「服务挂了，我重启一下」和「这个重启要五分钟」，差在哪三件事
工程师在群里说「服务挂了，我重启一下」，你要判断的是这次重启的代价：几台在跑、会不会丢东西、要等多久。这篇讲清服务与进程的区别、内存里攥着的状态、就绪检查、多实例，以及按下重启之后到底发生了什么。
上一期的结尾是：门牌号拿到手，下一件事是敲门。门牌号指的是服务器的地址，这一篇就从那台机器上跑着的东西讲起。
一晚上，群里两句话。
「服务挂了，我重启一下。」
「先别，这个服务重启要五分钟。」
同一个动作，两个数字：一个按下去三十秒就回来了，一个按下去只算开始。
你在群里每隔两分钟问一次「好了吗」，工程师回的估计一次比一次含糊。
先问三句，代价就出来了
听到「重启一下」，先问三句。
- 现在跑着几台？挂了的那台，是不是唯一一台。
- 它手里有没有还没写下去的东西？
- 从起来到能接活，要多久？
三句问完，答案大致落在三种里的一种。
- 边聊边按：几台都在跑，它起来得比你说完这句话还快。
- 挑时间按：要么会丢东西，要么一按就是几分钟的空白。
- 按之前先叫人：只剩一台，或者一按就起不来。
这三句里，最容易被跳过的是第一句。工程师说的「挂了」，有时候指进程没了，有时候指进程还在、只是不回话。
01 起跑
「服务」这个词，工程师指的是一个进程。
Linux 上管服务的程序叫 systemd，它的文档把
.service 文件定义成「关于一个被它控制和监督的进程的信息」1。程序变成进程，中间差一步：磁盘上的程序是个文件，躺着不干活；让它干活，系统把这个文件读进内存，变成一段正在执行的代码 2。
程序是菜谱，进程是灶上正在做菜的那个厨师。菜谱能印一千份，灶上同时站着的厨师只有一个。
进程一跑起来，机器就拨给它一块自己的地方：正在处理的数据、打开的文件、算到一半的结果，都放在那儿。
你会听到：「进程没了。」「进程还在，但请求它不回。」
这两句要分开办。进程没了，缺的是一次重启；进程还在却不回请求，可能卡在等一个不来的东西上，重启只是把这段等待从头再走一遍。
问什么：是进程没了，还是进程在、但不回请求？
02 攥着
进程手里的东西，按放在哪儿分两种。
写在磁盘上的：上传的图片、存进数据库的订单。进程走了，这些还在。
只在内存里的：登录状态、填到一半的购物车、缓存的一份数据、还没发出去的消息。
内存是进程自己的草稿纸，进程一退，草稿纸就没了。
一个服务重启之后不需要知道「上次算到哪」，叫无状态；需要，叫有状态。
无状态像一个不用交接班的收银员，来谁都行；有状态像一个记着账的老板，换人之前得先对账。
内存数据库 Redis 的文档说得很直接：快照方式不持久，机器一停或者被强杀，最后写进去的数据就丢了。
用默认的快照设置，要备好丢最后几分钟数据 3。
你会听到：「重启会掉 session，用户得重新登录。」「这个先别动，队列里还有消息。」
问什么：重启会丢掉哪一块？那一块别处有没有存着？
03 就绪
进程在跑，和它能接活，是两件事。
它起来之后还要连数据库、读配置、把缓存填热。这段时间它活着，回答不了请求。
systemd 把这个区别写成了配置项。
Type=notify 的服务要自己发一句 READY=1，才算启动完成。容器这一层说得更直白。Kubernetes 的就绪检查（readiness probe）不过，这个实例就不接流量。这项检查只问一件事：它现在能不能开始接活。
启动检查（startup probe）专门留给起得慢的应用，最长等多久可以自己设。
文档里的例子给到 30 次 × 10 秒，也就是最多 5 分钟 4。
还有一层：活着检查（liveness probe）连续不过，容器会被杀掉重来 4。
所以有时候是它在替自己按重启，人最后一个知道。
你会听到：「起来了，还在预热。」「就绪没过，再等两分钟。」
问什么：从进程起来到就绪通过，差多久？这段时间用户看到什么？
04 分身
一个服务常常同时跑着好几份，一份叫一个实例。
理由很直接：一份挂了，别的接得住；升级时一份一份换，用户感觉不到。
Kubernetes 的部署（Deployment）就是这么干的，按
replicas 起若干份，滚动更新时默认保证至少 75% 的实例还在跑 5。能这么复制的前提，是每一份都接得住任何一份活；官方对部署的描述就是「通常是不保存状态的那种工作负载」5。
有状态的服务得另想办法，这里不展开。你只要记住一句：它不适合「随便挑一台重启」。
你会听到：「三台挂了一台，用户没感觉。」「现在就剩一台，这时候不能重启。」
问什么：现在几台在跑？重启一台，剩下的扛得住现在的量吗？
05 重启
systemctl restart 的定义只有一句：停掉，再起来 6。「停掉」有讲究。系统先给进程发一个信号（SIGTERM），意思是「把手上这单做完就收工」。
然后等一个宽限期，容器里默认 30 秒；到点还没走，发第二个信号（KILL）强制结束 7。
示意图由本文绘制。这台不接活的时间是收工、启动、预热三段加起来的，宽限期那 30 秒只占其中一段；滚动重启让人感觉不到，靠的是这段空白由别的实例接住。
被 KILL 的那一刻，02 节说的那张草稿纸就没了。
所以一次重启的时长 = 收工 + 启动 + 预热。工程师说的「五分钟」在后两段里，跟你按下按钮那一下隔着一整段。
还有一种情况让它更久：起不来的服务会被反复重试，间隔越拉越长。
systemd 可以配成 10 秒、20 秒、40 秒这样翻倍 1。
Kubernetes 里这个状态叫
CrashLoopBackOff，意思是它一直在崩、一直在重试 7。「怎么还没起来」有时候是它已经崩过五回了。
你会听到：「滚动重启，一台一台来。」「先摘流量，别硬重启。」「重启之后没起来，在 CrashLoopBackOff。」
摘流量，就是先让这一台停止接新单，等它把手上的做完再动手。
问什么：先摘流量再重启，还是直接重启？起不来会自己重试吗，间隔多久？
存下来当一张表
| 你听到的 | 多半指什么 | 你接着问 |
|---|---|---|
| 服务挂了，我重启一下 | 进程没了，或者进程在、不回请求 | 是进程没了，还是进程在、不回请求？ |
| 这个不能随便重启 | 内存里有还没写下去的东西 | 会丢哪一块？别处存着吗？ |
| 重启要五分钟 | 起来之后还要连库、预热 | 就绪什么时候过？这期间用户看到什么？ |
| 三台挂了一台，没事 | 还有别的实例在接 | 现在剩几台？扛得住吗？ |
| 滚动重启 | 一台一台换，其余照常接活 | 一次换几台？出事能回滚吗？ |
| 重启了还是不行 | 没过就绪，或者在崩溃重试 | 现在卡在哪一步？ |
怎么用
先问几台，再问丢不丢东西。这两句有答案，你就知道该催、该等，还是干脆拦住这一下。
重启弄丢的那一块叫内存，下一层从它讲起：一台机器的内存快满的时候，为什么先被杀的常常是你的服务。
References
- 1systemd.service 手册
freedesktop.org
- 2execve(2) 手册
man7.org
- 3Redis 文档：持久化
redis.io
- 4Kubernetes：配置存活、就绪与启动探针
kubernetes.io
- 5Kubernetes：Deployments
kubernetes.io
- 6systemctl 手册
freedesktop.org
- 7Kubernetes：Pod 生命周期
kubernetes.io
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.