• 内存使用率：同样远低于上限
• Nginx配置：已设置1024个socket
• 文件描述符：硬限制和软限制都设置为100k，没有耗尽迹象

当前困惑与假设 #

• 我怀疑是某种资源耗尽，但实在找不到具体是哪种资源：
  • 没有开启长连接，如果是端口/socket耗尽，为什么在容器内部curl不会出现同样的问题？
  • 如果问题出在Node应用本身，为什么直连它完全正常？而且重启Nginx（甚至只是reload配置，主进程保留、启动新worker进程）就能解决问题，这逻辑根本说不通
• 现在完全卡壳了，感觉是个定时炸弹，正常运行几天就炸一次，实在找不到根源

求问方向 #

有没有大佬遇到过类似的情况？或者能给一些排查的思路？比如Nginx的哪些配置、统计指标我应该重点关注？

备注：内容来源于stack exchange，提问作者peteisace