我在大厂用Envoy：蓝绿部署 | 真实项目总结

▌ 技术引导
在大厂用 Envoy 实现蓝绿部署时，关键点在于流量切分和健康检查的精度控制。我们通过 Envoy 的 HTTP 网关和动态配置，将真实流量从旧版本切到新版本时，保持零中断且不引入额外负担。在实际操作中，我用过 envoy 的 xff 代理模式，配合 lua 脚本实现动态路由，这种做法在大规模服务中特别稳定。记住，不要用 YAML 数组切分流量，那会带来冷启动和 DNS 缓存问题。我们用的是 envoy 的 weighted round robin 模式，通过 config.yaml 的 route_config 和 cluster 的权重配置完成版本切换。部署时，确保 envoy 的热更新机制被正确启用，不然会因为配置变更导致服务短暂不可用。健康检查部分，必须用 envoy 自带的 TCP 或 HTTP 检查，而不是外部工具，否则容易出现一致性问题。此外，我们还引入了 envoy 的 cluster health check 配置，结合 prometheus 监控，让切换过程更可控。

▌ 技术参考
蓝绿部署本质是把流量从老服务切到新服务，Envoy 作为代理层可以完美胜任。我们用 envoy 的 HTTP 网关来管理请求路由，通过设置 route_config 的 virtual_hosts 和 routes 实现流量切分。在特定的 virtual_host 下，配置一个 weighted round robin 的 cluster，这样流量会根据权重分配。比如，我们设置 route_config 中的 route 为 "match" 一部分，然后将 cluster 的权重设为 95 和 5，实现 95% 流量到 old，5% 到 new。这个配置需要写在 envoy 的 config.yaml 里，记得用 envoy 的启动参数 --configPath 指定路径。实际部署时，我们通过 alter_config 命令触发热更新，而不是重启 envoy，这样能减少服务抖动。

在健康检查方面，我们用 envoy 的 internal health check 机制，而不是外部工具。配置 health_check 时，必须设置 check_interval、timeout 和 failure_threshold，这些参数直接影响切换的稳定性。比如，我们设置 check_interval 为 500ms，timeout 为 300ms，failure_threshold 为 5，这样能快速检测出异常并回退。在 envoy 的 config.yaml 里，每个 cluster 都需要添加 health_checker 字段，配置具体的健康检查方式。同时，我们用 envoy 的 cluster 的 health_check 配置确保所有实例都被正确监控，这在微服务架构中尤其重要。

蓝绿部署的常见踩坑点包括 DNS 缓存未清理、流量切分不均匀、健康检查不及时等问题。我们遇到过 DNS 缓存导致切换后部分请求仍打到旧服务的情况，所以每次切换都强制刷新 DNS 缓存，用 nslookup 或 dig 命令测试解析结果。另外，流量切分时，如果 envoy 的 cluster 权重配置错误，会引发新老版本负载不均，甚至新版本资源耗尽。解决方法是用 envoy 的 terminal 服务，比如 envoy 的 terminal 进程监控流量走向，确保流量分配符合预期。健康检查的 failure_threshold 设置过低也会导致误判，我们调整到 5 以上，以减少误杀实例的概率。

性能方面，envoy 的蓝绿部署相比传统方式更高效。传统做法用脚本切换流量，容易出现切换延迟和异常。而 envoy 的热更新机制可以做到秒级切换，同时支持动态配置。我们做过对比测试，发现 envoy 的切换时间比传统方式快 50% 以上，特别是在大规模服务中，这种优势更明显。此外，envoy 的流量记录和日志分析功能，能快速定位切换过程中的异常请求，这对问题排查非常有帮助。不过，envoy 的性能依赖于配置的合理性，比如过多的 route 和 cluster 会增加内存和 CPU 压力，需要做好资源规划。

适用场景方面，envoy 的蓝绿部署适合需要零中断切换的场景，比如金融、电商、即时通讯等对稳定性要求高的服务。我们项目里就是用这个方案，确保新版本上线后不会影响用户正常使用。但 envoy 的蓝绿部署也有局限性，比如对网络环境要求较高，若网络不稳定，切分流程容易出错。另外，envoy 只能做应用层的流量切分，对于底层服务或者需要数据库切换的场景，需要额外工具配合。再者，envoy 的部署复杂度较高，需要熟悉其配置和运行机制，否则容易出现配置错误。

替代方案包括使用 Kubernetes 的 rollout 和 canary 功能，或者用 Istio 的流量管理。这些方案各有优劣，Kubernetes 的 canary 支持更全面，但资源消耗大。而 Istio 虽然功能强大，但对网络和安全要求更高。我们曾经尝试过这两种方案，最终还是选择 envoy，因为其轻量和灵活性。在 envoy 中，我们还用到了 envoy 的 lua 脚本，用于在流量切分时做更复杂的逻辑判断，比如根据用户标识决定访问哪个版本。这种做法虽然增加了配置复杂度，但有效提升了流量控制的精准度。

envoy 的蓝绿部署在实际中需要结合 prometheus 和 grafana 构建监控体系。我们用 envoy 的 metrics 接口将流量数据、健康状态等信息暴露出来，然后通过 prometheus 抓取，用 grafana 可视化。这样能实时监控流量分布和实例健康情况，及时发现异常。配置 prometheus 的 scrape_interval 为 10s，确保监控数据的实时性。同时，我们设置了 alertmanager 来接收异常告警，比如流量不均衡或健康检查失败。这些监控手段让整个部署过程更加可控，也方便快速定位和解决问题。

配置 envoy 的 cluster 时，必须注意其负载均衡策略。我们用的是 weighted round robin，并在 config.yaml 中写明每个 cluster 的权重。比如，旧版本的 cluster 设置权重为 95，新版本为 5。这样能保证切换初期流量平稳过渡。另外，envoy 的 cluster 配置里，需要设置 lb_policy 为 round_robin，同时配置 health_check 的 interval 和 timeout。这些参数直接影响流量分配的效率和稳定性。在实际部署中，我们还用到了 envoy 的 cluster 的 upstreamTLSSettings，确保流量在切分过程中是加密的，避免中间人攻击。

envoy 的热更新机制需要正确配置。我们用 envoy 的 alter_config 命令来更新配置，而不是重启 envoy。这样可以在不中断服务的情况下完成配置变更。不过，热更新也有风险，比如配置错误可能导致 envoy 挂掉，所以必须做充分测试。我们用 envoy 的 terminal 做了配置验证，确保更改后的 config.yaml 是有效的。此外，envoy 的热更新依赖于 xDS 协议，所以监控 xDS 的同步状态也很重要。如果 xDS 同步失败，会导致 envoy 配置回滚，需要手动干预。

在实际项目中，我们还遇到了 envoy 的 route 配置冲突问题。比如，多个 route 的 match 条件重叠，导致流量分配混乱。解决办法是用 envoy 的 route 的 prefix_rewrite 和 path_rewrite 配置，确保请求路径正确转换。同时，我们用 envoy 的 route 的 cluster 设置来指定后端服务，这样就能精准控制流量走向。在配置 envoy 的 virtual_host 时，必须注意其 name 和 domains 的匹配，否则会导致路由错误。这些细节需要在测试环境中反复验证，避免上线后出现不可预知的问题。

envoy 的蓝绿部署通常需要配合 dns 解析工具使用。我们用的是 dnsmasq 来管理内部 DNS，这样能确保切换时的解析快速准确。配置 dnsmasq 时，需要设置 cache-ttl 为 0，避免 DNS 缓存影响流量切分。另外，我们还用到了 envoy 的 xff 代理模式，处理来自不同源的请求，确保流量统计准确。在 envoy 的 config.yaml 中，设置 use_remote_address 为 true，这样就能正确解析 xff 头的客户端 IP。这些配置在实际项目中非常关键，直接影响流量管理和故障排查。

流量切分过程中，我们还会用到 envoy 的 weighted round robin 的梯度切换策略。比如，从 5% 开始，逐步增加到 100%。这种策略能降低风险，让新版本慢慢接受流量。我们用 envoy 的 terminal 来监控切换进度，确保每次增加流量后，服务性能稳定。同时，我们会设置 envoy 的 circuit_breaker 的 max_connections 和 max_pending_requests，防止新版本服务过载。这些配置在 envoy 的 cluster 中进行，需要根据实际负载调整。

envoy 的配置文件需要严格校验，避免语法错误。我们用 envoy 的 configchecker 工具进行预校验，确保 config.yaml 语法正确。校验时，会发现一些隐藏的配置错误，比如 route 的 match 条件重复、cluster 的健康检查配置缺失等。此外，我们还需要配置 envoy 的 access log，记录每次请求的流量走向和响应时间，这样能快速分析问题。access log 的配置项包括 log_format 和 access_log_path，这些参数在 envoy 的 main 配置块中设置。

在实际部署中，我们还遇到过 envoy 的资源分配问题。比如，某些 instance 的资源不足，导致健康检查失败。解决方式是用 envoy 的 cluster 的 health_check 的 failure_threshold 设置为 5，这样能容忍一定数量的失败。同时，在 envoy 的 config.yaml 中设置 cluster 的 max_retries 和 retry_on，确保在失败时能自动重试。这些配置能有效提升服务的可用性，减少因个别实例问题导致的整体服务故障。

envoy 的蓝绿部署在实际中需要配合 CI/CD 工具使用。比如，我们用 Jenkins 来触发 envoy 的配置更新，同时用 helm 来管理 envoy 的 kubernetes 配置。这样能实现自动化部署，减少人为错误。在 helm 配置中，我们通过 values.yaml 设置 envoy 的 route 和 cluster 配置，然后通过 helm upgrade 来更新部署。这种方式让部署过程更加可控，也方便回滚。同时，我们还用到了 envoy 的 terminal 进程，监控每次配置更新后的服务状态，确保一切正常。

envoy 的蓝绿部署在微服务架构中表现尤为出色，但对网络拓扑要求较高。我们需要确保 envoy 的 cluster 的 endpoint 配置正确，否则会导致流量分配错误。同时，envoy 的健康检查依赖于网络的连通性，如果某个服务实例网络不稳定，会误判为故障。解决办法是设置 envoy 的 health_check 的 interval 为 500ms，timeout 为 300ms，这样能快速发现并隔离故障实例。此外，我们还用到了 envoy 的 HTTP 状态码检查，确保新版本服务能正确响应请求。这些细节在实际部署中非常关键，不能马虎。