Один `/health: 200` отвечает только на тот вопрос, который реализован в коде. Если endpoint проверяет процесс, а бизнес-запрос требует базу, балансировщик продолжит слать трафик в заведомо неготовый экземпляр. Но добавлять DB query в liveness тоже опасно: общий сбой базы перезапустит все Pods и усилит нагрузку при восстановлении.

Разделите сигналы. Liveness сообщает, способен ли процесс продолжать работу; readiness — стоит ли сейчас направлять ему обычный трафик; diagnostic endpoint и метрики объясняют состояние зависимостей оператору. База попадает в readiness только тогда, когда без неё экземпляр не может выполнить обещанный класс запросов.

Три endpoint не должны дублировать друг друга

ПроверкаЧто доказываетРеакция на сбой БД
/livezEvent loop и критические внутренние компоненты живыОбычно остаётся 200; restart не лечит внешнюю БД
/readyzЭкземпляр способен принимать заявленный трафик503, если критический DB round-trip не проходит
/startupzИнициализация завершенаДаёт приложению время стартовать до liveness
/diagnosticsСостояние db/cache/queue по компонентамПоказывает причину, не используется как единственный probe
Метрики/алертМасштаб и длительность отказаОповещает по SLO, а не по одному probe failure

Kubernetes удаляет неготовый Pod из EndpointSlices подходящих Services, но продолжает запускать readiness probe. При провале liveness kubelet перезапускает контейнер. Именно поэтому одинаковый DB-запрос в обеих проверках превращает временный внешний сбой в restart storm.

Ответ должен быть коротким и машинно однозначным

GET /livez  -> 200 {"status":"live"}
GET /readyz -> 503 {"status":"not_ready","reason":"db_timeout"}

readiness DB check:
  deadline: shorter than probe timeout
  query: provider-supported lightweight round trip
  connection: bounded health-check pool
  response: no DSN, SQL text, hostnames or credentials

Формат условный; конкретный query зависит от драйвера и topology. Проверка обязана пройти тот же сетевой и TLS/auth путь, который нужен приложению, но не должна блокировать таблицы, создавать данные или ждать общий длинный application timeout. HTTP status — основной сигнал для probe, подробная причина нужна логам и метрикам.

Readiness получает собственный бюджет

  • Задайте timeout меньше `timeoutSeconds`, оставив время сформировать ответ.
  • Ограничьте отдельный pool, чтобы probes не заняли все рабочие соединения.
  • Добавьте failure threshold против единичного сетевого дрожания.
  • Возвращайте готовность после нескольких устойчивых успехов, если балансировщик поддерживает такую политику.
  • Не кешируйте зелёный результат дольше допустимого окна недоступности.

Частота probe умножается на число реплик. При аварии БД даже дешёвый запрос от сотен Pods становится заметной нагрузкой. Рассчитайте верхнюю границу запросов в секунду, добавьте jitter там, где это контролирует ваша платформа, и наблюдайте latency самой проверки.

Деградированный режим нужно назвать явно

Если без базы сервис может отдавать статический контент или чтение из безопасного кеша, единый readiness для всего трафика слишком груб. Разделите маршруты/Services либо верните приложению контролируемый degraded mode. Нельзя оставлять 200 только потому, что «часть функций работает», если клиент ожидает запись заказа и получает ошибки после маршрутизации.

Фоновый worker без входящего трафика требует другой реакции: готовность Service ему мало помогает. Там важнее остановить получение новых задач, сохранить lease/offset и продолжить retry с backoff. Не копируйте HTTP probe из API в consumer без определения, что означает «готов» для очереди.

Проверяем отказ и восстановление как сценарий

  1. На canary искусственно запретить только доступ к тестовой БД и записать время.
  2. Убедиться, что readiness стал false, а liveness остался true и restart count не вырос.
  3. Проверить, что обычный трафик перестал поступать после обновления endpoint.
  4. Вернуть зависимость и подтвердить повторное подключение без ручного restart.
  5. Сопоставить probe events, application metrics и пользовательский SLI.

Для настройки понадобятся текущие probe specs, число реплик, таймауты драйвера, схема pool, список режимов без БД и график ошибок во время теста. DSN, пароли, SQL с персональными данными и внутренние адреса в публичный разбор не включайте.

Проверенные источники