网站高可用架构方案:从单台服务器宕机到零故障的真实改造过程
配置是否够用需用实际应用、数据集、缓存策略与流量峰值压测;记录实例型号、软件版本、测试命令、并发数、持续时间、错误率及P95/P99延迟。日访问量不能直接换算为并发或固定配置的承载上限。
事故复盘:单点故障到底有多危险
当时的架构非常简单:一台2核4G的ECS跑着网站全部服务,没有任何备份节点。故障发生后排查发现,问题出在服务器所在的物理宿主机临时重启,整个过程持续了约18分钟。
即便云服务商承诺99.95%的可用性,落到单台服务器上依然意味着每年有将近4.4小时的潜在停机时间,而且故障发生的时间完全不可控,很可能恰好撞上业务高峰。
更麻烦的是,由于只有一台服务器,运维也没办法在不中断服务的情况下做系统更新或扩容,每次维护都是提心吊胆。
改造方案:引入负载均衡的三步走
和朋友一起设计了改造方案,核心思路是把单台服务器拆成多台,用负载均衡做流量分发:
- 第一步,镜像现有服务器:把现有ECS制作成自定义镜像,确保新服务器环境完全一致
- 第二步,部署第二台ECS:用镜像在不同可用区创建第二台服务器,避免两台机器同时受同一个机房故障影响
- 第三步,接入SLB:购买负载均衡SLB实例,把两台ECS都挂载为后端服务器,设置健康检查规则
整个过程最关键的是健康检查配置,直接决定了故障切换的速度。
健康检查配置的细节
SLB的健康检查如果配置不当,故障发生时切换会很慢,等于白做了高可用。我们最终的配置是:
| 检查项 | 配置值 | 原因说明 |
|---|---|---|
| 检查间隔 | 2秒 | 默认5秒太慢,缩短能更快发现故障 |
| 超时时间 | 3秒 | 给服务器响应留一点缓冲,避免误判 |
| 连续失败阈值 | 2次 | 默认3次会延迟判定,2次更敏感 |
| 切换耗时 | 约6秒 | 相比之前18分钟的宕机,几乎无感知 |
健康检查路径不要用首页,首页往往依赖数据库和多个服务,容易因为单个环节波动导致误判。建议专门写一个轻量的健康检查接口,只检测服务进程是否存活。
改造前后成本对比
这次改造并不是免费的,多了一台服务器和一个SLB实例,成本确实上升了。但对比故障造成的损失,这笔投入很值:
| 项目 | 改造前 | 改造后 |
|---|---|---|
| 服务器成本 | 以所选配置及账号结算页为准 | 以所选配置及账号结算页为准 |
| SLB成本 | 以所选配置及账号结算页为准 | 以所选配置及账号结算页为准 |
| 年度总成本 | 以所选配置及账号结算页为准 | 以所选配置及账号结算页为准 |
| 单次故障损失估算 | 以所选配置及账号结算页为准 | |
假设示例(非官方报价或实际账单):算下来,多花的820元成本,相当于避免一次中等规模故障损失的六分之一,而且全年故障概率不止一次,这笔账怎么算都划算。 此处金额和用量均只作为演算输入假设,适用地域、计费项与实际单价尚未核实;请替换为当前结算页单价及自己的用量后重新计算,不能据此认定节省或可购买。
改造后的效果验证
配置是否够用需用实际应用、数据集、缓存策略与流量峰值压测;记录实例型号、软件版本、测试命令、并发数、持续时间、错误率及P95/P99延迟。日访问量不能直接换算为并发或固定配置的承载上限。
❌ 仍存在的局限
- 数据库仍是单点,如果数据库所在服务器故障依然会影响业务
- 两台服务器的会话状态需要额外处理,否则用户登录状态可能丢失
常见问题
总结
从单点故障到高可用架构,核心改造思路就是「拆分服务器+负载均衡+健康检查」三件事。多花的成本相比一次故障的损失完全值得,特别是业务已经产生实际收入或用户规模的网站,建议尽早规划这类架构升级,别等出事故了才后悔。