3、DNS解析超时故障现象：故障表现、用户感知、监控告警指标

当CoreDNS因资源不足或调度不均导致解析超时时，故障会从内核态逐层传导至业务层。本节从故障表现、用户感知、监控告警指标三个维度拆解故障特征，帮助SRE快速识别并定位DNS解析超时问题。

3.1 故障表现：从Pod到集群的多层症状

DNS解析超时并非单一现象，而是伴随一系列可观测的异常状态。下表总结了不同层面的典型表现：

3.2 用户感知：从秒级延迟到业务中断

用户感知的严重程度取决于故障持续时间和业务对DNS的依赖深度。以下按影响范围分级：

• 轻度（偶发超时）：用户请求延迟从 10ms 飙升至 2-5s，页面加载变慢，但刷新后恢复。业务表现为少量 502/503 错误。
• 中度（持续超时）：大量请求阻塞在 DNS 解析阶段，接口超时率超过 30%，用户频繁遇到“连接失败”提示。业务 SLA 开始受损。
• 重度（全集群瘫痪）：CoreDNS 完全无响应，所有服务间调用失败，集群内域名解析全部超时。用户无法访问任何服务，业务完全中断。

3.3 监控告警指标：量化故障的黄金信号

为了在故障发生前或发生时快速响应，需要建立多维度的监控指标体系。以下是最关键的告警指标：

3.4 故障传导链路：从资源瓶颈到用户可见错误

下图展示了 DNS 解析超时从 CoreDNS 内部逐步传导至用户侧的完整链路：

3.5 典型告警规则示例（Prometheus + Alertmanager）

以下是一组可直接用于生产环境的告警规则，覆盖延迟、错误、资源三个维度：

groups:
- name: coredns_alerts
  rules:
  # 延迟告警：P99 超过 2s 持续 1 分钟
  - alert: CoreDNSHighLatency
    expr: |
      histogram_quantile(0.99,
        rate(coredns_dns_request_duration_seconds_bucket[5m])
      ) > 2
    for: 1m
    labels:
      severity: critical
    annotations:
      summary: "CoreDNS P99 延迟超过 2s"
      description: "当前 P99 延迟 {{ $value }}s，请检查 CoreDNS 资源使用和上游 DNS 状态。"

  # 错误告警：SERVFAIL 速率超过 10/min
  - alert: CoreDNSServfailRate
    expr: |
      rate(coredns_dns_responses_total{rcode="SERVFAIL"}[5m]) > 0.17
    for: 2m
    labels:
      severity: warning
    annotations:
      summary: "CoreDNS SERVFAIL 错误率过高"
      description: "SERVFAIL 速率 {{ $value }}/s，可能由上游超时或内部错误引起。"

  # 资源告警：CPU 使用率超过 80%
  - alert: CoreDNSCPUHigh
    expr: |
      sum(rate(container_cpu_usage_seconds_total{container="coredns"}[5m]))
      / sum(kube_pod_container_resource_limits{container="coredns", resource="cpu"})
      > 0.8
    for: 3m
    labels:
      severity: warning
    annotations:
      summary: "CoreDNS CPU 使用率超过 80%"
      description: "当前 CPU 使用率 {{ $value | humanizePercentage }}，建议扩容或优化调度。"