AWS ECS Service Connect 间歇性10秒超时问题求助（直接IP调用稳定）

大家好，我现在遇到一个非常棘手的AWS ECS Service Connect问题——服务间调用总是间歇性超时，折腾了好久排除了不少可能，但现在卡壳了，迹象都指向Service Connect代理本身有问题，想请教下大家有没有遇到过类似情况或者有排查思路？

基础设施概述 #

• AWS ECS Fargate环境，采用标准客户端-服务端架构
• 网络模式为awsvpc，部署在双栈（IPv4/IPv6）VPC的私有子网中
• 使用ECS Service Connect默认的.local命名空间
• 用AWS CDK拆分栈，通过SSM参数存储管理运行时配置

我观察到的现象 #

当客户端服务（service-a）调用下游服务（service-b）时，请求经常会卡10秒左右然后失败，具体情况如下：

1. 负载测试结果 #

负载测试把问题暴露得非常明显：

• 通过Service Connect路由时，失败率约12%，99分位延迟高达14000ms
• 但当service-a直接调用service-b的私有IP时，失败率为0%，99分位延迟只有120ms（原本有测试截图，暂时无法展示）

2. 手动curl测试 #

为了排除并发负载的影响，我在service-a的容器里单独执行curl请求，结果同样出现间歇性10秒超时：

# 快速的IPv4调用
$ curl -4 -s -w '→ IP=%{remote_ip} total=%{time_total}s\n' -o /dev/null http://service-b.local:5000/api/v1/b/test
→ IP=127.255.0.2 total=0.007104s

# 超时的IPv6调用
$ curl -6 -s -w '→ IP=%{remote_ip} total=%{time_total}s\n' -o /dev/null http://service-b.local:5000/api/v1/b/test
→ IP=2600:f0f0::2 total=9.999628s

# 另一个超时的IPv6调用
$ curl -6 -s -w '→ IP=%{remote_ip} total=%{time_total}s\n' -o /dev/null http://service-b.local:5000/api/v1/b/test
→ IP=2600:f0f0::2 total=9.994741s

# 快速的IPv6调用
$ curl -6 -s -w '→ IP=%{remote_ip} total=%{time_total}s\n' -o /dev/null http://service-b.local:5000/api/v1/b/test
→ IP=2600:f0f0::2 total=0.005802s

# 另一个超时的IPv6调用
$ curl -6 -s -w '→ IP=%{remote_ip} total=%{time_total}s\n' -o /dev/null http://service-b.local:5000/api/v1/b/test
→ IP=2600:f0f0::2 total=10.001393s

# 超时的IPv4调用
$ curl -4 -s -w '→ IP=%{remote_ip} total=%{time_total}s\n' -o /dev/null http://service-b.local:5000/api/v1/b/test
→ IP=127.255.0.2 total=9.999234s

# 快速的IPv4调用
$ curl -4 -s -w '→ IP=%{remote_ip} total=%{time_total}s\n' -o /dev/null http://service-b.local:5000/api/v1/b/test
→ IP=127.255.0.2 total=0.002342s

已经排除的可能性 #

我已经逐一排查并排除了以下因素：

• 目标服务（service-b）本身健康问题：直接IP调用完全正常，说明service-b没有问题
• HTTP客户端库问题：用Python的httpx和aiohttp都能复现同样的间歇性超时，排除了客户端库的锅
• 基础网络连通性问题：很多请求能成功，说明安全组、NACL、VPC路由配置没有根本性错误
• 仅IPv6问题：curl测试显示IPv4和IPv6连接都会出现间歇性超时
• 仅高负载问题：单个孤立请求也会失败，和并发流量无关

求助 #

现在实在想不到还有什么排查方向了，有没有大佬能指点下问题可能出在哪？或者有没有什么我没考虑到的排查步骤？万分感谢！

内容来源于stack exchange