4. 节点池巡检概念：节点池的定义、健康检查、故障检测与自动修复机制

在集群升级治理与 Envoy 动态配置热加载的背景下，节点池（Node Pool） 是承载工作负载与数据面代理（Envoy Sidecar / Gateway）的物理或虚拟资源集合。节点池巡检是一套自动化运维流程，旨在持续评估节点池的健康状态、及时发现故障并触发修复动作，从而保障 Envoy 配置热加载的底层基础设施稳定可靠。

4.1 节点池的定义与核心属性

节点池是集群中一组具有相同规格、标签、Taint 和资源配额的节点逻辑分组。在 Envoy 动态配置场景中，节点池通常对应特定的代理版本、配置通道或流量治理单元。

4.2 节点池健康检查机制

健康检查是巡检的基石，分为节点级和代理级两个维度。节点级检查关注基础设施状态，代理级检查关注 Envoy 数据面是否正常参与配置热加载。

4.2.1 节点级健康检查

• kubelet 心跳：节点上报状态到 API Server，超时 40s 标记为 NotReady。
• 资源压力检查：DiskPressure、MemoryPressure、PIDPressure 等条件。
• 网络连通性：节点到控制面、节点到 Envoy 配置下发端点的连通探测。
• 系统守护进程：containerd / dockerd、kube-proxy、Envoy 进程存活。

4.2.2 代理级健康检查（Envoy 专属）

• Envoy 管理端点：通过 /ready 或 /server_info 获取代理存活与配置加载状态。
• xDS 订阅状态：检查 Envoy 是否成功订阅 CDS/EDS/LDS/RDS/SDS，以及 ACK/NACK 计数。
• 热加载版本一致性：节点池内所有 Envoy 实例的配置版本号是否对齐。

# 示例：通过 Envoy admin 接口检查节点健康
curl -s http://127.0.0.1:9901/ready | grep -q "LIVE"
if [ $? -eq 0 ]; then
  echo "Envoy 实例健康，配置热加载正常"
else
  echo "Envoy 实例异常，触发巡检告警"
fi

4.3 故障检测机制

故障检测基于多维度指标与事件驱动，覆盖节点池的瞬时故障与慢性退化。检测结果将决定是否触发自动修复或阻断 Envoy 配置热加载。

4.4 自动修复机制

自动修复是节点池巡检的闭环动作，旨在将故障节点恢复至健康状态，或将其从负载均衡池中隔离，避免影响 Envoy 配置热加载的稳定性。

4.4.1 修复策略分级

4.4.2 自动修复工作流

1. 故障确认：连续 N 次健康检查失败（默认 3 次），排除抖动。
2. 节点隔离：将节点标记为 NoSchedule，停止新 Pod 调度。
3. Pod 驱逐：优雅驱逐节点上的 Envoy 实例，等待连接耗尽（grace period 30s-60s）。
4. 修复执行：根据故障等级执行对应修复脚本或调用云厂商 API 重建节点。
5. 恢复验证：修复后执行全量健康检查，确认 Envoy 重新加入 xDS 订阅。
6. 解除隔离：验证通过后移除 NoSchedule 标记，节点重新接收流量。

4.5 节点池巡检与 Envoy 热加载的联动

节点池巡检不是孤立的运维动作，它与 Envoy 动态配置热加载形成双向反馈：

• 巡检结果影响热加载策略：当节点池健康度低于阈值时，自动暂停该池的配置热加载，防止故障扩散。
• 热加载状态作为巡检指标：Envoy 的 NACK 率、配置版本滞后数、热加载耗时等指标直接反映节点池的配置一致性健康度。
• 修复后触发配置同步：节点恢复后，自动触发一次全量 xDS 推送，确保节点池内所有 Envoy 实例配置对齐。