客户反馈 App 挂后台十分钟回来就要重新建连,日志里的断开时间几乎卡在 600 秒,误差不到一秒。这种整数一定是某个设备的空闲计时器,不是网络抖动。
链路是手机到云 SLB,再到 Nginx 和 Java 服务。Nginx 的 keepalive_timeout 是 75s,理论上 75 秒就该断,实际却活了十分钟,说明中间有设备在替我们保活,或者 Nginx 那段根本没走长连接。proxy_read_timeout 是 60s,管的是读超时,和空闲断连不是一回事,先排除。
用 ss 看 443 上停留的连接,再抓包看谁先发 FIN。
ss -tnp state established '( dport = :443 )' | head
sysctl net.ipv4.tcp_keepalive_time
net.ipv4.tcp_keepalive_time = 7200
抓包结果是断之前没有任何 FIN 或 RST,客户端下一次写数据直接超时重传,重传五次后报错。这是典型的会话表被中间设备静默老化,包被丢了,两端都不知道。
先试过把 Nginx keepalive_timeout 调到 900,没用,断点还是 600。又试了应用层每 30 秒发一次心跳,连接能活住,但心跳包本身在空闲五分钟后开始丢,说明老化点就在 600 秒这一层,心跳间隔太稀疏兜不住。
最后按谁最短谁说话对齐:SLB 监听器空闲超时改成 900s,Nginx keepalive_timeout 设 540s,让它先于中间设备回收;内核侧打开 TCP 保活,把默认 7200 秒压到 300 秒开始探测,间隔 30 秒探 3 次。这样即使中间设备不通知,内核也能提前发现死连接并重建。
客户端那边也加了重连退避,第一次 1 秒,之后翻倍,封顶 30 秒,避免集中重连把新连接打满。
改完连续跑了三天,600 秒断连的记录归零。副作用是 NAT 会话表条目变多,防火墙并发数涨了约 8%,还在容量内。
