INFRASTRUCTURE LEARNINGインフラ学習
インフラ大全インフラ大全IT INFRASTRUCTURE / LEARNING
インフラ学習ガイド
教材・演習を探す/

Escで閉じる · 検索語は送信しません

LEARNINGEN

テーマ別の解説テーマ:コンテナとECS・Fargate

ECSのヘルスチェック:RUNNING・ALB・起動失敗の切り分け

RUNNINGは実行状態、HEALTHYは設定した検査の結果です。どちらも、利用者の処理が成功したこととは別です。 ECSではコンテナ内の検査と、ALBからの検査も異なります。レポートAPIの固定例で、何を確かめた状態なのか、次にどの記録を見るかを整理します。

この教材で学ぶこと

実行状態・コンテナ検査・ALB・業務結果を分け、UNKNOWNの集計と起動猶予、停止理由から調査の順序を説明できる。

先に知っておくこと

タスクはアプリの実行単位、サービスは指定数に向けて実行を維持する仕組みです。ALBはHTTP等の要求を宛先へ振り分けます。例は教材用の整理した記録で、実AWSのログではありません。実アカウントや秘密の入力は不要です。

「動いている」と「使える」を、観測点で分ける

同じタスクでも、調べている条件は異なる
観測何を確かめるかこの表示だけでは分からないこと
タスクのRUNNINGタスクの実行状態。コンテナの検査結果や、利用者のHTTP応答。
コンテナのHEALTHYタスク定義に指定したコマンドの成功。ALBからの到達性や、全ての業務処理。
ALB targetのhealthy設定した宛先・パス等への検査応答。ログイン後の操作や、保存したデータの正しさ。
利用者の業務結果その入力・経路・時点での処理結果。別の入力や、将来も成功し続けること。

コンテナのhealth checkはコンテナ内で実行するコマンドです。使うプログラムもイメージに必要です。localhostの検査が成功しても、ALBが使うポート・通信経路・パスで成功したことにはなりません。ECSが監視するのはタスク定義に指定した検査であり、イメージ内のDockerfileに書いただけの検査とは区別します。

二つのコンテナから、タスクの正常性を読む

集計の例:同じタスクのAPI(A)と補助処理(B)は、どちらもessentialで、タスク定義に検査があります。 essentialはタスクに不可欠とする設定です。APIのAはHEALTHY、BはUNKNOWN。別の補助Cは必須でない(nonessential)設定でUNHEALTHYとします。実行状態はRUNNINGですが、ALBと利用者応答は未収集です。

検査結果の集計:線は検査結果の集計で、HTTP通信の経路ではありません
検査結果の集計:線は検査結果の集計で、HTTP通信の経路ではありません1: A:HEALTHY — Aの検査状態を集計 — タスク:UNKNOWN. 2: B:UNKNOWN — Bの検査状態を集計 — タスク:UNKNOWN12A:HEALTHYB:UNKNOWNタスク:UNKNOWN検査結果の集計:線は検査結果の集計で、HTTP通信の経路ではありません1: A:HEALTHY — Aの検査状態を集計 — タスク:UNKNOWN. 2: B:UNKNOWN — Bの検査状態を集計 — タスク:UNKNOWN12A:HEALTHYB:UNKNOWNタスク:UNKNOWN
  1. A:HEALTHY → タスク:UNKNOWNAの検査状態を集計
  2. B:UNKNOWN → タスク:UNKNOWNBの検査状態を集計
A:HEALTHY
essential・定義に検査あり
B:UNKNOWN
essential・定義に検査あり
タスク:UNKNOWN
RUNNINGとは別の観測
集計するのはessentialかつ定義に検査があるコンテナ
ABタスクのhealth
HEALTHYHEALTHYHEALTHY
HEALTHYUNKNOWNUNKNOWN
HEALTHYUNHEALTHYUNHEALTHY
UNKNOWNUNHEALTHYUNHEALTHY

集計はUNHEALTHYを先に、次にUNKNOWNを見ます。この例はBがUNKNOWNなのでタスクもUNKNOWNです。Cはこの集計には加えませんが、Cが担う補助機能への影響までないとは言えません。UNKNOWNは検査中・未設定・状態不明などを含み、正常とも障害確定とも読み替えません。

エージェントがECSとの接続を失っても、そのことだけでコンテナがUNHEALTHYへ変わるわけではありません。表示には最後に受信した値が残ることがあります。HEALTHYという文字と一緒に、いつ・どこから得た結果かも確認します。

起動の猶予は、二つの設定を分けて読む

retriesは、不健康と判定するための連続失敗回数に関係する設定です。起動猶予と失敗回数を別に読むと、起動中の一時的な失敗と、その後も続く失敗を区別できます。

似た名前でも、何を猶予するかが違う
設定対象取り違えないこと
コンテナのstartPeriod起動直後の検査失敗を、retriesの失敗回数へ数え始める条件。その時間は検査を一切しない、という意味ではない。
サービスのhealthCheckGracePeriodSeconds起動後、scheduler(配置・置換を調整する仕組み)が不健康なLB/VPC Lattice/コンテナ検査を無視する期間。検査結果やアプリを正常へ変える設定ではない。

起動猶予の例:startPeriod=30秒、10秒で一度成功し、20秒で失敗した例。 startPeriod中でも、一度成功した後の失敗はretriesの対象になります。ただし、これだけで直ちにUNHEALTHYと決まるわけでもありません。実際の検査時刻・回数・retriesを確認します。この時刻は説明用で、AWS共通の推奨値ではありません。

ALBの検査失敗は、設定と応答を組にして読む

ALBの例:同じ版・対象時刻の教材用記録
記録値
ECS task healthHEALTHY
ALB target health / reasonunhealthy / Target.ResponseCodeMismatch
ALB checkの設定HTTP・ポート8080・/healthz・成功コード200
検査で観測した応答コード404
利用者の業務結果未収集

このALBの例は、期待した200と観測した404が一致していない記録です。まず意図したパス・ポート・プロトコルと、実際の応答元やアプリの処理を照合します。応答コードの不一致とタイムアウトは別の理由です。「全通信を許可する」「404も成功へ入れる」だけで解決とせず、検査が確かめるべき内容を確認します。

ALBの検査がhealthyでも、全ての利用者操作やDBへの保存が正しいとは限りません。また、全ターゲットが不健康ならfail-open(不健康でも振り分けを続ける動作)となる条件もあるため、unhealthyなら絶対に利用者の通信が来ないとも言えません。検査対象の正常性と、実際の要求・業務結果を分けて確認します。

起動失敗と、起動後の検査失敗を分けて調べる

表示名だけで原因を一つに決めない
観測次に見る記録決めつけないこと
RUNNINGへ達しない/STOPPED同じタスクのstopCode・stoppedReason・container reason、serviceイベント。全てhealth checkの猶予不足とは限らない。
イメージ取得や初期化の失敗使う版・実行ロール・イメージ参照・必要な通信等。アプリのtask roleへ全権限を足せば直るとは限らない。
コンテナの検査失敗定義したコマンド、イメージ内のツール、起動ログ、時刻・設定。localhost成功をALB経由の成功に広げない。
ALB targetの検査失敗reason code、登録/AZ、設定した宛先・パス・応答。ResponseCodeMismatchを通信タイムアウトと同一視しない。
  1. サービス・タスクID・定義の版・観測時刻をそろえる。
  2. RUNNINGへ達したか、停止したなら同じタスクの理由を確認する。
  3. タスク定義の検査対象・essential設定と、個別コンテナの結果を確認する。
  4. ALBの設定・target状態・reasonを、コンテナ内の検査と分ける。
  5. 必要な起動猶予と実際の失敗原因を切り分け、修正後に同条件で再確認する。
  6. 利用者の要求と業務結果を確かめ、更新中の台数と戻し方へ進む。

観測したことと、まだ分からないことを確かめる

選択すると、正誤と理由が表示されます。

集計の例でA=HEALTHY、B=UNKNOWN。タスクのhealthは?
答えと理由を読む

正解:UNKNOWN。Bの状態を追加で確認する · 集計対象のBがUNKNOWNです。正常とも障害確定とも決めません。

集計の例でBがUNHEALTHYになったら?
答えと理由を読む

正解:タスクもUNHEALTHY。実行状態とは別 · 集計では対象コンテナのUNHEALTHYが優先です。これだけで実行状態をSTOPPEDへ書き換えません。

起動猶予の例で、10秒で成功、20秒で失敗。30秒のstartPeriod中だから失敗は無視?
答えと理由を読む

正解:いいえ。早期成功後の失敗はretriesへ数える · ただし、この1回だけで直ちにUNHEALTHYとは断定できません。失敗回数と設定を確認します。

ALBの例はResponseCodeMismatchと404。まず何を照合する?
答えと理由を読む

正解:意図した検査先・パス・成功条件と実際の応答 · 期待200と404の不一致を調べます。原因を決めず、応答元やアプリ側も確認します。

agent切断後も最後のHEALTHYが表示されている。言えることは?
答えと理由を読む

正解:最後の受信値。時刻と新しい観測が必要 · 接続断で直ちにUNHEALTHYへ変わるわけではありませんが、現在正常の証明でもありません。

確認して、自分の言葉で説明する

  1. A/Bの集計対象とUNKNOWNを説明する。
  2. 起動猶予の例で二つの設定の違いを確かめる。
  3. ALBの検査設定と応答を照合し、利用者結果を別に確認する。
理解を確かめる: RUNNINGなのにALBの検査が失敗しているとき、何を分けて確認する?

タスクの実行、コンテナ内の検査、ALBの設定と応答、利用者の業務結果を、同じ版・対象・時刻で照合する。

それぞれが確かめる条件は異なります。一つの正常表示から全体成功を決めず、失敗理由に対応する設定や記録を調べます。

出典と確認した条件

説明に用いた公式資料を、確認した内容・条件と本文の参照箇所に分けてまとめています。専門家による監修・実際のAWSとの比較検証は行っていません。