线上惊魂：Nacos 抖动导致大面积服务掉线，我们是怎么兜底的

事故现场

这次的背景是生产环境 Nacos 集群 3 个节点，其中一个节点因底层硬件问题需要重启。按理说，集群架构天然支持节点故障转移，但重启后大量服务开始报不健康告警，最终引发连锁反应——大面积服务重启。

问题的本质是：Nacos 服务端的一次短暂抖动，怎么就传导成了客户端的雪崩？

针对这次的nacos问题而产生的议题就是如何避免因nacos的抖动而减少对客户端的影响降到最小。

根因定位

我们的 Nacos 集群版本是 1.4.2，配合 Spring Cloud Alibaba 使用。排查发现，Spring Cloud 会定期调用 /actuator/health 端点检查服务健康状态，而这个健康检查默认会去探测 Nacos 的发现服务状态。当 Nacos 节点重启期间短暂不可达时，健康检查判定服务 DOWN，触发了大规模重启。

看下当时的客户端日志：

节点地址不可用，连接直接中断。

解决方案

思路很直接：既然健康检查会因为 Nacos 抖动误判，那就关掉它对 Nacos 状态的依赖。

Spring Cloud 提供了一个通用参数 spring.cloud.discovery.client.health-indicator.enabled，设为 false 后，健康检查不再去查 Nacos 的服务发现状态。

第一步：禁用 Discovery 健康指标

spring:
  profiles: prd
  cloud:
    discovery:
      client:
        health-indicator:
          enabled: false

加了这个配置后，/actuator/health 的返回内容会发生变化。

加配置前：

nacosDiscovery 和 nacosConfig 都在健康检查列表里，且包含所有服务列表，Nacos 抖动直接判定整体 DOWN。

加配置后：

服务明细列表干净了，只剩 nacosConfig 和 nacosDiscovery 两个状态指标。

第二步：精细控制各组件健康检查

光关掉 discovery 的还不够，其他组件也可能在 Nacos 抖动时误判。进一步精细化配置：

management:
  endpoints:
    web:
      exposure:
        include: '*'
  endpoint:
    health:
      show-details: ALWAYS
    metrics:
      enabled: true
    prometheus:
      enabled: true
  metrics:
    export:
      prometheus:
        enabled: true
    tags:
      application: ${spring.application.name}
  health:
    redis:
      enabled: false
    rabbit:
      enabled: false
    db:
      enabled: false
    nacos-config:
      enabled: false
    nacos-discovery:
      enabled: false

关键就是最后两行——把 nacos-config 和 nacos-discovery 的健康检查都关掉。/actuator/health 不检查 Nacos和Config 连接状态 ，不可用不应阻断服务。

效果验证

关闭前： Nacos 一抖，整体状态 DOWN

nacosConfig、nacosDiscovery 都是 DOWN，直接拖垮整体状态。

关闭后： Nacos 抖动也不影响服务存活

只剩 diskSpace、refreshScope、hystrix 这些本地指标，Nacos 状态完全不参与判定，服务稳了。

为什么这个参数有效

1. spring.cloud.discovery.client.health-indicator.enabled 是 Spring Cloud 框架的通用配置，Nacos 作为 Discovery Client 的实现，天然遵循这套规范。

2. 把 nacos-config 和 nacos-discovery 的健康检查都关掉。

3. 关闭后，服务实例不再因为 Nacos 服务短暂不可达就被判定为不健康，客户端进程不会被误杀重启

踩坑提醒

• 这个参数需要 Spring Cloud Alibaba 2.1.0 或更高版本，老版本可能不支持

• 健康检查默认开启（enabled: true），不加配置就是全开状态

• 关闭 Nacos 健康检查不等于放弃监控——Prometheus + Grafana 该配还得配，只是别让 Actuator 健康端点来背这个锅