tcp_keepalive_time 7200 秒 中间设备 300 秒清表怎么对齐

门店 POS 的长连接有个怪现象,空闲五分钟后第一次操作必然失败,第二次就好。全国 300 多家店,每天累计几百次,收银员都习惯了先点两下。

在服务端抓包,失败前那条连接是被对端发 FIN 断的,FIN 来自中间的防火墙,不是客户端也不是服务端。防火墙的空闲会话超时写的 300 秒,到点直接清表。

服务端这边 tcp_keepalive_time 是内核默认的 7200 秒,两个小时才发第一个探测包。中间设备早把会话清掉,服务端还认为连接活着,写进去的数据被静默丢弃,直到应用自己超时才报错。

第一反应是应用层加心跳。60 秒一次,流量不算大,可部分门店是 2G 备份线路,心跳和业务抢带宽,卡顿更明显,只能把间隔拉到 180 秒。

试过只改 tcp_keepalive_time,改到 600 秒。还是不行,600 大于 300,设备照样先清。参数必须小于中间设备的最短空闲时间,而且要留出重试余量。

最后按三层对齐。内核空闲 120 秒、间隔 30 秒、重试 3 次,最坏 210 秒能发现死连接。nginx 的 keepalive_timeout 设 300,proxy_read_timeout 设 180,应用心跳保持 180 秒。

sysctl -w net.ipv4.tcp_keepalive_time=120
sysctl -w net.ipv4.tcp_keepalive_intvl=30
sysctl -w net.ipv4.tcp_keepalive_probes=3
ss -to state established '( sport = :9000 )'

ss 输出的 timer 那列能看到 keepalive 倒计时。改完再跑一遍,倒计时从七千多秒变成一百多秒,确认参数落到了连接上。

一周后失败率从 0.9% 掉到 0.02%,剩下的基本是门店路由器断电。这套参数后来推到所有长连接服务,唯一例外是数据库,它自己的心跳已经够勤,别重复配。

您可以还会对下面的文章感兴趣: