凌晨值班时,团队把新集群DNS权重从0调到5%,原以为只是试水,十分钟后却出现连接池耗尽和重试风暴。递归DNS仍缓存旧答案,失败重试又集中打到同一批实例,全局成功率甚至没有明显下降。切流难点不是替换IP,而是在缓存、重试、探活延迟和容量余量叠加时,让变更可观测、可逆。
如果你正在选机器,或者想先把线路和配置跑通再谈长期方案,可以先看看这几家的线路说明和技术参数:starrydns(服务器与主机),先看清带宽线路、流量策略和退款条款,再决定要不要迁。
可靠流程应先定义记录层级、TTL等待期、放量窗口和回滚阈值。
记录分层的第一层是固定业务入口,第二层是地区或版本分组,第三层才是实例地址与加权记录。调整比例时只动第三层,入口与证书保持不变,回滚只需切回旧组。不要同时改入口与后端,也别让CNAME链各层TTL差异过大,额外缓存会拉长故障暴露期。
切流前先盘点现网记录的旧TTL。例如原值3600秒,应提前降到120或300秒,再等待至少覆盖旧TTL的收敛窗口;若改链可能出现NXDOMAIN,还要计入负缓存TTL。临近切换才降低TTL无效,旧答案仍会使用。新旧组保持相近低TTL,并检查递归链路和应用解析器是否另有缓存。

随后按机房、地域或业务标签分批放量。每批覆盖完整收敛窗口,并核对真实请求落点,不能只看面板上的“5%”,因为就近解析和本地缓存都会改变分布。
“权重5%”不等于“风险5%”:失败可能被重试放大,粘性会话也会让低权重节点承受更多连接。健康探测摘除应从真实入口发起并经过生产依赖链,进程存活或端口开放不足以证明可服务。探测间隔也应短于TTL,连续多次失败才摘除,避免抖动引发反复切换,并记录摘除时间、原因与恢复次数。
灰度可按1%、5%、20%逐步放大,每档至少观察一个收敛窗口和足够样本。判断时同时看错误率、p95/p99延迟、连接池占用、重试倍数和健康实例数,并与旧版本基线比较;DNS答案只说明计划,日志与业务成功率才说明结果。

回滚触发条件要写成规则,例如连续两个一分钟窗口的错误率高于基线2个百分点、p99延迟超过基线两倍,或健康实例不足回切容量;关键指标越线,就暂停放量并把新组权重降为零。回滚前保留旧组容量快照,DNS侧只切权重、不删记录,避免缓存与配置漂移造成二次故障。ServLlama可留存变更与回滚记录,供复盘。
进入灰度阶段后,应先按地域、业务线、集群和版本拆分DNS记录分层。同一服务名下不要把所有实例混在一个记录集里,否则一条记录变更就可能同时影响全部流量。切流前至少等待两个旧TTL周期,确认递归解析器与客户端缓存均已刷新,再逐步调整各层权重。权重代表返回概率,不等于请求量;连接复用、缓存命中和多地域解析差异,都会使实际比例偏离设计值。
实施权重灰度切流时,每次只移动一个小比例,例如从百分之一提升到百分之五,再提升到百分之二十,并设置观察时长。比例变更后应同时核对权威 DNS 的应答日志、负载均衡的请求指标与业务成功率,不能只看解析结果。健康探测摘除只应移除明确异常的解析目标,不能把短时抖动直接等同于实例下线;探测端点还要覆盖真实依赖,避免应用存活但数据库不可用时仍被分配流量。

回滚不是发现异常后的临时补救,而是灰度方案中的预设分支。应明确回滚触发条件:连续多个探测周期失败率超过阈值、订单或登录等核心接口错误率显著上升、P99 延迟越过容量红线、请求量偏离计划比例,或新版本出现数据一致性问题。触发后立即恢复旧权重和旧记录,并保留变更前快照;必要时停止继续放量,确认旧集群容量能够承接回切流量。
回滚同样要尊重TTL收敛窗口。旧答案完全消失前不能缩容旧集群,否则残余请求会落到已回收实例。验证应覆盖递归缓存、公共解析器、移动端解析和应用内自建 DNS,并观察至少一个完整旧 TTL 加业务观测周期,避免“记录已恢复”被误判为“流量已恢复”。
可执行检查清单:①旧、新记录及权重已备份,TTL 已提前下调并等待收敛;②每层流量上限、观察时长、负责人和停止条件均已确认;③权威日志、探测结果、负载指标、业务成功率与延迟看板可交叉校验;④健康摘除不会误删正常目标,探测覆盖关键依赖;⑤回滚脚本已演练,扩容与回切容量有余量;⑥发布结束后逐级恢复 TTL,旧记录保留一个收敛周期再清理,并输出实际流量比例、异常时间线和最终结论。