阿里云负载均衡上线后，卡的地方变了

卡顿这东西不会消失，只会搬家。阿里云负载均衡上线那天，监控上的平均响应时间好看了，首页刷一下就出来，谁都以为问题解决了。过两天投诉又冒出来：下单按钮转圈、后台上传图片传到一半断、后台点保存没反应。负载均衡不是加速器，它干的事是把请求分出去，原来挤在一台机器上的毛病被摊开了，卡点就跑到别的地方去了。麻烦在于这些新卡点以前没人盯，所以显得特别突然。

阿里云负载均衡上线后，最先变的是「谁在卡」

单机时代判断很简单，卡就是 CPU 满了、内存见底、磁盘 IO 打满，top 一眼就看出来。上了负载均衡，入口那一层把 TLS 握手、连接管理这些活儿接了过去，后端机器 CPU 反而往下降了一截。指标好看，可用户算的是从点击到看见结果的总时间。中间多了一跳转发、多了一次排队、多了一段内网往返。短连接、小响应的站点基本感觉不到；长连接、响应体大、后端处理本身就慢的站点，这几段叠加起来就很显眼。所以先别急着骂负载均衡没用，先确认一下你量的是哪一段的时间。

后端「看着都没事」，用户却说慢

我见过太多这种场面：后端监控一片绿，CPU 三成不到，运维说没毛病，业务方说就是慢。这里有个坑——负载均衡分的是请求数，不是处理能力。两台后端权重一样，可一台上面还跑着定时任务、另一台刚重启缓存是空的，结果是快的那台被拖住，慢的那台又占着名额。加权轮询的权重按实际处理能力调，别按核数拍脑袋，压测跑一轮再定。还有个更常见的，数据库连接池先顶不住。请求被均匀地撒到后端，后端的查询又同时砸向同一个库，库那边一排等锁，前端表现就是随机几个人卡。

会话丢了，这种卡最冤

未登录的时候一切正常，一登录就出幺蛾子：刚登录又让登录、购物车清空、验证码每次都不一样。多台后端，session 落在本地文件里，第一次请求落到 A，第二次落到 B，B 不认识你。用户描述不出来，只会说「卡」。解法两条：一是会话保持，四层按源 IP 粘，七层按 cookie 插入；二是干脆把 session 挪到共享存储，Redis 之类，后端无状态。会话保持不是万灵药，移动网络切基站、公司出口 NAT 一变，源 IP 就换了，照样掉。cookie 方式稳一些，但要留意 cookie 名跟后端框架别打架，同名冲突排查起来能耗一下午。具体参数以控制台和官方文档的说明为准，别照抄别人的博客。

真实 IP 没了，日志、防护、统计跟着乱

这条最容易被忽略，后果也最烦人。请求过了负载均衡，后端看到的来源 IP 是负载均衡的内网地址，访问日志里一片一模一样的内网 IP。接着防火墙、防 CC、限流全都按那个 IP 算，一个「IP」能刷出天量请求，规则一开先把自己人封了。要拿真实 IP，就得看 X-Forwarded-For 或者 X-Real-IP。Nginx 里 set_real_ip_from 加 real_ip_header，日志格式里带上 $http_x_forwarded_for，改完还得回头验证一遍采集规则对不对。提醒一句，这些头是可以伪造的，别直接拿来做权限判断或者风控的唯一依据。顺带说，搜索引擎爬虫的来访 IP 也变了，你要是有校验爬虫真假的脚本，得重新对一遍，不然日志里全是「抓取异常」，白白吓自己一跳。

健康检查查得太勤，也是负担

默认几秒探一次，后端机器一多，探测请求成倍往上涨。静态页还好，健康检查要是打到了一个要查库的接口，等于每天凭空多出一堆业务请求。查得松，挂掉的机器摘不掉；查得紧，又给后端加活。一般做法是给一个专门的轻量接口，比如 /healthz，只返回 200，别在里面查库、别穿缓存层。超时时间要跟业务最长响应时间对齐，设太短会把慢但正常的实例误摘，摘了加、加了摘，来回抖动，用户在那边就感觉忽快忽慢。

缓存和压缩别干两遍

前面挂了 CDN，负载均衡上再开一层缓存，后端又开页面缓存，三层哪一层没对齐，用户拿到的就是旧内容，然后跟你说「改了没生效」。这种「卡」其实是版本没刷。gzip 也一样，负载均衡和后端同时开着，白烧 CPU 还多一道。规矩很朴素：能在边缘干的活就在边缘干，越靠后越少干。回源流量上完负载均衡后一般会变大一点，别只看带宽峰值，看一眼回源比例更实在。

上完负载均衡，我一般先看这几样

整理成一份能照着做的清单：日志里翻一条，确认真实 IP 传下来了没有；会话存在哪、掉了用户是什么表现；健康检查打的是哪个路径、多久一次；权重跟压测出来的处理能力对不对得上；后端的 keepalive 配了没，没配的话每个请求都新建连接，负载均衡那一侧的连接数会非常难看；长连接和超时设置跟业务是否匹配；CDN 和负载均衡的缓存、压缩是不是重复开了；最后看一眼搜索爬虫的来访日志，抓取量有没有莫名其妙的起落。

说到底，负载均衡解决的是「一台机器扛不住」这件事，它没义务把你的慢代码变快。上线之后卡的地方变了，这是正常的，说明原来那台机器的瓶颈确实被绕过去了。接下来该干的是找到新瓶颈，别守着旧监控面板说「各项指标都挺好」——指标好和用户不卡，本来就不是一回事。