1.
概述与方案选择
本段给出可行的两类快速切换方案：DNS级别切换（适用于跨不同云/不同机房的VPS，依赖DNS提供商API，切换速度受TTL影响）和网络级/浮动IP切换（适用于同一供应商或有BGP支持的场景，切换更快但实施复杂）。本文以Prometheus+blackbox进行健康监控，Cloudflare API实现DNS自动切换为主，并补充同机房可用的Keepalived+HAProxy方案。
小分段：1) 方案对比；2) 推荐场景；3) 需准备的权限（SSH key、API token）。
2.
准备工作与清单
列出所有VPS节点清单（IP/主机名/用途/优先级），准备一台管理/监控服务器（可以是另一台VPS或本地机），并在Cloudflare或类似DNS服务上确保域名已托管且你有API权限。此外准备SSH密钥、sudo权限和一个稳定的公网管理IP。
小分段：1) 收集节点信息表格；2) 申请Cloudflare API Token（建议限制域名权限）；3) 在管理机生成并分发SSH公钥。
3.
在每台VPS上配置基础监控代理
在每台VPS上安装node_exporter以便Prometheus抓取主机指标，步骤（以Debian/Ubuntu为例）：sudo useradd -rs /bin/false node_exporter；下载并解压node_exporter二进制，放置/usr/local/bin；创建systemd服务文件并启动、enable服务。验证：curl http://localhost:9100/metrics。
小分段：1) node_exporter安装命令示例；2) systemd服务模板；3) 本地验证命令。
4.
部署Prometheus与blackbox-exporter（监测HTTP/TCP/ICMP）
在管理机上安装Prometheus并配置scrape_targets包括每台VPS的node_exporter端点，同时部署blackbox_exporter用于外部HTTP/HTTPS/TCP/ICMP探测。Prometheus的scrape_configs示例需包含blackbox job并在arg中传入目标。
小分段：1) prometheus.yml示例（node_exporter + blackbox probe）；2) blackbox_exporter安装与probe配置；3) 重启并访问Prometheus UI验证targets为UP。
5.
编写实际的健康检查脚本与告警规则
如果业务是HTTP/HTTPS，使用blackbox探测，写Prometheus告警规则例如：当连续3次probe失败时触发。告警通过Alertmanager到Webhook。Webhook接收后调用自定义脚本（例如切换DNS或触发failover）。
小分段：1) 示例Prometheus告警规则（expr、for、labels）；2) Alertmanager配置将alert POST到Webhook；3) Webhook脚本接口说明。
6.
实现DNS自动切换（Cloudflare API 示例）
适用场景：跨云或无法使用浮动IP时实现快速切换。步骤：1) 在Cloudflare申请API token并保存；2) 写一个健康回调脚本 health_switch.sh，当接到告警会调用Cloudflare API修改A记录的IP或调整权重；3) 设置TTL为60或更低以加快生效（注意缓存问题）。
小分段：包含一个简化的bash示例（需替换ZONE_ID、RECORD_ID、API_TOKEN）：
curl -X PUT "https://api.cloudflare.com/client/v4/zones/$ZONE_ID/dns_records/$RECORD_ID" \
-H "Authorization: Bearer $API_TOKEN" -H "Content-Type: application/json" \
--data '{"type":"A","name":"example.com","content":"NEW_IP","ttl":60,"proxied":false}
'
注意：先做dry-run并在非生产环境验证DNS更新和解析生效时间。
7.
同机房或同云的Keepalived + HAProxy快速切换方案
当所有VPS支持同一私有网络或浮动IP时，可用keepalived实现VRRP浮动VIP，HAProxy做负载/故障转移。步骤：1) 在每台作为候选主的VPS安装keepalived并配置vrrp_instance，设置priority高者为master；2) HAProxy配置后端为本地应用；3) 当master故障，VRRP切换VIP到backup机器，流量无缝接续。
小分段：1) keepalived.conf示例（virtual_router_id、priority）；2) HAProxy基本配置；3) 测试方法（关闭master网卡模拟故障）。
8.
自动化与可靠性提升（脚本、systemd、重试策略）
把Webhook触发的切换脚本做成可重入、具备幂等性，并在管理机上通过systemd或容器运行Webhook服务。加入重试机制（exponential backoff），并在切换前做二次验证（再次ping/HTTP校验确认节点真实不可达），切换后执行健康探测确认新主可用。
小分段：1) 幂等性要点（先读现有DNS再决定是否更新）；2) 切换前后通知（Slack/邮件/日志）；3) 回滚策略与人工干预接口。
9.<3>问：如果我的DNS提供商不是Cloudflare，该如何改造脚本？
答：原则相同，关键是该提供商是否提供可用的API。替换API调用部分即可。步骤：阅读对方API文档，获取API Key/Token，尝试用curl做一次查询/更新记录的操作，确认URL、请求头与JSON格式，再把Webhook脚本中Cloudflare相关curl替换为目标API调用，保留幂等检查与重试逻辑。
10.<3>问：如何在多地域降低切换延迟与避免DNS缓存问题？
答：可尽量将TTL设置低（如60秒），但不可完全依赖TTL——一些DNS解析器仍有缓存。更可靠的方法是使用Anycast CDN/负载均衡或在各区域使用本地VIP/Keepalived，同时通过全球流量管理（GTM）或健康路由服务实现近实时切换。此外在业务允许范围内实现客户端重试逻辑也能缓解短期切换影响。
11.<3>问：实施前有哪些测试项与验收标准？
答：测试清单应包括：1) 异常注入测试（停止主节点服务/断网）并观察监控与告警触发；2) 自动切换是否在预期时间内完成（DNS切换时间或VRRP切换时间）；3) 切换后业务可用性与数据一致性验证；4) 回滚测试（恢复原主并观测是否自动切回或手动回流）；5) 监控报警的准确率与误报率评估。
来源：自动化监控多个 vps美国节点 健康状况并快速切换的实现方法
