ECS Task因登录路由健康检查失败触发注销关机问题求解

可能的原因 #

• 健康检查路径配置错误：多数场景下是误将登录路由设置为健康检查路径，登录接口默认需要传入鉴权参数或仅接受POST请求，但ECS健康检查默认发送无参数的GET请求，会直接返回4xx/5xx状态码，不符合健康检查默认要求的200-399正常响应区间。本地测试时会主动传入正确的登录参数，因此不会触发报错。
• 登录逻辑依赖ECS环境缺失的资源：比如登录功能需要连接RDS、Redis、第三方验证服务，本地环境有对应的配置、hosts绑定或权限，而ECS Task的IAM角色权限、安全组规则、环境变量未配置完全，触发登录逻辑时直接报错导致服务崩溃，后续所有健康检查请求都无法响应。
• 登录逻辑存在隐性资源占用问题：比如内存溢出、死循环、未释放的数据库连接，本地测试单次请求量级小不会触发问题，ECS上健康检查持续调用登录接口，累计触发资源占用超限，导致服务被系统终止，健康检查判定失败。
• 端口/协议配置不匹配：本地服务运行端口（比如3000）和ECS任务定义里健康检查配置的端口（比如80）不一致，或者登录接口强制跳转HTTPS，ECS健康检查默认用HTTP请求，返回3xx重定向但未配置允许重定向，导致健康检查判定失败。

对应解决方案 #

• 调整健康检查配置：这是最高优先级的修复方案，不要用需要参数的业务路由作为健康检查路径，单独新增一个无参数的GET接口/health，内部无需写业务逻辑，直接返回200状态码即可，将ECS任务定义、负载均衡目标组的健康检查路径都修改为/health，这是云原生服务的通用最佳实践。
• 核查登录接口环境依赖：导出ECS Task的CloudWatch日志，筛选调用登录接口时的报错信息，确认是否存在数据库连接失败、鉴权密钥缺失、跨服务调用超时等问题，逐行比对本地环境和ECS环境的环境变量、IAM角色权限、安全组出入站规则是否一致。
• 压测验证登录逻辑稳定性：本地用ab、jmeter等工具连续调用登录接口100次以上，复现是否存在内存泄漏、响应超时的问题，检查登录逻辑是否存在未捕获的异常、未关闭的资源连接。
• 适配健康检查请求规则：如果确实需要使用登录接口作为健康检查路径，在ECS任务定义的健康检查配置中，将请求方法改为POST，传入合法的测试账号参数，同时调整健康检查的状态码匹配规则，允许正常的200响应通过。

需补充的排查信息（如上述方案未解决问题） #

• ECS任务定义中健康检查配置的JSON片段
• 登录接口的核心代码片段（隐去密钥、账号等敏感信息）
• CloudWatch中对应Task崩溃的错误日志内容
• 负载均衡目标组的健康检查配置详情

内容的提问来源于stack exchange，提问作者Atanu Paul