长期运行的AKS服务中HttpClient请求挂起问题排查求助

首先明确：你当前使用AddHttpClient<T>注册类型化客户端、通过构造函数注入HttpClient的方式，完全符合微软官方推荐的最佳实践，本身没有错误——这种方式避免了手动创建HttpClient导致的套接字资源泄漏问题，底层会自动维护连接池。

但结合“运行30天后出现请求挂起、重启实例恢复”的现象，问题大概率出在连接池复用的死连接或长期运行的资源积累上，以下是具体分析和优化建议：

潜在问题根源 #

1. 死连接占用连接池
   HttpClient默认使用HttpClientHandler的连接池复用TCP长连接（HTTP/1.1 Keep-Alive）。如果中间链路（APIM/ExpressRoute）或目标API异常关闭连接，但客户端未检测到，这些“死连接”会留在连接池中。当后续请求复用这些死连接时，就会出现请求挂起直到超时的情况。

2. 全局超时与请求级超时的衔接问题
   你提到配置了10秒超时，但如果仅依赖外部传入的CancellationToken，可能存在上层调用未正确传递取消信号的情况；另外HttpClient的全局Timeout默认是100秒，若未显式修改，可能和你预期的超时逻辑不符。

优化方案 #

1. 配置连接池参数，避免死连接积累 #

在注册客户端时，显式配置HttpClientHandler的连接池相关参数，限制连接存活时间、启用健康检查：

serviceCollection.AddHttpClient<IMyApiClient, MyApiClient>()
    .ConfigurePrimaryHttpMessageHandler(() => new HttpClientHandler
    {
        // 限制每个域名的最大并发连接数，防止连接池过度膨胀
        MaxConnectionsPerServer = 100,
        // 启用连接复用（默认开启，显式声明更清晰）
        EnableConnectionReuse = true,
        // 设置连接最大存活时间，定期淘汰旧连接，避免复用死连接
        PooledConnectionLifetime = TimeSpan.FromMinutes(5),
        // 设置连接空闲超时，空闲超过时间后自动关闭
        PooledConnectionIdleTimeout = TimeSpan.FromMinutes(2)
    });

2. 增加请求级别的精准超时控制 #

避免仅依赖外部传入的CancellationToken，在请求内部创建关联的取消令牌，确保请求级别的超时生效：

public async Task CallApi(CancellationToken ctx)
{
    using var requestCts = CancellationTokenSource.CreateLinkedTokenSource(ctx);
    // 强制设置请求超时为10秒，覆盖全局超时
    requestCts.CancelAfter(TimeSpan.FromSeconds(10));
    
    try
    {
        await _httpClient.GetAsync("api-uri", requestCts.Token);
    }
    catch (TaskCanceledException ex)
    {
        // 区分是用户主动取消还是请求超时
        if (!ctx.IsCancellationRequested)
        {
            // 记录超时日志，便于排查
        }
        throw;
    }
}

3. 补充日志，定位问题细节 #

在请求的关键节点添加日志，尤其是异常场景，帮助区分是客户端问题还是链路问题：

// 假设你注入了ILogger<MyApiClient>
private readonly HttpClient _httpClient;
private readonly ILogger<MyApiClient> _logger;

public MyApiClient(HttpClient httpClient, ILogger<MyApiClient> logger)
{
    _httpClient = httpClient;
    _logger = logger;
}

public async Task CallApi(CancellationToken ctx)
{
    var requestId = Guid.NewGuid().ToString();
    _logger.LogInformation("请求开始，ID: {RequestId}", requestId);
    
    try
    {
        using var requestCts = CancellationTokenSource.CreateLinkedTokenSource(ctx);
        requestCts.CancelAfter(TimeSpan.FromSeconds(10));
        
        var response = await _httpClient.GetAsync("api-uri", requestCts.Token);
        response.EnsureSuccessStatusCode();
        
        _logger.LogInformation("请求成功，ID: {RequestId}", requestId);
    }
    catch (TaskCanceledException ex)
    {
        if (!ctx.IsCancellationRequested)
        {
            _logger.LogError(ex, "请求超时，ID: {RequestId}", requestId);
        }
        else
        {
            _logger.LogInformation("请求被主动取消，ID: {RequestId}", requestId);
        }
        throw;
    }
    catch (Exception ex)
    {
        _logger.LogError(ex, "请求失败，ID: {RequestId}", requestId);
        throw;
    }
}

4. 排查AKS集群层面的网络问题 #

虽然重启实例能解决，但也可以排查集群级别的资源限制：

• 检查节点的SNAT端口是否耗尽（可通过Azure Monitor查看AKS节点的SNAT指标）
• 确认APIM/ExpressRoute的链路是否存在间歇性的连接中断或限流

内容的提问来源于stack exchange，提问作者Alasdair Stark