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。
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。
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
| 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。
- A:HEALTHY → タスク:UNKNOWNAの検査状態を集計
- 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
| A | B | タスクのhealth |
|---|---|---|
| HEALTHY | HEALTHY | HEALTHY |
| HEALTHY | UNKNOWN | UNKNOWN |
| HEALTHY | UNHEALTHY | UNHEALTHY |
| UNKNOWN | UNHEALTHY | UNHEALTHY |
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。
| 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
| 記録 | 値 |
|---|---|
| ECS task health | HEALTHY |
| ALB target health / reason | unhealthy / 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
| 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。 |
- サービス・タスクID・定義の版・観測時刻をそろえる。
- 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。
- 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。
- ALBの設定・target状態・reasonを、コンテナ内の検査と分ける。
- 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。
- 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。
確認して、自分の言葉で説明する
- A/Bの集計対象とUNKNOWNを説明する。
- 起動猶予の例で二つの設定の違いを確かめる。
- 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。
確認した内容・条件RUNNING/STOPPED等はtaskの状態。利用者の要求成功やアプリの正常性とは別。 公式資料の確認であり実AWS検証ではありません。
参照した本文「動いている」と「使える」を、観測点で分ける
確認した内容・条件Task definitionのcheckとtask/container/LB/アプリの状態を区別。 公式資料の確認であり実AWS検証ではありません。
参照した本文「動いている」と「使える」を、観測点で分ける 二つのコンテナから、タスクの正常性を読む 起動の猶予は、二つの設定を分けて読む 起動失敗と、起動後の検査失敗を分けて調べる 観測したことと、まだ分からないことを確かめる
確認した内容・条件検査先・matcher・reason codeを対応させる。全target不健康時のfail-openと業務結果を区別。 公式資料の確認であり実AWS検証ではありません。
参照した本文「動いている」と「使える」を、観測点で分ける ALBの検査失敗は、設定と応答を組にして読む 起動失敗と、起動後の検査失敗を分けて調べる 観測したことと、まだ分からないことを確かめる
確認した内容・条件サービス起動後にschedulerが無視する検査の範囲。コンテナのstartPeriodや検査そのものの成功と区別。 公式資料の確認であり実AWS検証ではありません。
参照した本文起動の猶予は、二つの設定を分けて読む
確認した内容・条件同じtaskのstopCode/stoppedReason/container reasonとservice eventを照合。表示履歴の範囲を無制限に一般化しない。 公式資料の確認であり実AWS検証ではありません。
参照した本文起動失敗と、起動後の検査失敗を分けて調べる
確認した内容・条件Serviceイベントを診断の入口とし、表示範囲とAPI/コンソールの差に注意。 公式資料の確認であり実AWS検証ではありません。
参照した本文起動失敗と、起動後の検査失敗を分けて調べる