Azure实例健康判定逻辑及CPU密集型任务场景下健康检查配置

一、健康检查是否会误判？ #

是的，配置不当的话确实会误判。原因如下：

• 若用TCP端口检查：只要实例的端口还能监听并响应SYN包，一般不会被判定不健康；但CPU满载导致TCP栈无法及时处理检查请求时，就可能触发失败。
• 若用HTTP/HTTPS检查：如果健康检查端点需要应用进程处理，CPU占满会导致端点超时无响应，直接被标记为不健康并移除。

核心矛盾是默认健康检查只看「能否响应检查请求」，不区分「正在忙的健康实例」和「真挂了的实例」。

二、确保仅移除真不健康实例的方案 #

1. 调整健康检查规则 #

• 优先用TCP端口检查：TCP检查只验证端口监听状态，不依赖应用逻辑，只要实例网络栈正常，哪怕CPU跑满也不会误判。
• 放宽检查阈值：把响应超时从默认2秒调至10秒，失败重试次数从3次增至5次，给高负载实例足够的响应缓冲时间。
• 做轻量HTTP健康端点：如果必须用HTTP检查，单独写一个极简的/health端点，只返回200 OK，不涉及任何业务计算，确保CPU再忙也能快速响应这个请求。

2. 实例侧主动维护健康状态 #

• 在实例里加状态标记：用本地文件或内存变量记录「是否在处理长任务」，健康端点读取这个标记，只要实例能响应且标记正常，就返回健康，无视CPU负载。
• 资源隔离：给长任务分配固定CPU核心，预留核心给健康检查进程和网络栈，避免健康检查因资源耗尽无响应。

三、更新后的PowerShell脚本（中文注释） #

# 定义待检查的实例列表
$instances = @("instance1.example.com", "instance2.example.com", "instance3.example.com")

# 遍历每个实例执行健康检查
foreach ($instance in $instances) {
    # 测试实例80端口的连通性，仅返回布尔结果（成功/失败）
    $result = Test-NetConnection -ComputerName $instance -Port 80 -InformationLevel Quiet

    # 若端口无响应，输出提示信息
    if (!$result) {
        Write-Host "实例 $instance 无响应。"
        # 可在此扩展操作，比如发送告警通知或触发故障转移流程
    }
}

脚本优化建议 #

• 加重试机制：第一次检测失败后，间隔3-5秒重试1-2次，排除瞬时负载过高导致的误判。
• 结合CPU负载检测：用Get-Counter获取实例CPU使用率，只有当端口无响应且CPU持续100%超过5分钟时，才判定为不健康。

内容的提问来源于stack exchange，提问作者Traci