mirror of
https://gitee.com/xmz7891/ykxmz.git
synced 2026-10-18 12:30:44 +00:00
修「经中转几次后永久哑掉」——「按一下没反应」的真因
== 现象 ==
用户报：
* 局域网能搜到电脑，IP/端口/配对码都对，连上后**没有任何反应**
* 走中转「已配对」，但点按钮没反应
局域网那一半已经修过（preferLan）。这次抓到的是**经中转**那一半，
而且比预想的严重得多。
== 证据链（插桩复现出来的）==
被控端日志里直接抛了未捕获异常，线程当场死：
Exception in thread client-relay:
server.py:407 session.send(reply)
relay.py:166 self._link.send_to_client(data)
relay.py:357 self._post("/v1/agent/send", ...)
relay.py:766 raise RelayError(f"请求失败: {last_error}")
lanremote.relay.RelayError: 请求失败: Idle
之后的状态：
* client-relay 线程没了 —— 电脑再也不往手表回任何东西
* relay-link 线程还活着、还在长轮询 —— 中转那边看着「设备在线」
* **手表看到的就是「连上了，但按一下毫无反应」**
写入仓库的测试 _tests/test_relay_local.py 一直是这个形状：
前面几项 PASS、跑到经中转发命令就卡死。之前没人深挖。
== 根因 1：一条 HTTP/1.1 连接被两个线程同时用 ==
_post() 里锁只包住「取连接」那一段：
with self._http_lock:
connection = self._http # 锁到这里就放了
try:
connection.request("POST", ...) # 锁外发请求
于是两个线程会同时用同一条 connection：
* relay-link 线程跑 /v1/agent/poll —— 长轮询，一条请求挂 180 秒
* client-relay 线程同时 POST /v1/agent/send
HTTP/1.1 一条连接同一时刻只能有一个在途请求，第二个线程一进来
就撞上 http.client 状态机，抛 CannotSendRequest("Idle")。
_post 的「重试一次」也救不了：它 _drop_http() 之后，另一个线程
手里还攥着那条旧连接对象在发，照样坏。
修法：
* **发命令用独立连接**（_post 加 dedicated 参数）。
长轮询那条常年被占着，发命令不该去挤它，各走各的。
* 两条连接各自一把锁**锁住整个「发请求 + 读响应」周期**，
不再只锁取连接那一下。
* 普通请求若发现缓存连接正忙（长轮询在途），临时另开一条用完即关。
* _drop_http(dedicated=) 区分清哪条；finally 里一定归还占用
（否则那条连接会被永久标记为忙）。
== 根因 2：回包失败会打死整个会话线程 ==
server.py 的 _client_loop 里：
if reply is not None:
session.send(reply) # <- 不在任何 try 里
...
except OSError: # <- 外层只捕获 OSError
pass
而中转链路上 send 抛的是 RelayError，直接冒出去把线程打死。
**死一次就永久哑**，代价太大。
修法：session.send() 单独兜住所有异常，失败就断开这个会话
（让手表重连），绝不让线程消失。外层也补一个兜底 except。
== 修复效果 ==
修复前：pair OK -> ping OK -> ping 卡死 -> 线程崩溃，永久哑
修复后：pair 21ms -> ping 82ms -> ping 4ms -> ping 6ms，零异常
_tests/test_relay_local.py：**之前完全卡死 -> 现在 21/21 全过**
这个测试之前一直是红的，说明「35 个阶段的回归全绿」这件事
本身就不成立过 —— 某个阶段卡住时看起来像环境问题而不是缺陷。
== 同批修掉验证阶段找到的其它问题 ==
1. **TTL 清理 + 关掉接入开关 = 设备永久锁死**（严重）
register() 用 `device_id in self.devices` 判断老设备，但超时清理
把设备从 devices 和 codes 都删了。电脑关机过夜（必然 > 6 小时）
第二天开机就会被自己的开关挡住，而且**重启也救不回来**
（清 codes 时没落盘，重启后又当孤儿清一遍，自我维系）。
管理员在页面上还看不到这台设备，不知道该放开谁。
修法：状态文件里单独存 knownDevices 设备历史，超时清理绝不动它；
register 改查这份历史；清理后补 _save()；delete_device 才真正忘记。
2. **管理页 JS 语法错误 -> 所有按钮失效**（严重）
admin.py 里 ADMIN_JS 是普通三引号字符串，我在 Python 源码里写的
`\n` 被变成真实换行，拼进 JS 就是字符串里的裸换行 ->
整段 <script> 不执行 -> 改码/删除/批量删除/全选全变幽灵按键。
元凶是我加改码功能那次提交。改成 `\\n`。
3. **--relay / --relay-status 崩溃**（严重）
RelayLink.start(url) 的 url 是必填参数，我把默认地址改空白时
run_agent.py 两处调用没跟着改。一处被 try 吞成「测试失败：missing
1 required positional argument」（用户以为地址填错了），
一处直接报栈。两处都补上 url。
4. 非法 deviceId（控制字符 / 路径分隔符）现在被拒（白名单：
字母数字 + - _ . :）
5. enable_relay() 第二次调用不再谎报成功（加 RelayLink.running 属性，
返回值反映真实运行状态；不再用「对象建过没有」判断）
6. snapshot() 清孤儿码后补 _save()，磁盘和内存不再脱节
== 局域网全面优化（task-2，另一个智能体完成）==
4 个真问题：
* **网段判断写死 /24** —— 在 /16 网络上 10.8.1.5 和 10.8.2.5
被判成不同网络，明明能直连却去走中转还费流量。
改成按网卡真实掩码比较。
* **广播只发一个包** —— 丢一个就整轮搜不到。改成 5 个时间点重发。
* **只探一个网段** —— 多网卡手表搜不到另一网段的电脑。改成全探。
* **走中转之后再也回不到局域网** —— 出门再回家永远挂中转。
新增定期回切（先便宜地 TCP ping，通了才动真格，
不破坏正在工作的中转连接）。
实测：局域网握手 2ms、50/50 = 100%、中位 0ms。
（跨网络那半之前拿不到数字，就是被上面那个线程崩溃挡住的 ——
现已修复。）
顺带：instance.py 单实例锁端口加 YKXMZ_LOCK_PORT 覆盖（默认不变）。
用户自己那台被控端正跑在这台机器上占着 8767/TCP + 8766/UDP，
是这次排查里好几个「测试怎么都不通」的根因。
== 服务端一键部署脚本（task-1，另一个智能体完成）==
relay/deploy.sh + relay/deploy-tune.sh，随服务端 zip 发布：
* 自动检查并安装 cloudflared
* 部署程序、装 4 个 systemd 服务、网络调优、配隧道、自检打公网地址
* **不传 --hostname 且没有 TUNNEL_TOKEN 时明确提示要填**，
不会静默用一个写死的域名（用户明确说过这个中转站是他自己用的，
不对外开放，绝不能把私人域名烧成默认值）
* 重跑 = 升级，已有数据/配对码/管理密码/凭据都不动
顺带修了发布包一直缺 site_shots/ 的老 bug
（package_remote.py 用 iterdir()+is_file() 收文件，目录进不去，
新机器装完官网截图全是 404）。
== 默认中转地址改成空白 ==
用户要求：软件默认不带任何中转地址，由用户自己填。
四处硬编码全部清空（server.py / MainActivity.java / run_agent.py /
relay.py 的注释和文档示例），全仓已无非注释的硬编码地址。
== 文档同步（task-5，另一个智能体完成）==
README / BEFORE-INSTALL / AFTER-INSTALL / 打包模板：
* 新增「软件里不带任何中转地址」告示，讲清跨网络要自己部署
* 修正 Android 版本（写的是 9.0/API28，实际 API 24 / Android 7.0）
* 删掉「地址已经内置好了」（现在是错的）
* AGENT_README 原来把作者自己的中转地址当成「内置地址」发给用户，已重写
* RELAY_README 原来写「两条隧道同时跑会互相争抢」，
和真机/CHANGELOG 矛盾；按实测改成「两种协议同时在跑（故意的）」
This commit is contained in:
xmz7891
@@ -0,0 +1,100 @@
|
||||
#!/bin/bash
|
||||
# 1) 给两个隧道实例显式钉死 --metrics 端口
|
||||
# 2) 验证钉死之后端口↔实例的对应关系不再翻转
|
||||
#
|
||||
# 问题复盘：
|
||||
# 两个服务的 ExecStart 都没写 --metrics，于是都用 cloudflared 的默认值 20241。
|
||||
# 正常情况下先起的那个拿到 20241、后起的自动退到 20242，
|
||||
# 看起来"主=20241 副=20242"是稳的 —— 但这是**巧合**，靠的是启动顺序。
|
||||
#
|
||||
# 实测暴露：跑 A/B 时我把主实例 stop 掉，20241 空出来，
|
||||
# 接着重启副实例，副实例就绑上了 20241。
|
||||
# 于是"20241 是谁"变成了不确定 ——
|
||||
# watchdog 和所有按端口读指标的脚本全会读错实例。
|
||||
#
|
||||
# 修法：显式指定，不让它自己选。
|
||||
set -u
|
||||
|
||||
MAIN=/etc/systemd/system/lanremote-tunnel.service
|
||||
H2=/etc/systemd/system/lanremote-tunnel-h2.service
|
||||
STAMP=$(date +%s)
|
||||
cp -a "$MAIN" "$MAIN.bak.metrics.$STAMP"
|
||||
cp -a "$H2" "$H2.bak.metrics.$STAMP"
|
||||
|
||||
pin_metrics() {
|
||||
local f="$1" port="$2" name="$3"
|
||||
python3 - "$f" "$port" <<'PYEOF'
|
||||
import re, sys
|
||||
from pathlib import Path
|
||||
path, port = Path(sys.argv[1]), sys.argv[2]
|
||||
text = path.read_text(encoding="utf-8")
|
||||
# 已有 --metrics 就先去掉
|
||||
text = re.sub(r"\s*--metrics\s+\S+", "", text)
|
||||
# 在 ExecStart 的 cloudflared tunnel 后面插进去
|
||||
text = re.sub(r"(ExecStart=/usr/local/bin/cloudflared tunnel)",
|
||||
r"\1 \\\n --metrics 127.0.0.1:" + port,
|
||||
text, count=1)
|
||||
path.write_text(text, encoding="utf-8")
|
||||
PYEOF
|
||||
echo " $name -> 127.0.0.1:$port"
|
||||
}
|
||||
|
||||
echo "════════ 1. 钉死端口 ════════"
|
||||
pin_metrics "$MAIN" 20241 "lanremote-tunnel（quic）"
|
||||
pin_metrics "$H2" 20242 "lanremote-tunnel-h2（http2）"
|
||||
|
||||
echo
|
||||
echo " 改后的 ExecStart:"
|
||||
for f in "$MAIN" "$H2"; do
|
||||
echo " ── $(basename "$f") ──"
|
||||
grep -A9 'ExecStart=' "$f" | sed 's/^/ /'
|
||||
done
|
||||
|
||||
echo
|
||||
echo "════════ 2. 重启并验证 ════════"
|
||||
systemctl daemon-reload
|
||||
systemctl restart lanremote-tunnel lanremote-tunnel-h2
|
||||
sleep 20
|
||||
|
||||
check_map() {
|
||||
for p in $(pgrep cloudflared); do
|
||||
cg=$(cat /proc/$p/cgroup 2>/dev/null | head -1)
|
||||
svc=$(basename "$cg" 2>/dev/null | sed 's/\.service$//')
|
||||
port=$(ss -tlnp 2>/dev/null | grep "pid=$p" | grep -oE '127\.0\.0\.1:2024[0-9]' | head -1)
|
||||
proto=$(tr '\0' ' ' < /proc/$p/cmdline 2>/dev/null | grep -oE '\-\-protocol [a-z0-9]+')
|
||||
echo " $svc -> ${port:-（没绑）} $proto"
|
||||
done
|
||||
}
|
||||
|
||||
echo " 重启后的对应:"
|
||||
check_map
|
||||
|
||||
echo
|
||||
echo "════════ 3. 关键验证：停掉主实例，副实例还会不会抢 20241 ════════"
|
||||
systemctl stop lanremote-tunnel
|
||||
sleep 8
|
||||
systemctl restart lanremote-tunnel-h2
|
||||
sleep 12
|
||||
echo " 主实例已停、副实例刚重启后的对应:"
|
||||
check_map
|
||||
echo " （期望：h2 仍然在 20242，不去抢 20241）"
|
||||
|
||||
echo
|
||||
echo " 恢复主实例:"
|
||||
systemctl start lanremote-tunnel
|
||||
sleep 15
|
||||
check_map
|
||||
|
||||
echo
|
||||
echo "════════ 4. 端口各报什么 ════════"
|
||||
for port in 20241 20242; do
|
||||
body=$(curl -s --max-time 4 "http://127.0.0.1:$port/metrics" 2>/dev/null)
|
||||
if [ -z "$body" ]; then
|
||||
echo " 端口 $port: 无响应"
|
||||
continue
|
||||
fi
|
||||
echo " 端口 $port: ha_connections=$(echo "$body" | grep '^cloudflared_tunnel_ha_connections' | awk '{print $2}') quic指标=$(echo "$body" | grep -ci quic)"
|
||||
done
|
||||
|
||||
echo
|
||||
echo " 备份: $MAIN.bak.metrics.$STAMP $H2.bak.metrics.$STAMP"
|
||||
Reference in New Issue
Block a user