Kratos 默认不提供健康检查端点,需手动注册 /healthz 和 /readyz;/healthz 仅检查进程与端口连通性,/readyz 则需校验 DB 等依赖。

kratos 应用的健康检查端点要自己暴露
kratos 默认不提供 /health 或 /ready 这类 HTTP 接口,你得手动注册。它不像 Spring Boot Actuator 那样开箱即用。没加这一步,k8s 的 httpGet 探针必然 404。
常见做法是在 HTTP Server 初始化后,挂一个轻量 handler:
h := http.NewServeMux()
h.HandleFunc("/healthz", func(w http.ResponseWriter, r *http.Request) {
w.WriteHeader(http.StatusOK)
w.Write([]byte("ok"))
})
h.HandleFunc("/readyz", func(w http.ResponseWriter, r *http.Request) {
// 这里才该做真实依赖检查:DB、Redis、下游服务等
if err := db.Ping(); err != nil {
http.Error(w, "db unreachable", http.StatusServiceUnavailable)
return
}
w.WriteHeader(http.StatusOK)
w.Write([]byte("ok"))
})
- 别把
/healthz和/readyz合并成一个路径——liveness 和 readiness 语义不同,路径也应分离 -
/healthz只检查进程和端口通不通,响应必须快( -
/readyz才查依赖,但别查非关键依赖(比如日志上报服务挂了,不该导致流量被摘)
k8s 探针配置里 timeoutSeconds 比 periodSeconds 还大?探测会堆积
这是生产环境高频误配。比如设了 periodSeconds: 5,但 timeoutSeconds: 10,kubelet 每 5 秒发一次请求,而每次要等 10 秒才超时,结果探测请求在队列里堆叠,容器线程/连接数飙升,反而压垮应用。
-
timeoutSeconds必须严格小于periodSeconds(建议 ≤periodSeconds的 1/2) - 对
/readyz这类带 DB 检查的路径,timeoutSeconds设 2–3 秒足够;网络层失败通常远快于此 -
failureThreshold×periodSeconds= 故障到摘除的最长时间,这个值要略大于你的最长冷启动时间(比如模型加载 60 秒,就设failureThreshold: 6,periodSeconds: 10)
startupProbe 是慢启动 kratos 服务的救命稻草
Grails + Liquibase、或 Kratos + GORM 初始化数据库迁移可能耗时 20–90 秒。若只靠 initialDelaySeconds,一旦启动卡住,k8s 无法区分“还在启动”还是“已经卡死”。startupProbe 能解耦启动期与运行期判断。
- 启用
startupProbe后,livenessProbe和readinessProbe在其成功前完全不执行 - 示例配置中,给足 120 秒窗口,每 5 秒探一次,允许最多 24 次失败:“只要 120 秒内任一时刻返回 200,就算启动成功”
- 别设
failureThreshold: 1—— 网络抖动或 GC 暂停都可能造成单次失败,必须容忍瞬时波动
就绪探针失败后,已建立的连接不会自动断开
k8s 把 Pod 从 Endpoint 列表移除,只影响新请求路由。但正在处理的 HTTP 长连接、gRPC 流、或排队中的请求仍会继续——这会导致滚动发布时出现零星 503 或 connection reset。
- kratos 应用需配合实现优雅关闭:收到 SIGTERM 后,先关闭 listener,再等待活跃请求完成(比如用
http.Server.Shutdown()) - Pod 的
terminationGracePeriodSeconds必须 ≥ 应用最大请求超时 + 关闭缓冲时间(建议至少 30 秒) - 如果用了 gRPC,还要确保客户端启用了重试和负载均衡策略,否则单点摘除时容易放大失败率
/readyz 返回 200,背后得能回答三个问题:此刻能否接受新请求?所有必需依赖是否就绪?故障时是否会被正确摘除而不引发雪崩?


















