服务器集群心跳机制：让系统自己“把脉”

你家的路由器断过网吗？重启之后，手机、电脑一个个重新连上，过程挺烦人。其实在大型软件系统里，成百上千台服务器也在时刻面临类似问题。它们怎么知道自己是不是还在线？别人有没有“晕倒”？这时候就得靠心跳机制了。

什么是心跳？

想象办公室里两个同事远程协作，约定每5分钟发一条“在岗”消息。如果一个人连续三次没回，另一方就认为他可能去开会或者掉线了。服务器之间也一样。所谓心跳，就是集群中的每个节点定期向其他节点或中心控制器发送一个极小的数据包，表明自己还在正常运行。

这种信号不传业务数据，只传递状态。就像你每天早上照镜子，看看自己精神不精神，系统也靠这个“照镜子”判断自己和同伴是否健康。

简单实现：UDP广播心跳

很多中小型系统会用UDP广播来做心跳检测。比如三台服务器组成一个小集群，每台都绑定同一个局域网端口，定时发出自己的ID和时间戳。

import socket
import time

# 心跳发送端示例
def send_heartbeat():
    sock = socket.socket(socket.AF_INET, socket.SOCK_DGRAM)
    sock.setsockopt(socket.SOL_SOCKET, socket.SO_BROADCAST, 1)
    while True:
        message = "HEARTBEAT:server-01:" + str(int(time.time()))
        sock.sendto(message.encode(), ('255.255.255.255', 9999))
        time.sleep(3)  # 每3秒一次

接收端监听同一端口，一旦发现某个ID超过10秒没更新，就标记为失联。这种方式轻量，适合内部网络使用。

更稳的做法：基于ZooKeeper或etcd

大厂系统不会只靠互相喊话。它们通常依赖像ZooKeeper或etcd这样的协调服务。节点在这些服务中创建临时节点（ephemeral node），只要心跳持续，临时节点就存在；一旦宕机，连接断开，节点自动消失。

比如你在电商后台部署订单服务集群，三个实例都往etcd写一个key：/services/order-service/instance-1，并设置租约（lease）为5秒。只要实例活着，就不断续租。要是机器突然断电，租约失效，key被清除，负载均衡器自然不会再把流量转给它。

别忘了处理“假死”

心跳不是万能的。有时候服务器还在跑，但卡得没法响应请求，这就是“假死”。光靠发心跳包会误判——它明明病了，却还在说“我还行”。

解决办法是结合健康检查。除了定时发心跳，再加一个HTTP接口，比如 /health，由监控系统定期访问。这个接口要检查数据库连接、磁盘空间、关键队列长度等真实指标。只有所有项目通过，才返回200。这样即使进程没挂，也能识别出实际不可用状态。

配置别太敏感

见过有人设心跳超时为2秒，结果网络抖一下，整个集群开始疯狂重选主节点，反而把自己搞崩了。这就像你朋友微信回慢了两秒，你就宣布他失踪报警，显然不合适。

一般建议心跳间隔设为3~5秒，超时时间为间隔的2~3倍。留点缓冲，避免误杀。特别是在云环境，网络波动比本地机房常见得多。

说到底，心跳机制不是为了炫技，而是让系统更耐操。它像一套无声的暗号，让成群的服务器彼此照应，在没人盯着的时候也能自己撑住。”