上周五下午四点,我盯着监控面板上那条一路往上蹿的 CPU 曲线,心里已经开始默念「别挂别挂别挂」。
那是一台 2 核 4G 的小机器,跑着一个不算大的接口服务。平时 CPU 稳稳压在 15%,那天不知道被谁转发到了什么群里,请求量翻了三倍,响应时间从 80ms 涨到 900ms,然后开始零星报错。我第一个念头是"给它升配",第二个念头是"升配治标不治本,明天再来一波呢"。
那天晚上我做了一件事:把服务复制成两份,前面挂了一个负载均衡。做完之后回头看,这玩意儿其实没那么玄乎,但也确实有几个坑,我今天一次性讲清楚。
一、负载均衡到底在干什么
用最土的话说:它就是站在门口的分流员。
以前所有请求都砸向同一个 IP,那台机器说「我尽力」。现在你在前面放一个虚拟地址(VIP),请求先到分流员手里,分流员看一眼后端有几台机器、每台还活着没、谁比较闲,然后把请求递给其中一台。后端的机器对用户来说完全透明——用户只知道访问了一个域名,至于背后是一台还是八台,他不用管。
它解决的是三件事:
- 单点故障:一台挂了,分流员探测到它会自动停止往它派活,业务不中断;
- 横向扩容:一台顶不住,加第二台、第三台,而不是把一台机器喂到 64 核;
- 运维优雅:要发新版本,一台一台从后端摘出去更新,灰度着来,用户无感知。
顺带一句,负载均衡本身还自带抗 DDoS 的基础能力(CLB 默认带 5Gbps 的防护),后端 ECS 不用直接暴露在公网,安全上也是净收益。
二、三个版本,别一上来就选错
阿里云的负载均衡家族其实有三个成员,很多人第一次进去就懵:CLB、ALB、NLB,名字长得像,干的活不一样。我直接给你摊开:
| 对比项 | 传统型 CLB | 应用型 ALB | 网络型 NLB |
|---|---|---|---|
| 产品定位 | 四层扎实 + 基础七层 | 七层强,高级路由多 | 四层强,大规模 SSL 卸载 |
| 主打协议 | TCP / UDP / HTTP / HTTPS | HTTP / HTTPS / QUIC / gRPC | TCP / UDP / TCPSSL |
| 产品架构 | 基于物理机架构 | 基于 NFV 虚拟化,支持弹性伸缩 | 基于 NFV 虚拟化,支持弹性伸缩 |
| 性能上限 | 单实例最大 100 万并发、5 万 QPS | 单实例最大 100 万 QPS | 单实例最大 1 亿并发 |
| 七层能力 | 仅支持基于域名或 URL 的基础转发 | 基于内容路由、标头改写、重定向、重写、限速 | 不涉及(专注四层) |
| 典型场景 | 网站 / 系统四层分发、传统业务迁移 | 互联网应用七层高性能、云原生灰度发布 | 物联网 / 车联网入口、多活容灾、大流量四层 |
怎么选?给你一个不需要犹豫的判断路径:
- 就是个普通 Web 站、API 服务:选 ALB,现在的主推款,七层能力完整,还支持自动弹性,不用预估峰值;
- 游戏长连接、直播推流、数据库代理、IoT 这类四层大并发:选 NLB,并发能力是另一个数量级;
- 老系统迁移、或者只想做简单的 TCP/UDP 端口转发:CLB 就够,配置简单,成本也低。
有个提示要说在前面:CLB 的包年包月实例已于 2024 年 12 月 1 日停止新购,按规格计费实例自 2026 年 1 月 1 日起也停止新购。也就是说现在新建 CLB 基本只能走按使用量计费。如果你是几年前的老观念"负载均衡要包年买一个",这个认知得更新了。
三、几个你必须搞懂的概念
别跳过这节,后面配置的时候全靠它们。
实例(Instance):负载均衡的核心资源实体,包含虚拟服务地址(VIP)、监听规则、后端服务器组关联关系,是流量转发的载体。你可以理解成"分流员这个岗位"。
监听(Listener):接收请求的入口,配置协议(HTTP/HTTPS/TCP/UDP)、端口和转发规则。一个实例可以挂多个监听,比如同时监听 80 端口的 HTTP 和 443 端口的 HTTPS。单个实例的监听数量有上限(例如一个实例最多 50 个监听,具体以控制台为准)。
后端服务器组(Server Group):后端机器的逻辑集合,成员可以是 ECS、弹性网卡 ENI、弹性容器实例 ECI,部分产品还支持 IP 地址和函数计算 FC。你在组里统一管理端口、权重和健康检查规则。
健康检查:负载均衡定期去探后端机器,探测失败就把它从转发列表里摘掉,恢复后再自动加回来。这是负载均衡最值钱的功能之一,因为它把"发现故障"这件事自动化了。没有健康检查的负载均衡,等于一个瞎了眼的分流员。
会话保持:如果后端是"用户登录状态存在本机内存里"的那种应用,你得开会话保持,否则用户这次请求打到 A 机器、下次打到 B 机器,登录态就丢了。至于"会话保持到底要不要开",本质上取决于你的应用是不是无状态的——如果你的服务自身把状态放在 Redis 里,那就不用开。
权重:后端每一台有一个权重值,权重越大分到的请求越多。新旧机器配置不同、或者想先拿一台机器试水的时候,权重就是你的旋钮。
四、一笔账:负载均衡到底贵不贵
这里说个反直觉的结论:负载均衡的基础成本,比很多人想象的低。
先明确计费项。以 CLB 按使用量计费为例,可能产生的费用项有:公网 IP 保有费(仅公网实例)、实例费(所有实例都有,只要实例没释放就产生)、LCU 费(性能容量单位,按实际使用量按小时结算)、流量费(公网出流量,入流量免费)、带宽费(仅按固定带宽计费的公网实例)。
而私网按量付费实例不涉及公网 IP 保有费、流量费和带宽费——也就是说,如果你的负载均衡只在内网用(比如前端是 CDN 或者另一层网关),成本就只剩实例费和 LCU 费两块。ALB 和 NLB 的计费项构成也是"实例费 + LCU 费 + 公网网络费(由 EIP 收取)",私网同样不涉及公网费用。
还有个容易被忽略的点:同地域内,负载均衡与后端 ECS 之间的内网通信不产生额外流量费用。也就是说你加了三台后端,横向扩容本身不带来内网的流量账单。
至于具体单价——实例费多少钱一小时、LCU 多少钱一个、公网流量怎么计——这些官方页面会随活动和地域调整,我就不抄数字了,写死了反而误导你。以官方页面实时展示为准,动手前自己确认一遍配置和费用:
准备动手前,建议先对着官方页面的实时规格与价格把目标实例的配置和费用确认一遍:负载均衡 SLB 产品页。
补一句关于 LCU 的理解,这个单位很多人第一次看会晕。简单说,LCU 是把"新建连接数、并发连接数、处理数据量、规则评估数"这几个指标打包折算出来的一个计费单位,系统每小时算一次,取消耗最大的那个维度来计费。这意味着:你为实际用量付费,而不是为规格上限付费。业务低谷的时候,账单也是低的。
五、实操:从一台到两台,我做了什么
场景回顾:单台 ECS 上跑一个 Web 服务,端口 8080。
第一步,把服务做成无状态的。这一步在上负载均衡之前就该做。原先把 session 存在本机,我改成了存 Redis。不做这步,后面加机器就是给自己找麻烦。
第二步,再开一台 ECS,用同一份镜像或者同一套部署脚本把服务拉起来。两台机器在同一个 VPC、同一个地域,内网互通。
第三步,创建负载均衡实例。按业务选型号(我这种普通 Web 站选 ALB),选地域和可用区。建议选多可用区部署,这样单个可用区出问题也不影响,属于白送的高可用。
第四步,配置监听。七层的话监听 HTTP 的 80 端口、HTTPS 的 443 端口,把证书挂上去(SSL 卸载在负载均衡这一层做,后端就不用自己折腾证书了)。四层的话就是 TCP 监听加端口。
第五步,配置后端服务器组,把两台 ECS 加进去,设置权重(先都设 100,也就是均分)。健康检查按业务调参数——检查路径建议用一个轻量的健康接口,比如 /healthz,别拿首页当探针,首页可能涉及数据库查询,慢一点就误判。
第六步,验证。先别急着切域名,用负载均衡的 VIP 直接访问,反复刷新看是否在两台机器之间轮换(可以在响应里加个机器标识)。确认没问题,再把域名 CNAME 或者 A 记录指过去。
第七步,给后端 ECS 收紧安全组。原先 8080 是对公网开的,现在只允许负载均衡所在的网段访问,ECS 彻底从公网"下线"。这一步做完才算真正完成。
六、六个我踩过或者差点踩的坑
坑一:把健康检查路径设成了需要登录的接口。结果探针拿到 302 跳转,判定为不健康,两台机器全被摘掉,直接 502。健康检查接口一定要是匿名可访问的。
坑二:后端 ECS 的安全组没放行负载均衡的探针网段。现象和坑一一模一样——全不健康。排查的时候先看安全组,再看应用。
坑三:以为负载均衡能"自动扩容后端"。它只负责分发,不会帮你开机器。要自动加机器,那是弹性伸缩(ESS)的活,两者是搭配使用的,别搞混。
坑四:HTTPS 两边都配了一遍。负载均衡已经做了 SSL 卸载,后端又是 HTTPS,链路变成"用户-加密-负载均衡-再加密-后端",白白多了一层开销和一份证书维护成本。要么四层透传让后端解密,要么七层卸载后端走 HTTP,别两头都来。
坑五:CLB 上想用域名和 URL 路径转发。CLB 的七层能力只支持基础转发,想要基于域名、URL 路径做精细路由,得换 ALB。这个是我一开始选型就差点搞错的。
坑六:只加机器不看连接数上限。业务起来之后,瓶颈从"CPU 不够"变成了"后端机器连接数打满",这时候要调的是应用本身的连接池和内核参数,加机器解决不了。
七、什么时候你已经该上负载均衡了
不用等到服务挂了才想起来。以下几个信号出现任意一个,就值得动手:
- 单台机器的 CPU 或带宽在高峰期持续摸到 70% 以上;
- 服务已经有过一次"因为一台机器宕机导致全站不可用";
- 你需要不停机发版(灰度发布);
- 你打算做同城灾备或者多活容灾;
- 后端机器已经不止一台,而你在靠 Nginx 手写 upstream 配置硬撑——手写当然也行,但负载均衡给你的是带健康检查、带多可用区、带控制台可视化的一套托管能力,省下的运维时间往往比费用值钱。
小结
一句话总结这篇:负载均衡不是"更贵的单机",而是把"高可用"从一件靠运气的事,变成一件配置好的事。
选型上,普通 Web 和 API 选 ALB,大并发四层选 NLB,老系统简单转发用 CLB;成本上,私网实例不涉及公网费用、内网通信不额外计费,实际花销比你想象中低;实操上,先把应用做成无状态,再配健康检查,最后收紧后端安全组——顺序别乱。
我那天晚上折腾完,两台 2 核 4G 顶住了三倍的流量,响应时间回到 100ms 以内。花的钱比升配到 8 核还少一点。
至于机器数量,从两台开始就挺好。先把路修好,车多了自然跑得动。