如何优化AWS ECS Fargate部署回滚效率？解决断路器触发延迟问题

针对你遇到的容器启动失败时CloudFormation流程耗时过长的问题，可通过以下几种方案优化，无需调整DesiredCount至超出业务需求的数值：

1. 调整ECS服务部署配置，降低断路器触发阈值 #

ECS服务的DeploymentConfiguration中，RolloutConfiguration的MaximumFailureThreshold参数控制触发断路器的失败任务数，默认值为10。你可以将其调低至1或2，结合健康检查配置快速识别容器启动失败，大幅缩短触发断路器的时间。

同时配合调整MinimumHealthyPercent和MaximumPercent，确保部署过程中仅启动少量新任务验证健康状态：

MyECSService:
  Type: AWS::ECS::Service
  Properties:
    Cluster: !Ref ECSCluster
    TaskDefinition: !Ref MyTaskDefinition
    DesiredCount: 1 # 保持业务所需的实例数
    LaunchType: FARGATE
    DeploymentConfiguration:
      MaximumPercent: 100 # 允许同时运行的最大任务数为期望数的100%
      MinimumHealthyPercent: 0 # 部署期间允许0个健康任务（适用于单实例场景）
      DeploymentCircuitBreaker:
        Enable: true
        Rollback: true
      RolloutConfiguration:
        MaximumFailureThreshold: 1 # 只要1个任务失败就触发断路器
    # 其他网络配置...

2. 优化容器健康检查与停止超时配置 #

在任务定义中添加快速生效的健康检查规则，让ECS能立即识别容器启动失败；同时缩短停止超时时间，避免不必要的等待：

MyTaskDefinition:
  Type: AWS::ECS::TaskDefinition
  Properties:
    # 基础配置...
    ContainerDefinitions:
      - Name: my-app-container
        Image: !Ref ECRImageUri
        Essential: true
        HealthCheck:
          Command: ["CMD-SHELL", "curl -f http://localhost/health || exit 1"] # 根据你的应用调整健康检查命令
          Interval: 5 # 每5秒检查一次
          Timeout: 2 # 检查超时时间2秒
          Retries: 2 # 重试2次后标记失败
          StartPeriod: 10 # 容器启动后10秒开始检查（避免启动中误判）
        StopTimeout: 30 # 容器停止超时30秒，可根据情况再缩短

3. 在GitHub Actions中添加预验证步骤 #

在触发CloudFormation更新之前，先单独启动一个测试任务验证容器能否正常启动。如果测试失败，直接终止部署流程，无需等待CloudFormation和ECS的部署周期：

- name: Validate container with test task
  env:
    ECS_CLUSTER: ${{ secrets.ECS_CLUSTER_NAME }}
    TASK_DEF_FAMILY: my-app-task-family
    SUBNETS: ${{ secrets.PRIVATE_SUBNETS }}
    SECURITY_GROUPS: ${{ secrets.ECS_TASK_SECURITY_GROUP }}
  run: |
    # 注册新任务定义后获取修订版本
    TASK_REVISION=$(aws ecs describe-task-definition --task-definition $TASK_DEF_FAMILY --query 'taskDefinition.revision' --output text)
    
    # 启动测试任务
    TASK_ARN=$(aws ecs run-task \
      --cluster $ECS_CLUSTER \
      --task-definition $TASK_DEF_FAMILY:$TASK_REVISION \
      --launch-type FARGATE \
      --network-configuration "awsvpcConfiguration={subnets=[$SUBNETS],securityGroups=[$SECURITY_GROUPS],assignPublicIp=ENABLED}" \
      --query 'tasks[0].taskArn' --output text)
    
    # 等待任务进入终止状态
    aws ecs wait task-stopped --cluster $ECS_CLUSTER --tasks $TASK_ARN
    
    # 检查容器退出码
    EXIT_CODE=$(aws ecs describe-tasks \
      --cluster $ECS_CLUSTER \
      --tasks $TASK_ARN \
      --query 'tasks[0].containers[0].exitCode' --output text)
    
    if [ "$EXIT_CODE" -ne 0 ]; then
      echo "Container failed to start (exit code: $EXIT_CODE)"
      exit 1
    fi

4. 设置CloudFormation栈更新超时 #

作为兜底方案，在CloudFormation更新时指定TimeoutInMinutes，如果超出时间未完成更新则自动回滚：

aws cloudformation update-stack \
  --stack-name my-ecs-stack \
  --template-body file://template.yaml \
  --parameters ... \
  --timeout-in-minutes 5

以上方案可单独或组合使用，能将容器启动失败时的部署终止时间从30-40分钟缩短至数分钟内，同时保持正常部署时的实例数量符合业务需求。

内容的提问来源于stack exchange，提问作者toma margishvili