Skip to content

服务发现与配置中心:把"地址"和"参数"分开讲清楚 ​

一、学完能验收的四条 ​

  • 能画出一次服务调用里"地址从哪来"的完整链路,并指出实例在哪一步被过滤掉
  • 能判断一个服务该建成临时实例还是持久实例,说得出混用会出什么问题
  • 会给客户端配好推空保护与本地容灾,并解释它们各自防的是哪种故障
  • 能在 Nacos 和 Consul 之间做出选择,理由落在一致性协议和部署形态上,不落在功能列表上

版本前提先钉死,这一块的事实变动很快。Nacos 当前文档版本为 3.3,nacos-client 最新发布版是 3.3.0(服务端 3.3.0 于 2026-10-29 发布)。Consul 已走到 v2.1.x(2.1.0 于 2026-10-22 发布),从 2.0 起版本号改成 IBM 的 V.M.F 模型:四月大版本开新生命周期,十月加特性,其余月份只修缺陷——十月版本不承诺新生命周期,采购和升级窗口要按这个节奏排。截至 2026 年 11 月,Consul 1.21.x 是最后一个 LTS 版本。

这些数字是截至 2026 年 11 月 16 日在 Nacos 文档 与 Consul 文档 上核对的。选型时别背版本号,背两条节奏:Nacos 默认值随小版本调整过不止一次,Consul 的 LTS 只落在特定版本上。

二、这两个组件在微服务体系里的坐标 ​

很多教材把注册中心和配置中心合成一节讲,因为它们常是同一个进程。但故障后果完全不同,混着讲会让容灾设计变形。

注册中心短暂不可用,服务还能用缓存里的旧地址继续跑;配置中心短暂不可用,还能用快照里的旧参数继续跑。差别在于:地址列表跟着扩缩容持续变化,旧地址很快失效;配置参数几周才改一次,旧参数还能用很久。

所以在容灾投入上,注册中心要比配置中心更舍得多花钱。

三、导入案例:一次没有报错的推空 ​

2026 年 5 月,一个做供应链对账的系统在凌晨发布后,订单服务对账单服务的调用成功率从 99.98% 掉到 61%,日志里没有任何异常,只有大量的"连接超时"。

排查顺序是这样的:先看对账单服务的 Pod,全都健康;再看注册中心控制台,实例列表里三台机器都在;最后看订单服务侧的日志,它拿到的地址列表是空的。

原因是对账单服务在发布时先把三台实例一起下线、再一起注册上线,中间有大约 4 秒的空窗。而订单服务的 namingPushEmptyProtection 是默认值 false——注册中心推一个空列表过来,它照单全收,把本地缓存清空了。

问题在这里:实例确实在,控制台也确实看得到,但调用方拿到的是空列表。"实例存在"和"实例会被消费者发现"是两件事,这是本篇要反复回到的一句话。

四、临时实例与持久实例:两条完全不同的路 ​

Nacos 的服务类型决定了实例状态由哪条一致性路径维护,这是理解后面所有行为的前提。

临时实例 ephemeral持久实例 persistent
存活由谁决定客户端连接或心跳服务端主动健康检查
一致性路径偏 AP,Distro 协议同步偏 CP,元数据持久化
客户端断连后实例被移除实例保留,状态由检查器维护
能从服务端快照恢复吗不能,要靠客户端 redo能
适合什么应用进程自己注册自己控制台、Admin API 维护的固定资源

这里容易卡住的一点:ephemeral 是 Service 级语义,实例请求里的 ephemeral 必须和所属 Service 类型匹配。官方文档明确写了不要在同一个 Service 下混用临时实例和持久实例。一旦混了,你会看到一半实例跟着连接生死、一半实例跟着健康检查生死,排查时根本对不上账。

临时实例在 gRPC 客户端下不需要业务自己实现心跳——实例挂在客户端连接上,连接关了服务端就清理运行时状态,重连后 SDK 按 redo 数据重新注册。如果你是 HTTP 客户端,就得靠心跳续约,三个保留的元数据 key 控制这个行为:

Key含义常见默认
preserved.heart.beat.interval期望心跳间隔5s
preserved.heart.beat.timeout标记 unhealthy 前的超时15s
preserved.ip.delete.timeout实例可被删除前的超时30s

这三个值决定了"实例挂了到流量摘干净"要多久。默认配置下最坏是 45 秒,对核心链路通常太长,一般会往下压到一半左右,代价是网络抖动时容易误摘。

五、发现视图:你看到的不是存储里的原始数据 ​

消费者拿到的不是注册表原文,而是经过过滤的"发现视图"。影响它的有六件事:cluster 过滤、enabled、healthy、服务端内部规则、保护阈值、客户端 selector 与权重。

healthy 和 enabled 要分清楚。healthy 说的是"实例还活着吗",由心跳或检查器决定;enabled 说的是"允许不允许被选中",由人和管理接口决定。做摘流应该改 enabled,而不是等健康检查把它判死。

保护阈值(protectThreshold)是最容易被误解的一个。当健康实例比例小于等于阈值时,服务端进入保护视图,返回更宽的实例集合,并在该视图里把 unhealthy 实例表现为 healthy。它的目的是防止发现结果收缩到几个实例上把剩下的打死,不是让 unhealthy 的机器继续接流量。看到保护阈值生效,第一反应应该是查真实健康实例为什么少了。

六、动手:搭一个三节点集群并观察推空行为 ​

先准备三台节点,用文件寻址把成员列表固定下来。Nacos 3.x 的寻址模式由 nacos.core.member.lookup.type 指定,不配的话会先找 cluster.conf,再找 nacos.member.list,都没有才回落 address-server。

properties
# conf/application.properties —— 三台节点上内容保持一致
nacos.core.member.lookup.type=file
nacos.member.list=10.0.0.11:8848,10.0.0.12:8848,10.0.0.13:8848
# 3.3 起 Client API、SDK 和 gRPC 默认需要身份信息,必须先配访问凭据
nacos.core.auth.server.identity.key=${your_key}
nacos.core.auth.server.identity.value=${your_value}

启动服务端。注意 3.x 可以把控制台拆出去单独跑,服务端用 -d server,控制台用 -d console,端口默认 8080。

bash
# 三台节点各执行(预期输出:启动日志末尾出现 "Nacos started successfully")
sh startup.sh -d server

# 验证成员列表是否被正确读到
tail -n 20 ${nacos.home}/logs/nacos-cluster.log
# 预期输出(节点名与端口按你的环境替换):
# [Cluster] ... members=[10.0.0.11:8848, 10.0.0.12:8848, 10.0.0.13:8848]

客户端这一侧,先用 Java SDK 注册一个临时实例再查回来,确认发现链路通了。

java
// 预期输出:三行 ip:port,第三行是你刚注册的那台
Properties props = new Properties();
props.put("serverAddr", "10.0.0.11:8848,10.0.0.12:8848,10.0.0.13:8848");
props.put("namespace", "prod");
// 关键:推空保护默认 false,必须显式打开
props.put("namingPushEmptyProtection", "true");

NamingService naming = NamingFactory.createNamingService(props);
naming.registerInstance("reconcile-service", "10.0.0.21", 8080, "DEFAULT");
for (Instance i : naming.getAllInstances("reconcile-service")) {
    System.out.println(i.getIp() + ":" + i.getPort() + " healthy=" + i.isHealthy());
}

然后故意把三台实例全部下线,再执行一次上面的查询。开了推空保护,你会看到它仍然返回上一份非空列表;不开,返回空数组——这就是导入案例里发生的事。这个开关的默认值是 false,不是 true,这是我在生产上踩过两次的地方。

最后配一层本地容灾,防的是注册中心整体不可用。容灾数据默认落在 {user.home}/nacos/naming/{namespace}/failover,开关是一个叫 00-00---000-VIPSRV_FAILOVER_SWITCH-000---00-00 的文件,里面写 1 就是打开。

bash
# 演练注册中心整体不可用:打开容灾 → 停掉 Nacos → 观察调用是否还通
echo 1 > "${HOME}/nacos/naming/prod/failover/00-00---000-VIPSRV_FAILOVER_SWITCH-000---00-00"
# 预期:客户端继续使用容灾文件里的 ServiceInfo,业务调用不中断
# 演练结束后必须写回 0,长期开着会让你感知不到线上地址变化
echo 0 > "${HOME}/nacos/naming/prod/failover/00-00---000-VIPSRV_FAILOVER_SWITCH-000---00-00"

七、三个常见误解 ​

很多人以为控制台看到的实例数量就是调用方看到的数量,实际上是两个视图,因为发现视图还要过 cluster、enabled、healthy、保护阈值和客户端 selector 五道过滤。 排查时第一步确认自己看的是哪个视图。

很多人以为推空保护是默认开启的安全网,实际上 Java SDK 里 namingPushEmptyProtection 默认是 false。 这个默认值的选择有它的道理——开着会让你在真的全部下线时看不到真相——但对核心链路,你应该显式设成 true,并且把这个决定写进配置基线的评审里。

很多人以为 enabled=false 之后流量立刻停,实际上取决于调用方是不是官方 SDK。 非官方客户端可能根本不读 enabled,照样打过来。摘流之后要验证。

顺带一个判断:不建议用客户端本地缓存去做注册中心的数据修复。官方文档写得很直接——本地缓存和 failover 都不是服务端数据修复机制。见过有团队把某个健康客户端的 failover 文件推到全集群,结果是旧地址被固化了好几周。

还差一层没讲:配置中心的灰度推送。这套机制和注册中心的推空保护是两回事,实操里常被混淆。

配置中心做灰度发布时,客户端订阅的是配置的 md5 而非内容本身,md5 变了才回拉。所以灰度推送失败最常见的形态不是报错,是"部分实例的参数永远不更新"——那些实例的监听通道在推送瞬间断过,而 Nacos 不会主动补推,只在客户端重连时才比对 md5。我们线上遇到过一次,42 台机器里 5 台停在旧参数上跑了十一天,直到一次重启才被发现。

补的办法是加一道主动校验:每日巡检把客户端的本地快照 md5 与服务端当前 md5 做比对,不一致的实例主动触发 configService.getConfig() 拉一次。这活儿本该由 SDK 做,但至少到当前版本它没有,得自己写。

八、Nacos 还是 Consul ​

选型讨论很容易滑向功能对照表,但这两者的真正差别在协议栈和部署形态上。

Consul 的服务端集群用 Raft 做共识,法定人数是 (N/2)+1——五个节点容忍两个挂掉,三个节点只能容忍一个。它还有一层 Serf gossip 跑在 agent 之间,并靠网络坐标估算节点间 RTT,所以它天然带"就近返回"的能力,多数据中心是一等公民。代价是写路径必须过 Raft leader,注册这种高频写会比 AP 系统慢。

Nacos 把两条路摆在你面前让你选:临时实例走 Distro(偏 AP,写快,网络分区时仍可注册),持久实例走 CP 路径(写慢,但能从快照恢复)。它还有配置中心、灰度发布、控制台这几块 Consul 需要额外拼装的活儿。

我的判断口径是这样的:如果你的核心诉求是"服务注册要快、要能扛分区",并且你需要配置中心,选 Nacos;如果你的核心诉求是"跨数据中心的服务网络、mTLS、DNS 接口",选 Consul。 两边都想要的话,现实做法是用 Consul 的 connect 做安全层,用 Nacos 做应用侧注册与配置,但这会引入双写一致性问题——那就不如只留一个。

九、练习与术语 ​

三道题,都需要动手才能答:

  1. 把一个服务从临时实例改成持久实例,需要动哪些东西?为什么不能只改客户端配置?
  2. 保护阈值设成 0.5 和设成 0 分别意味着什么?在只有两台实例的服务上,这两个值的行为差别有多大?
  3. 你的客户端开了本地容灾,某天发现地址列表三天没变。你怎么判断这是容灾在生效,还是注册中心推了旧数据?
术语英文一句话解释
临时实例ephemeral instance存活由客户端连接或心跳决定,断连即移除
持久实例persistent instance存活由服务端主动健康检查维护,可从快照恢复
发现视图discovery view经过 cluster、enabled、healthy 等过滤后返回给消费者的结果
保护阈值protectThreshold健康比例过低时返回更宽实例集的可用性保护机制
推空保护push-empty protection收到空地址列表时忽略它,保留上一份非空结果
本地容灾failover客户端用本地文件覆盖服务端视图,用于应急
重连补偿redo客户端重连后恢复注册与订阅意图的机制

最后留一个方向性的线索:这套系统的容灾能力,最终不取决于你配了几个开关,而取决于你能不能回答"注册中心全挂之后,调用还能撑多久"。这个数字只有一个来源——演练。上面第六节那段 failover 演练,我们每季度跑一次,每次都能发现一点新东西。