现场是这样的。站点整个返回 502，错误日志里写没有可用的上游节点，可后端进程明明在跑，端口也能连通。
排查方向其实有限，先把可能性排一排。健康检查判定失败，节点被临时摘除；后端响应超时时间设得太短，正常请求也被判失败；上游地址解析失败或者写错端口。
第一件事是看上游状态和失败原因
grep -n 'no live upstreams' /var/log/nginx/error.log直接测后端连通性
curl -I http://127.0.0.1:9000/health随后核对上游配置和失败判定
nginx -T | grep -A5 upstream调整失败重试与超时
grep -n max_fails /etc/nginx/conf.d/app.conf白天有业务在跑，能验证的部分都压到了晚上做。
当时还开着另一个排查窗口，两边日志对照着看才定位到。
同一份数据我导出了两份，一份留底，一份拿来试。
恢复的判定其实很直接。上游节点恢复为可用，502 消失，健康检查连续通过。
这里还有个坑。健康检查接口本身超时也会把节点摘掉，判定参数要结合后端真实响应时间设置，别照抄模板。如果同一现象隔几天又出现，说明根因没找到，别当偶发处理。