systemd服务自动重启未恢复业务因Restart=on-failure不检查实际健康状态；应配合ExecStartPost健康检查、RestartPreventExitStatus防死循环及StartLimit限制防雪崩。
为什么 systemd 服务自动重启后没真正恢复业务？
因为 Restart=on-failure 只看进程退出码，不检查端口是否监听、API 是否可响应。服务进程起来了，但数据库连不上、配置加载失败、依赖服务没就绪——systemd 完全不管。
实操建议：
- 用
ExecStartPost=调用轻量健康检查脚本，比如curl -sf http://localhost:8080/health | grep ok，失败则kill $MAINPID - 在
[Service]段加RestartPreventExitStatus=255，让健康检查失败时退出码 255 不触发重启，避免死循环 - 别依赖
RestartSec=硬等时间，改用StartLimitIntervalSec=+StartLimitBurst=控制单位时间最大尝试次数，防雪崩
prometheus 抓不到节点指标？先查 node_exporter 的 --no-collector. 参数
默认开启全部采集器，但在某些容器或低配节点上，textfile 或 systemd 采集器会卡住甚至 crash，导致整个 node_exporter 停止响应 /metrics。
实操建议：
- 启动时显式禁用高风险采集器：
--no-collector.textfile --no-collector.systemd - 确认
node_exporter进程监听的是0.0.0.0:9100，不是127.0.0.1:9100（后者在 Kubernetes HostNetwork 模式下也抓不到） - 在 Prometheus target 页面看具体错误：如果显示
context deadline exceeded，八成是采集器阻塞；如果显示connection refused，优先查防火墙和systemctl status node_exporter
集群脑裂时，corosync 日志里反复出现 ERROR [QB] connection failed
这不是网络不通的简单提示，而是 corosync 的 quorum 判定已失效，但 pacemaker 还在尝试同步状态，导致两个子集群各自执行 fencing —— 数据可能被双写破坏。
实操建议：
- 立刻检查
corosync.conf中的quorum.provider:是否为corosync_votequorum，而不是已废弃的corosync_quorum - 确认所有节点时间同步：用
chronyc tracking查 offset，>100ms 就可能触发误判 - 临时规避：在非主子集群节点上运行
pcs cluster stop --all，再逐个pcs cluster start，强制重新协商 quorum
用 consul 做服务发现，check.ttl 设太短反而引发抖动
TTL 不是越小越好。设成 5s，意味着每个服务每 5 秒必须上报一次心跳；网络延迟尖峰、GC 暂停、Consul server 负载高，都可能导致漏报，服务瞬间被标记为 critical 并从 DNS/HTTP 接口摘除。
实操建议：
- 把
check.ttl设为实际最长健康间隔的 3 倍以上，例如服务心跳稳定在 10s，TTL 至少设 30s - 配合
check.interval使用：它只控制客户端上报频率，不影响 TTL 过期逻辑；两者值可以不同 - 生产环境禁用
check.http类主动探测（易受瞬时超时影响），优先用check.ttl+ 客户端主动上报
跨机房部署时，TTL 必须考虑 RTT 波动；单个节点故障不可怕，可怕的是因 TTL 设置失当，把健康节点批量踢出服务列表。
