第一章：技术债清查的底层逻辑与Golang后端治理范式
技术债并非代码缺陷的简单集合，而是系统在演进过程中因权衡短期交付压力与长期可维护性所累积的隐性契约损耗。在Golang后端场景中，其特殊性在于：静态类型与显式错误处理本应降低债务生成率，但泛型普及前的接口滥用、context传递不一致、defer误用、以及过度依赖全局变量或单例模式，反而催生了难以检测的“静默债务”。
技术债的三维识别模型
- 可观测维度：HTTP延迟P95突增、goroutine泄漏（
runtime.NumGoroutine()持续攀升）、GC pause >10ms频次上升； - 结构维度：
go list -f '{{.Deps}}' ./... | grep -c "github.com/xxx/legacy"统计陈旧模块引用深度； - 语义维度：函数命名含
hack/tempFix、注释出现TODO(2023)、// FIXME: race condition等信号词。
Golang专项清查工具链
使用 golangci-lint 配置自定义规则捕获高风险模式：
linters-settings:
govet:
check-shadowing: true # 检测变量遮蔽引发的逻辑歧义
staticcheck:
checks: ["all", "-SA1019"] # 启用全部检查，但禁用过时API警告（需人工判定）执行命令：
golangci-lint run --config .golangci.yml --out-format=tab --timeout=5m该命令输出带行号的制表符分隔结果，便于接入CI流水线自动拦截新增债务。
债务分级处置策略
| 风险等级 | 触发条件 | 响应动作 |
|---|---|---|
| 紧急 | pprof 显示 goroutine >10k |
立即熔断服务，启动 runtime.Stack() 快照分析 |
| 高 | 单测试文件覆盖率达 | 阻断PR合并，强制补充单元测试 |
| 中 | go mod graph 发现循环依赖 |
进入季度重构排期，拆分module |
债务清查不是一次性审计，而是将 go vet、staticcheck、unused 等工具嵌入 pre-commit 钩子，并通过 go:generate 自动生成依赖关系图谱，使技术债始终处于可度量、可追踪、可收敛的状态。
第二章：HTTP超时配置的13个风险点深度剖析
2.1 连接超时（DialTimeout）缺失导致goroutine泄漏的实战复现与pprof验证
复现场景构造
以下代码模拟未设 DialTimeout 的 HTTP 客户端：
client := &http.Client{
Transport: &http.Transport{
// ❌ 缺失 DialTimeout，DNS解析或SYN阻塞时goroutine永久挂起
DialContext: (&net.Dialer{}).DialContext,
},
}
resp, err := client.Get("http://slow-server.local") // 可能永不返回逻辑分析：
DialContext默认无超时，当目标域名无法解析或TCP握手卡在SYN-SENT状态时，底层net.Conn建立协程将无限等待，且http.Client不主动回收该 goroutine。
pprof 验证关键指标
| 指标 | 正常值 | 泄漏时表现 |
|---|---|---|
goroutine |
持续增长（+50+/min） | |
http.Transport.dial |
短暂存在 | runtime.gopark 占比 >80% |
根因链路
graph TD
A[client.Get] --> B[Transport.RoundTrip]
B --> C[DialContext]
C --> D[net.Dialer.DialContext]
D --> E{DialTimeout set?}
E -- No --> F[goroutine stuck in connect]
E -- Yes --> G[fast failure]2.2 读写超时（Read/WriteTimeout）未区分业务场景引发的长尾延迟放大效应
当统一配置 ReadTimeout=3s 和 WriteTimeout=3s 于所有 HTTP 客户端时，高吞吐低敏感型任务（如日志上报）与低容忍高价值任务（如支付确认）被迫共用同一超时策略，导致尾部延迟被系统性放大。
数据同步机制
// 错误示例：全局硬编码超时
HttpClient client = HttpClient.newBuilder()
.connectTimeout(Duration.ofSeconds(5))
.build();
// ⚠️ 所有请求共享相同超时，无法适配业务语义逻辑分析：connectTimeout 控制建连阶段，但 read/write 超时未显式设置——实际依赖底层 socket 默认值（常为无穷或极长），一旦后端偶发抖动，线程将阻塞直至 OS kill，加剧队列积压。
超时策略对比
| 场景 | 推荐 ReadTimeout | 风险若设为 3s |
|---|---|---|
| 支付回调 | 800ms | 误判失败，资金状态不一致 |
| 异步日志上报 | 5s | 过早中断，丢失可观测性 |
延迟传播路径
graph TD
A[客户端统一设 ReadTimeout=3s] --> B[支付接口偶发 3.2s 响应]
B --> C[触发超时重试 ×2]
C --> D[后端重复处理 → 幂等压力↑ → P99 延迟跳升 47%]2.3 Context超时链路断裂：从http.Client到net/http.Transport再到自定义RoundTripper的传递断层分析
HTTP客户端超时控制常因上下文（context.Context）在调用链中未被持续透传而失效。
超时传递断层示意图
graph TD
A[http.Client.Do] --> B[Transport.RoundTrip]
B --> C[custom RoundTripper.RoundTrip]
C --> D[net.Conn.DialContext]
style A stroke:#f66
style C stroke:#66f
click A "https://pkg.go.dev/net/http#Client.Do" _blank关键断点：Transport默认忽略Context
// ❌ Transport不主动读取ctx；仅当RoundTripper实现为*Transport时，才在内部调用dialer.DialContext
tr := &http.Transport{}
client := &http.Client{Transport: tr}
req, _ := http.NewRequestWithContext(context.WithTimeout(ctx, 5*time.Second), "GET", url, nil)
resp, _ := client.Do(req) // ✅ 此处ctx已传入req，但Transport若被包装则可能丢失逻辑分析：http.Request.Context() 仅保证 DialContext 和 TLS握手阶段可响应取消；若自定义 RoundTripper 未显式调用 ctx.Done() 或未将 ctx 传入底层连接/IO 操作，则超时即“断裂”。
常见修复模式
- ✅ 在自定义
RoundTripper.RoundTrip中检查ctx.Err()并提前返回 - ✅ 使用
http.DefaultTransport的DialContext/TLSHandshakeTimeout等字段协同控制 - ❌ 直接覆盖
Transport.RoundTrip却忽略req.Context()
| 组件 | 是否自动感知 context | 说明 |
|---|---|---|
http.Client.Do |
是 | 将 ctx 注入 req |
*http.Transport |
部分（仅 Dial/TLS） | 依赖 DialContext 实现 |
自定义 RoundTripper |
否（需手动实现） | 断层高发区 |
2.4 HTTP/2流级超时未显式控制导致连接复用失效与TIME_WAIT激增
HTTP/2虽支持多路复用，但若未显式配置流级超时（如 stream_idle_timeout），单个慢速或挂起的流会阻塞整条连接的回收。
流阻塞连接复用的典型场景
- 客户端发起多个并发请求，其中一请求因后端延迟未完成；
- 服务器等待该流超时（默认常为5分钟），期间连接无法被新请求复用；
- 连接池耗尽，新请求被迫新建TCP连接 → 大量短连接触发TIME_WAIT堆积。
关键配置缺失对比
| 配置项 | HTTP/2默认值 | 推荐值 | 影响 |
|---|---|---|---|
stream_idle_timeout |
300s（Nginx） | 15–30s | 控制空闲流生命周期 |
max_concurrent_streams |
128 | 按负载调优 | 防止单连接资源过载 |
# nginx.conf 片段：显式约束流生命周期
http {
http2_max_requests 1000; # 连接级请求数上限
http2_idle_timeout 60s; # 连接空闲超时
# ⚠️ 注意：Nginx 不直接暴露 stream_idle_timeout，
# 实际需通过 http2_max_requests + idle_timeout 协同控制流粒度
}上述配置中，
http2_idle_timeout 60s并非流级超时，而是连接级空闲阈值；真正影响流复用的是隐式流生命周期——当无活跃流且连接空闲超时后才关闭。若某流长期“假活跃”（如长轮询未结束），连接将无法释放，加剧TIME_WAIT。
graph TD
A[客户端发起10个HTTP/2流] --> B{第7流响应延迟}
B --> C[连接保持打开]
C --> D[其他9个流完成]
D --> E[连接无法复用，新请求建新TCP]
E --> F[TIME_WAIT套接字激增]2.5 超时配置硬编码在handler中违反十二要素原则：基于环境变量+Viper的动态加载实践
硬编码超时值（如 http.TimeoutHandler(h, 30*time.Second, "timeout")）使应用无法适配不同环境，直接违背十二要素应用“配置与代码分离”原则。
问题示例与重构对比
// ❌ 反模式：超时硬编码在 handler 中
func NewServer() *http.Server {
return &http.Server{
Addr: ":8080",
Handler: http.TimeoutHandler(
mux, 30*time.Second, "slow request", // ← 环境无关、不可变
),
}
}该写法导致测试环境需等待30秒才超时，而本地调试期望2秒；部署到高延迟边缘节点时又可能过早中断。所有变更必须重新编译发布。
动态加载方案
使用 Viper 结合环境变量实现解耦：
// ✅ 正确实践：从环境变量加载
viper.AutomaticEnv()
viper.SetEnvPrefix("APP")
viper.BindEnv("http.timeout_seconds", "HTTP_TIMEOUT_SECONDS")
timeoutSec := viper.GetInt("http.timeout_seconds")
if timeoutSec <= 0 {
timeoutSec = 30 // 默认兜底
}
timeout := time.Duration(timeoutSec) * time.Second
server := &http.Server{
Addr: ":8080",
Handler: http.TimeoutHandler(mux, timeout, "timeout"),
}逻辑说明：
viper.BindEnv("http.timeout_seconds", "HTTP_TIMEOUT_SECONDS")将配置键http.timeout_seconds映射至环境变量APP_HTTP_TIMEOUT_SECONDS；GetInt()自动类型转换并支持默认值回退，确保健壮性。
配置映射表
| 环境变量名 | 配置键 | 推荐值（秒） | 适用场景 |
|---|---|---|---|
APP_HTTP_TIMEOUT_SECONDS |
http.timeout_seconds |
2 |
本地开发 |
APP_HTTP_TIMEOUT_SECONDS |
http.timeout_seconds |
15 |
CI/CD 测试 |
APP_HTTP_TIMEOUT_SECONDS |
http.timeout_seconds |
45 |
生产高延迟区域 |
加载流程图
graph TD
A[启动应用] --> B{读取环境变量 APP_HTTP_TIMEOUT_SECONDS}
B -->|存在| C[解析为 int]
B -->|不存在| D[使用 Viper 默认值]
C --> E[构造 time.Duration]
D --> E
E --> F[注入 TimeoutHandler]第三章：重试机制的可靠性反模式识别与重构
3.1 幂等性缺失下的盲目重试：结合traceID与backend幂等键的自动拦截方案
当上游因网络抖动触发无差别重试，而下游服务未实现幂等控制时，重复写入、账户双扣等故障频发。核心破局点在于在网关层完成请求指纹识别与去重拦截。
数据同步机制
后端服务需透出幂等键生成规则（如 order_id:userId:timestamp），网关结合全链路 traceID 构建唯一请求指纹：
// 网关拦截器中构造幂等键
String idempotentKey = String.format(
"idemp:%s:%s",
traceID, // 全链路唯一标识，由OpenTracing注入
backendIdempotentKey // 来自请求header或body解析，如X-Idemp-Key
);该键经一致性哈希路由至Redis集群，TTL设为业务最大重试窗口（如5分钟），避免长尾key堆积。
拦截决策流程
graph TD
A[收到请求] --> B{Redis SETNX idempKey 1?}
B -- true --> C[放行，写入成功]
B -- false --> D[返回 409 Conflict]关键参数对照表
| 参数 | 示例值 | 说明 |
|---|---|---|
traceID |
0a1b2c3d4e5f6789 |
SkyWalking/Jaeger注入，保障链路可追溯 |
X-Idemp-Key |
ord_789:user_456:1717023456 |
业务语义键，由客户端生成并透传 |
- 拦截粒度精准到单次请求，不依赖下游改造
- Redis原子操作保障高并发下拦截一致性
3.2 指数退避参数固化引发雪崩：基于实时RTT估算的adaptive retry策略实现
当重试策略采用固定指数退避（如 base=100ms, max_retries=5），网络抖动或服务端临时过载时，大量客户端在同一退避周期内集中重试，形成请求脉冲，加剧下游压力。
RTT驱动的动态退避建模
核心思想：以滑动窗口内实时RTT均值（μ）与标准差（σ）为基准，动态生成退避间隔：
backoff = clamp(μ + k·σ, min_backoff, μ × 2)，其中 k=1.5 抑制噪声，clamp 防止过长等待。
Adaptive Retry 实现（Go片段）
func adaptiveBackoff(rttHist *slidingWindow) time.Duration {
mu, sigma := rttHist.MeanStd()
base := time.Duration(mu + 1.5*sigma)
return clamp(base, 50*time.Millisecond, 2*time.Second)
}逻辑分析：slidingWindow 维护最近64次成功请求RTT；MeanStd() 增量计算避免全量遍历；clamp 确保下限防高频冲击、上限控延迟感知。参数 1.5 来自A/B测试中P99延迟与重试成功率的帕累托最优点。
| 场景 | 固定退避P99延迟 | Adaptive P99延迟 | 重试成功率 |
|---|---|---|---|
| 正常RTT=80ms | 320ms | 180ms | 99.2% |
| RTT突增至200ms | 320ms（失配） | 350ms（自适应） | 98.7% |
| 网络抖动（σ↑300%） | 请求雪崩 | 自动拉长退避窗口 | 95.1% |
graph TD
A[请求失败] --> B{是否超时？}
B -->|是| C[记录本次RTT]
C --> D[更新滑动窗口统计]
D --> E[计算μ, σ]
E --> F[生成adaptive backoff]
F --> G[定时重试]3.3 重试边界混淆：跨服务调用vs本地DB操作的语义隔离与错误分类决策树
重试不是万能开关——关键在于错误语义归属。网络超时（可重试）与唯一键冲突（不可重试）虽同为 500，但语义截然不同。
错误分类决策树核心维度
- 是否具备幂等性前提（如 idempotency key 已携带）
- 错误是否源于外部不确定性（网络、下游服务）vs 内部确定性约束（DB unique_violation、check constraint）
- 调用链路是否跨越进程/网络边界
# 示例：带语义标签的重试策略选择器
def select_retry_policy(error: Exception, call_type: str) -> RetryPolicy:
if call_type == "http":
if isinstance(error, (Timeout, ConnectionError)):
return ExponentialBackoff(max_attempts=3)
elif isinstance(error, HTTPStatusError) and error.response.status_code == 409:
return NoRetry() # 冲突非临时，重试无意义
elif call_type == "db":
if "unique_violation" in str(error):
return NoRetry() # 本地事务失败，非瞬态
return DefaultRetry()逻辑分析：
call_type显式区分调用域，避免将 DB 约束异常误判为网络抖动；NoRetry()对409 Conflict和unique_violation的统一拦截，强制语义对齐。
| 错误类型 | 跨服务调用 | 本地DB操作 | 重试建议 |
|---|---|---|---|
ConnectionResetError |
✅ | ❌（不可能） | 推荐 |
IntegrityError |
❌ | ✅ | 禁止 |
DeadlineExceeded |
✅ | ⚠️（仅限异步驱动） | 按上下文判定 |
graph TD
A[捕获异常] --> B{调用类型？}
B -->|HTTP/gRPC| C[查HTTP状态码/GRPC code]
B -->|DB execute| D[解析数据库错误码]
C --> E[4xx → 不重试；5xx → 按子类决策]
D --> F[SQLSTATE 23xxx → 不重试；57014 → 可重试]第四章：熔断与降级的生产级落地陷阱与工程化封装
4.1 熔断器状态机误判：滑动窗口统计精度不足导致的误熔断，基于Hystrix-go改进的采样压缩算法
传统 Hystrix-go 的滑动窗口采用固定时间分片（如10个1s桶），在低QPS场景下易因样本稀疏导致成功率计算失真。
核心问题：稀疏统计放大噪声
- 请求量
- 状态机据此误判为“持续失败”，触发非必要熔断
改进方案：指数加权采样压缩（EWSC）
// 每次请求动态更新压缩统计量
func (s *EWSC) Update(success bool) {
s.total++
s.weightedSuccess = s.weightedSuccess*0.95 + float64(bool2int(success))*0.05 // α=0.05
s.successRate = s.weightedSuccess / float64(s.total)
}逻辑分析：
α=0.05实现近似100次衰减周期的长时记忆；bool2int将布尔结果转为0/1，避免整数除零；weightedSuccess以浮点累积替代离散桶计数，消除窗口边界抖动。
| 统计方式 | 低QPS稳定性 | 内存开销 | 熔断响应延迟 |
|---|---|---|---|
| 原始滑动窗口 | 差 | O(n) | 高 |
| EWSC压缩算法 | 优 | O(1) | 自适应 |
graph TD
A[原始请求流] --> B{滑动窗口分桶}
B --> C[稀疏桶→成功率跳变]
C --> D[误熔断]
A --> E[EWSC动态加权]
E --> F[平滑successRate]
F --> G[精准状态跃迁]4.2 降级策略静态化：基于Feature Flag + OpenTelemetry指标驱动的动态降级开关系统
传统硬编码降级逻辑难以响应实时业务压力。本方案将降级决策权从代码中解耦，交由 Feature Flag 系统统一管控，同时以 OpenTelemetry 上报的 http.server.duration 和 rpc.client.error_count 指标为触发依据。
核心架构流程
graph TD
A[服务请求] --> B{OTel SDK采集指标}
B --> C[指标流式推送到Prometheus]
C --> D[Prometheus Alertmanager触发规则]
D --> E[更新Flagd服务中的feature flag状态]
E --> F[应用通过OpenFeature SDK实时读取开关]动态开关配置示例
# feature-flag.yaml
flags:
payment-service.fallback-to-cache:
state: ENABLED
variants:
enabled: true
disabled: false
targeting:
- context: "production"
match: "http_server_duration_p95 > 1500 OR rpc_error_rate > 0.05"此配置声明：当生产环境 P95 响应延迟超 1500ms 或 RPC 错误率超 5% 时，自动激活缓存降级开关。
match表达式由 OpenFeature 的flagd扩展解析，依赖 Prometheus 中预聚合的 OTel 指标。
关键指标映射表
| OpenTelemetry 指标名 | 语义含义 | 降级触发阈值 |
|---|---|---|
http.server.duration (p95) |
HTTP 接口长尾延迟 | > 1500 ms |
rpc.client.error_count (1m) |
每分钟远程调用错误数 | > 30 |
process.runtime.memory.used |
JVM 堆内存使用量 | > 85% |
4.3 熔断恢复期无渐进放量：实现带预热权重的半开状态探测器与并发控制网关
传统熔断器在 HALF_OPEN 状态下直接全量放行请求，易引发雪崩反弹。本方案引入预热权重机制，使探测流量随时间平滑增长。
预热权重计算逻辑
def calc_warmup_weight(elapsed_ms: int, warmup_duration_ms: int = 30_000) -> float:
"""线性预热：0ms→0.1，30s→1.0"""
if elapsed_ms <= 0:
return 0.1
return min(1.0, 0.1 + 0.9 * (elapsed_ms / warmup_duration_ms))逻辑分析：起始赋予 10% 基础探测权重（防冷启动冲击），每毫秒线性递增，30 秒达满载；参数 warmup_duration_ms 可动态配置，适配不同服务响应特征。
并发控制网关决策流程
graph TD
A[请求到达] --> B{熔断器状态？}
B -->|CLOSED| C[直通]
B -->|OPEN| D[拒绝]
B -->|HALF_OPEN| E[加权采样]
E --> F[权重<rand()？拒绝]
E --> G[权重≥rand()？放行+统计]半开状态探测指标
| 指标 | 说明 | 采样策略 |
|---|---|---|
| 成功率 | 近10个探测请求成功率 | 固定窗口 |
| P95延迟 | 探测请求延迟上限 | 滑动窗口 |
| 并发探针数 | 同时允许的最大探测请求数 | 动态限流器控制 |
4.4 降级兜底逻辑未覆盖panic路径：defer-recover与sentinel fallback的双保险设计
当业务方法因空指针、切片越界等触发 panic，仅依赖 Sentinel 的 fallback 无法捕获——因其运行在 AOP 代理层，panic 会穿透拦截器直接中断 goroutine。
双保险协同机制
defer-recover拦截 goroutine 级 panic，保障进程存活- Sentinel fallback 处理可预测异常（如 RPC 超时、限流），返回兜底数据
func callWithDualFallback(ctx context.Context, req *Req) (*Resp, error) {
defer func() {
if r := recover(); r != nil {
log.Warn("panic recovered", "reason", r)
metrics.IncPanicCount()
}
}()
// Sentinel entry with fallback
entry, err := sentinel.Entry("service-call", sentinel.WithBlockFallback(fallback))
if err != nil {
return fallback(ctx, req, err) // fallback for block
}
defer entry.Exit()
// actual call that may panic
resp, err := riskyCall(req)
if err != nil {
return resp, err
}
return resp, nil
}逻辑分析：
defer-recover在函数末尾注册，确保任何位置 panic 均被捕获；sentinel.Entry在调用前建立熔断上下文，fallback仅响应BlockError等可控异常。二者无调用耦合，形成正交防护。
| 防护层 | 拦截类型 | 触发时机 | 兜底动作 |
|---|---|---|---|
defer-recover |
runtime panic | goroutine 崩溃时 | 日志+指标+静默恢复 |
| Sentinel fallback | 业务异常/限流 | 方法执行前/中 | 返回预设兜底值或空对象 |
graph TD
A[业务方法] --> B{是否panic?}
B -->|是| C[defer-recover捕获并记录]
B -->|否| D[Sentinel检查规则]
D -->|允许| E[执行真实调用]
D -->|拒绝| F[触发fallback函数]第五章：checklist工具开源说明与企业级接入指南
开源许可证与代码仓库结构
本 checklist 工具采用 Apache License 2.0 开源协议，源码托管于 GitHub 组织 ent-checklist 下的主仓库 core-engine（https://github.com/ent-checklist/core-engine）。仓库采用模块化分层设计：`/cli提供命令行交互入口，/schema定义 YAML 格式校验规范（含 JSON Schema 验证器），/integrations` 包含 Jenkins、GitLab CI、Argo CD 的适配插件。截至 v2.4.0 版本，已支持 17 类基础设施模板（如 Terraform v1.5+、Kustomize v5.0+）和 9 类安全基线（CIS Kubernetes v1.28、PCI-DSS v4.0）。
企业私有化部署关键配置项
企业接入需覆盖以下核心配置路径：
| 配置文件位置 | 必填字段示例 | 用途说明 |
|---|---|---|
conf/enterprise.yaml |
tenant_id: "acme-prod-001" |
多租户隔离标识 |
conf/auth.yaml |
oidc_issuer: "https://auth.acme.internal" |
对接内部身份认证系统 |
conf/storage.yaml |
backend: "s3"bucket: "acme-checklist-logs" |
审计日志持久化至私有对象存储 |
CI/CD 流水线嵌入实战案例
某金融客户在 GitLab CI 中集成该工具，通过以下 .gitlab-ci.yml 片段实现 MR 合并前自动拦截不合规变更：
stages:
- validate
validate-checklist:
stage: validate
image: registry.acme.internal/checklist:v2.4.0
script:
- checklist validate --config .checklist.yaml --scope infra --fail-on-warn
artifacts:
paths:
- reports/checklist-report.json配合自定义 .checklist.yaml，强制要求所有 Kubernetes Deployment 必须设置 resources.limits.memory >= 512Mi 且 securityContext.runAsNonRoot: true，单次流水线平均拦截率提升至 34%。
与内部 CMDB 的双向同步机制
通过 cmdb-sync 插件，工具可周期性拉取 CMDB 中的资产标签（如 env=prod, owner=payment-team），并反向写入执行结果至 CMDB 的 checklist_status 字段。同步过程基于 gRPC 协议加密通信，使用双向 TLS 认证，心跳间隔可配置为 30s～5m。某电商客户在 200+ 微服务集群中启用后，配置漂移发现时效从小时级缩短至 92 秒内。
审计合规报告生成流程
flowchart LR
A[触发 report 命令] --> B{读取执行历史}
B --> C[聚合多环境扫描结果]
C --> D[按 ISO 27001 控制项映射]
D --> E[生成 PDF + Excel 双格式报告]
E --> F[自动归档至合规知识库]报告包含可追溯的执行链路：原始 YAML 文件哈希、操作人 LDAP ID、CI 流水线 ID、节点 IP 及时间戳。某政务云项目使用该能力，一次性通过等保三级现场核查中“配置核查”全部 23 项子指标。
权限最小化实践建议
生产环境部署时，建议创建专用 service account 并绑定 RBAC 规则：
apiVersion: rbac.authorization.k8s.io/v1
kind: Role
metadata:
namespace: checklist-system
name: checklist-reader
rules:
- apiGroups: [""]
resources: ["pods/log", "configmaps"]
verbs: ["get", "list"]
- nonResourceURLs: ["/healthz"]
verbs: ["get"]