3. 网关故障类型总览：网络层面、服务层面、配置层面、资源层面

在生产环境中，网关作为南北向流量的统一入口，其故障表现往往千差万别。但透过现象看本质，所有网关故障都可以归纳为网络层面、服务层面、配置层面和资源层面四大类。掌握这种分类方法，是进行根因定位的第一步——它能帮助你在面对告警时，快速缩小排查范围，避免在错误的方向上浪费时间。

3.1 四大故障层面总览

下表从故障来源、典型现象、影响范围和排查优先级四个维度，对四大故障层面进行横向对比：

3.2 网络层面故障

网络层面故障是网关最底层、最隐蔽的故障类型。由于网关本身不参与网络基础设施的运维，这类故障往往表现为“上游服务无响应”或“连接超时”，容易被误判为服务故障。

常见子类型：

• DNS解析失败： 上游域名无法解析，导致请求直接失败。典型表现为 connection refused 或 name not resolved。
• TCP连接超时： 网关与上游之间的网络延迟过高、防火墙丢包或路由不可达，导致三次握手失败。
• TLS/SSL握手失败： 证书不匹配、协议版本不兼容、中间人设备阻断。
• 带宽瓶颈： 出口带宽被打满，导致大量请求排队或丢包。
• 网络分区： 网关与上游服务处于不同网络分区，心跳丢失，导致服务发现失效。

3.3 服务层面故障

服务层面故障是指网关所代理的上游服务（或网关自身的核心模块）出现异常，导致请求无法被正常处理。这类故障通常会在网关日志中留下明确的HTTP状态码或错误堆栈。

常见子类型：

• 上游服务崩溃： 上游进程退出、OOM或死锁，网关返回 502 Bad Gateway。
• 上游慢响应： 上游处理时间超过网关的超时阈值，网关返回 504 Gateway Timeout。
• 熔断与降级： 网关检测到上游错误率过高，主动熔断请求，返回 503 Service Unavailable。
• 限流触发： 请求量超过上游或网关的限流阈值，请求被拒绝。
• 依赖服务故障： 上游服务依赖的数据库、缓存或外部API不可用，导致请求处理失败。

3.4 配置层面故障

配置层面故障是“人祸”的重灾区——往往由运维人员或CI/CD系统的配置变更引发。这类故障的特点是：变更前后对比明显，且通常只影响特定路由或特定流量。

常见子类型：

• 路由规则错误： 路由匹配条件写错、上游地址配置错误、权重分配异常。
• 限流/熔断阈值误设： 阈值设置过低导致正常流量被误限，或阈值设置过高导致保护失效。
• 证书配置问题： 证书过期、证书链不完整、私钥不匹配。
• 插件/过滤器冲突： 多个插件执行顺序错误，或插件参数配置冲突。
• 灰度/蓝绿发布配置错误： 流量比例分配错误，导致部分用户无法访问新版本。

3.5 资源层面故障

资源层面故障是指网关进程所在的宿主机或容器资源耗尽，导致网关无法正常处理请求。这类故障通常具有渐进性——资源使用率逐渐攀升，直到临界点后突然爆发。

常见子类型：

• CPU耗尽： 网关进程CPU使用率持续100%，导致请求处理延迟飙升。
• 内存溢出（OOM）： 网关进程内存泄漏或流量突增导致内存耗尽，被内核OOM Killer杀死。
• 连接数耗尽： 网关与上游之间的连接池被打满，新请求无法建立连接。
• 文件描述符耗尽： 打开的文件句柄数达到系统上限，无法接受新连接或写入日志。
• 磁盘IO瓶颈： 日志写入、访问日志或缓存落盘导致磁盘IO等待过高，阻塞请求处理。

3.6 故障分类与排查路径图

下面这张SVG图展示了从收到告警到完成故障分类的完整排查路径，帮助你建立“先分类、后定位”的思维模型：

3.7 故障分类的实战价值

理解这四大故障层面，不仅仅是理论上的分类，更直接决定了你的排查工具链和恢复策略：

• 网络层面故障 → 使用 mtr、tcpdump、curl -v、tcping 定位；恢复手段为联系网络团队或切换BGP路径。
• 服务层面故障 → 使用 curl 直连上游、查看上游日志、检查调用链；恢复手段为重启上游、调整超时或触发熔断。
• 配置层面故障 → 使用 diff 对比配置、查看审计日志、回滚变更；恢复手段为立即回滚或推送修正配置。
• 资源层面故障 → 使用 top、free、ss、iostat 监控；恢复手段为扩容、限流降级或清理资源泄漏。