Apollo GraphQL联邦网关ECS负载均衡健康检查失败求助

一、先排查网络连通性问题 #

• 检查安全组配置：确保负载均衡器的安全组能访问ECS任务的健康检查端口，同时ECS任务的安全组允许来自负载均衡器安全组的入站流量（别用0.0.0.0/0，限定源更稳妥）。
• 核对VPC路由表：确认ECS任务所在子网和负载均衡器子网之间的路由是通的，没有NAT网关或路由规则限制流量。
• 容器内直接测试：通过AWS控制台或aws ecs execute-command命令进入容器，先执行curl localhost:端口/健康检查路径确认本地响应正常，再用负载均衡器的内网IP访问任务的健康检查路径，看是否能拿到200响应。

二、验证健康检查的实际响应细节 #

• 查负载均衡器访问日志：去CloudWatch里找LB的访问日志，看健康检查请求的具体状态码、响应头和响应体——本地请求和LB请求的环境变量（比如NODE_ENV）可能不一样，导致返回结果不同。
• 核对环境变量：ECS任务的环境变量和本地可能有差异，比如网关依赖的子图地址、端口配置错误，导致服务启动后健康检查逻辑因为依赖不可达返回非200状态。
• 简化健康检查逻辑：临时把健康检查接口改成直接返回200 OK，去掉依赖子图的逻辑，看任务能不能通过健康检查，以此排查是不是健康检查逻辑本身的问题。

三、调整健康检查阈值与启动时机 #

• 拉长初始延迟时间：Express网关加载子图schema可能需要时间，比本地启动慢，默认的初始延迟（比如5秒）不够，改成30-60秒，给网关足够的启动时间。
• 调整重试参数：把健康检查间隔改成10秒，重试次数改成3次，避免单次网络波动导致误判。
• 核对端口映射：确认任务定义里的容器端口和负载均衡器健康检查的端口完全一致，别出现容器用3000、LB检查80这种错误。

四、其他关键排查点 #

• 检查目标组协议：确保目标组的协议（HTTP/HTTPS）和网关的监听协议一致，比如网关用HTTP，目标组配成HTTPS肯定会失败。
• 看任务停止原因：在ECS控制台的任务详情里，明确任务是被LB标记为不健康后终止的，还是自身有其他错误导致重启。
• 查网关请求日志：除了启动日志，重点看健康检查请求进来时的日志，有没有路由匹配错误、中间件拦截请求这类问题。

内容的提问来源于stack exchange，提问作者Nane Petrosyan