3. 故障域基础理论：单点故障、故障隔离域、可用区(AZ)与地域(Region)划分
在构建高可用 Kubernetes 集群与 Helm 部署体系时，故障域（Failure Domain）是决定系统韧性的核心抽象。本章从单点故障出发，逐层定义故障隔离域、可用区（AZ）与地域（Region），为后续 DNS 故障场景下的 Helm 调优奠定理论基础。
3.1 单点故障（SPOF）
单点故障（Single Point of Failure, SPOF） 指系统中某个组件一旦失效，将导致整个服务或关键功能不可用。在 Kubernetes 和 DNS 架构中，常见的 SPOF 包括：
- 单一 DNS 解析器：所有 Pod 依赖同一个 CoreDNS 实例。
- 单一控制面节点：etcd 或 API Server 无高可用部署。
- 单一 Ingress Controller：流量入口无冗余。
- 单一存储后端：持久卷依赖单台存储服务器。
⚠️ 关键原则：任何未做冗余设计的组件都是潜在的 SPOF。Helm 部署时，必须通过
replicas、podAntiAffinity、topologySpreadConstraints 等参数主动消除 SPOF。
3.2 故障隔离域（Fault Domain）
故障隔离域 是指一组共享相同故障风险的资源集合。当该域内的某个基础设施组件（如电源、网络交换机、机架）发生故障时，域内所有资源可能同时受到影响。故障隔离域是比可用区更细粒度的概念。
| 隔离域层级 | 示例 | 故障范围 |
|---|---|---|
| 物理机/VM | 单台服务器 | 进程级故障 |
| 机架（Rack） | 同一机架内的服务器 | 电源/网络交换机故障 |
| 可用区（AZ） | 同一数据中心内的独立区域 | 制冷/电力/网络区域故障 |
| 地域（Region） | 跨城市/跨国家 | 自然灾害/大规模电力中断 |
💡 实践要点：在 Helm Chart 中，通过
topologyKey 定义故障隔离域。例如 topologyKey: "kubernetes.io/hostname" 表示按节点隔离；topologyKey: "topology.kubernetes.io/zone" 表示按可用区隔离。
3.3 可用区（Availability Zone, AZ）
可用区（AZ） 是云提供商在同一地域内划分的独立物理区域。每个 AZ 拥有独立的电力、冷却和网络设施，AZ 之间通过低延迟光纤互联。AZ 的设计目标是：一个 AZ 的故障不影响其他 AZ。
- 典型特征：延迟 < 2ms，带宽充足，独立故障域。
- Kubernetes 映射：通过
topology.kubernetes.io/zone标签标识节点所属 AZ。 - Helm 部署策略：使用
podAntiAffinity将副本分布到不同 AZ。
3.4 地域（Region）
地域（Region） 是云服务商在全球范围内划分的独立地理区域。每个 Region 包含多个 AZ，Region 之间通过公网或专线互联，延迟通常在 10-100ms 级别。Region 的设计目标是：跨 Region 容灾。
- 典型特征：完全独立的基础设施，不共享任何物理资源。
- Kubernetes 映射：通过
topology.kubernetes.io/region标签标识。 - Helm 部署策略：多集群部署，通过 Global DNS 或 Service Mesh 实现流量调度。
3.5 故障域层次对比
| 层次 | 故障范围 | 恢复时间目标（RTO） | 典型故障 | Helm 部署关注点 |
|---|---|---|---|---|
| 单点（SPOF） | 单个进程/容器 | 秒级 | Pod OOM、进程崩溃 | replicas > 1、livenessProbe |
| 故障隔离域 | 机架/交换机 | 分钟级 | 电源故障、网络分区 | podAntiAffinity、topologyKey |
| 可用区（AZ） | 数据中心区域 | 分钟~小时级 | 制冷失效、区域电力中断 | topologySpreadConstraints |
| 地域（Region） | 地理区域 | 小时级 | 自然灾害、大规模断网 | 多集群部署、Global DNS |
3.6 DNS 场景下的故障域映射
在 DNS 故障场景中，故障域划分直接影响 CoreDNS 的部署策略：
- 单点故障：单个 CoreDNS Pod 崩溃导致域名解析中断。
- 故障隔离域：同一节点上的 CoreDNS 与业务 Pod 同时故障。
- 可用区故障：整个 AZ 内的 CoreDNS 实例不可用，需要跨 AZ 解析。
- 地域故障：Region 级 DNS 服务中断，需要 Global DNS 切换。
3.7 故障域划分原则总结
📌 核心原则：
- 最小化共享故障域：关键组件（如 CoreDNS）的副本必须分布在不同的故障隔离域中。
- 逐层冗余：从 Pod 级到 Region 级，每一层都要有冗余设计。
- 故障域感知调度：利用 Kubernetes 拓扑约束，让调度器自动将 Pod 分布到不同故障域。
- Helm 参数化：将故障域配置（如
topologyKey、maxSkew）暴露为 Chart values，方便不同环境调整。