app.get('/healthz', async (req, res) => {
const startTime = Date.now();
try {
// 1. Verificăm DB cu timeout strict de 2 secunde
await Promise.race([
db.raw('SELECT 1'),
new Promise((_, reject) =>
setTimeout(() => reject(new Error('DB_TIMEOUT')), 2000)
)
]);
// 2. Evaluăm event loop lag-ul estimativ
const lag = Date.now() - startTime;
if (lag > 1000) {
return res.status(503).json({ status: 'degraded', lag });
}
return res.status(200).json({ status: 'healthy', lag });
} catch (err) {
return res.status(503).json({ status: 'unhealthy', error: err.message });
}
});PM2 arată verde în terminal, pm2 status raportează mândru online, dar pe Slack începe panica: utilizatorii primesc 504 Gateway Timeout. Am pățit mizeria asta pe un API de facturare cu vreo 14k cereri pe oră, unde două din patru worker-e din cluster erau complet blocate, iar PM2 nu avea nicio tresărire.
Problema e simplă: PM2 verifică doar dacă procesul la nivel de sistem de operare (PID-ul) încă trăiește. Dacă bucla ta de evenimente (event loop) e blocată de un regex prost sau dacă pool-ul de conexiuni către Postgres e mort și refuză cereri noi, pentru PM2 procesul tău e perfect sănătos.
Ce prinde PM2 din cutie (și ce ignoră complet)
Nativ, PM2 este un babysitter de bază. Reînvie procesul dacă iei un uncaughtException fatal sau dacă process.exit(1) este declanșat. Dacă setezi max_memory_restart: '800M', îl restartează când depășește pragul de RAM.
Ce ignoră complet:
- Event loop lag: procesul răspunde, dar după 12 secunde;
- Conexiuni zombie: baza de date a tăiat conexiunea, dar driverul nu a făcut cleanup și pool-ul e plin;
- Deadlock-uri asincrone sau promise-uri agățate la nesfârșit.
Pe scurt: PID-ul există în /proc, deci PM2 presupune că ești bine mersi.
Cum construiești un endpoint de verificare fără capcane
Mai jos e abordarea pe care o pun pe orice API Node.js înainte să atingă staging-ul. Verificăm două lucruri critice: dacă putem rula un SELECT 1 rapid pe baza de date și dacă event loop-ul nu este sugrumat.
Important: setează mereu un timeout dur pe verificarea bazei (maxim 2-3 secunde). Dacă baza ta e în genunchi și query-ul de healthcheck stă agățat 30 de secunde, endpoint-ul de verificare nu face decât să consume resurse aiurea.
Trade-off-ul unui healthcheck agresiv
Sună tentant să bagi verificări pentru Redis, S3, Stripe și coada de RabbitMQ în același endpoint. Nu face asta. Dacă pica Stripe timp de 2 minute, nu vrei ca Nginx sau PM2 să-ți restarteze în buclă toate nodurile de backend.
Un healthcheck bun testează doar dependențele interne critice fără de care instanța nu poate procesa nicio cerere (de obicei doar conexiunea primară la baza de date și memoria/event loop-ul). Dacă pica un serviciu terț, tratezi eroarea local cu fallback, nu omori procesul.
Un alt risc real: dacă pui restart automat la healthcheck picat pe mașini cu trafic mare, riști „efectul de domino”. Un spike brusc de trafic crește event loop lag-ul la 150ms, healthcheck-ul pică, workerul e omorât, iar traficul se varsă peste workerii rămași, omorându-i pe rând.
Voi cum gestionați detecția workerilor zombie pe serverele clasice cu PM2? Vă bazați pe un cron extern sau ați migrat verificarea direct în Nginx upstream?