mirror of
https://gitee.com/xmz7891/ykxmz.git
synced 2026-10-19 10:40:44 +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 +1,193 @@
|
||||
#!/bin/bash
|
||||
# 看门狗第三版：两个信号都查。
|
||||
#
|
||||
# 为什么还要改：
|
||||
# 第二版只看 cloudflared 的 ha_connections 指标。
|
||||
# 但"僵死连接"会把指标维持在 1 —— 计数还在，实际早断了。
|
||||
# 这种时候看门狗以为一切正常，一直不管。
|
||||
# （今早就遇到一次：浏览器 1033，指标却说有 1 条连接）
|
||||
#
|
||||
# 这一版：
|
||||
# 信号 A：ha_connections == 0 -> 记一次"零连接"
|
||||
# 信号 B：公网 /v1/health 打不通 -> 记一次"公网不通"
|
||||
# 任一信号连续 2 次 -> 重启隧道
|
||||
# 另外：隧道日志超过 10 分钟没新行 + 公网不通 -> 判定进程卡死，重启
|
||||
set -u
|
||||
|
||||
RELAY_DIR=/root/lanremote-relay
|
||||
URL_FILE="$RELAY_DIR/public_url.txt"
|
||||
STATE_FILE="$RELAY_DIR/watchdog.state"
|
||||
TUNNEL_LOG="$RELAY_DIR/tunnel.log"
|
||||
METRICS=http://127.0.0.1:20241/metrics
|
||||
LOG_TAG=lanremote-watchdog
|
||||
|
||||
# 连续几次公网不通才重启。
|
||||
# 设 3（约 60 秒）而不是 2：短抖动让 cloudflared 自己重连就好，
|
||||
# 频繁重启反而让它一直停在"正在重连"的状态。
|
||||
THRESHOLD=3
|
||||
STALE_MINUTES=10 # 日志多久没动静算卡死
|
||||
# 两次重启之间至少隔这么久（秒）。
|
||||
# 实测隧道重建只要 30~40 秒，原来设 120 秒太保守 ——
|
||||
# 真断的时候会干等（日志里出现过"距上次重启才 118 秒，先不重启"，
|
||||
# 结果多断了 2 分钟）。
|
||||
# 设 45 秒：既够 cloudflared 把连接建起来，又不会干等太久。
|
||||
# 两次重启至少隔这么久。
|
||||
# 150 秒不是拍脑袋：隧道在差的 4G 上重建 4 条连接要 30~60 秒，
|
||||
# 原来设 45 秒会导致**隧道还没建齐就被下一次重启打断**，
|
||||
# 永远停在只剩 1 条连接的状态（实测死循环，每 50 秒重启一次）。
|
||||
# 给足宽限期，让它有机会稳定下来。
|
||||
MIN_RESTART_GAP=150
|
||||
GRACE=150
|
||||
|
||||
log() {
|
||||
logger -t "$LOG_TAG" "$1"
|
||||
echo "[$(date '+%m-%d %H:%M:%S')] $1"
|
||||
}
|
||||
|
||||
read_state() {
|
||||
local key="$1" default="$2" value=""
|
||||
if [ -f "$STATE_FILE" ]; then
|
||||
value=$(grep "^$key=" "$STATE_FILE" 2>/dev/null | cut -d= -f2)
|
||||
fi
|
||||
[ -n "$value" ] && echo "$value" || echo "$default"
|
||||
}
|
||||
|
||||
# 状态文件现在存三样：
|
||||
# zero —— 连续降级次数
|
||||
# fail —— 连续失败次数
|
||||
# built —— 本次重启后有没有建齐过（1=建齐过）
|
||||
write_state() {
|
||||
printf 'zero=%s\nfail=%s\nbuilt=%s\n' "$1" "$2" "${3:-0}" > "$STATE_FILE"
|
||||
}
|
||||
|
||||
LAST_RESTART_FILE="$RELAY_DIR/watchdog.last_restart"
|
||||
|
||||
restart_tunnel() {
|
||||
local why="$1"
|
||||
local now last gap
|
||||
now=$(date +%s)
|
||||
last=0
|
||||
[ -f "$LAST_RESTART_FILE" ] && last=$(cat "$LAST_RESTART_FILE" 2>/dev/null || echo 0)
|
||||
gap=$((now - last))
|
||||
|
||||
# 连接数归零 = 真的断了，不是抖动 —— 这种不受间隔限制
|
||||
local conns_now
|
||||
conns_now=$(timeout 5 curl -s --max-time 4 "$METRICS" 2>/dev/null \
|
||||
| grep '^cloudflared_tunnel_ha_connections' | awk '{print $2}')
|
||||
if [ "${conns_now:-1}" != "0" ] && [ "$gap" -lt "$MIN_RESTART_GAP" ]; then
|
||||
# 刚重启过还没到间隔：这次先不重启，
|
||||
# 让 cloudflared 自己把连接建起来（它本来就在重试）。
|
||||
log "$why —— 但距上次重启才 ${gap} 秒（下限 ${MIN_RESTART_GAP} 秒），先不重启"
|
||||
write_state 0 0 "${BUILT:-0}"
|
||||
exit 0
|
||||
fi
|
||||
|
||||
log "$why —— 重启隧道（距上次 ${gap} 秒）"
|
||||
echo "$now" > "$LAST_RESTART_FILE"
|
||||
systemctl restart lanremote-tunnel
|
||||
write_state 0 0 0
|
||||
sleep 25
|
||||
log "重启后地址: $(cat "$URL_FILE" 2>/dev/null || echo '（还没拿到）')"
|
||||
exit 0
|
||||
}
|
||||
|
||||
ZERO=$(read_state zero 0)
|
||||
FAIL=$(read_state fail 0)
|
||||
BUILT=$(read_state built 0)
|
||||
|
||||
# ---------- 信号 A：cloudflared 自报的连接数 ----------
|
||||
CONNS=$(timeout 5 curl -s --max-time 4 "$METRICS" 2>/dev/null \
|
||||
| grep '^cloudflared_tunnel_ha_connections' | awk '{print $2}')
|
||||
[ -z "$CONNS" ] && CONNS=""
|
||||
|
||||
# 连接数达到 3 条以上就算"建齐过"。
|
||||
# 记在状态文件里，跨多次检查保留 —— 这样即使后面掉到 1 条，
|
||||
# 我们也知道"它本来是能建齐的"。
|
||||
if [ -n "$CONNS" ] && [ "$CONNS" -ge 3 ] 2>/dev/null; then
|
||||
if [ "$BUILT" != "1" ]; then
|
||||
log "本次已建齐 ${CONNS} 条连接"
|
||||
fi
|
||||
BUILT=1
|
||||
fi
|
||||
|
||||
# ---------- 信号 B：公网真的通吗 ----------
|
||||
URL=$(cat "$URL_FILE" 2>/dev/null | tr -d '\r\n')
|
||||
CODE="000"
|
||||
if [ -n "$URL" ]; then
|
||||
CODE=$(timeout 20 curl -4 -s -o /dev/null -w '%{http_code}' \
|
||||
-H 'User-Agent: LanRemote/1.4.0' "$URL/v1/health" 2>/dev/null)
|
||||
CODE=${CODE:-000}
|
||||
fi
|
||||
PUBLIC_OK=0
|
||||
[ "$CODE" = "200" ] && PUBLIC_OK=1
|
||||
|
||||
# ---------- 信号 C：日志僵死了吗 ----------
|
||||
LOG_STALE=0
|
||||
if [ -f "$TUNNEL_LOG" ]; then
|
||||
LAST=$(stat -c %Y "$TUNNEL_LOG" 2>/dev/null || echo 0)
|
||||
NOW=$(date +%s)
|
||||
if [ "$LAST" -gt 0 ] && [ $((NOW - LAST)) -gt $((STALE_MINUTES * 60)) ]; then
|
||||
LOG_STALE=1
|
||||
fi
|
||||
fi
|
||||
|
||||
# ---------- 判断 ----------
|
||||
if [ "$PUBLIC_OK" = "1" ]; then
|
||||
# 公网通就是真的通，计数器清零
|
||||
if [ "$ZERO" != "0" ] || [ "$FAIL" != "0" ]; then
|
||||
log "公网恢复（HTTP 200），计数清零（之前 zero=$ZERO fail=$FAIL）"
|
||||
fi
|
||||
write_state 0 0 "${BUILT:-0}"
|
||||
exit 0
|
||||
fi
|
||||
|
||||
# 公网不通 —— 看是哪种原因
|
||||
DETAIL="HTTP $CODE"
|
||||
[ -n "$CONNS" ] && DETAIL="$DETAIL，ha_connections=$CONNS"
|
||||
|
||||
if [ "$LOG_STALE" = "1" ] && [ "$FAIL" -ge 1 ]; then
|
||||
restart_tunnel "日志 ${STALE_MINUTES} 分钟没动静加上公网不通（进程卡死）"
|
||||
fi
|
||||
|
||||
FAIL=$((FAIL + 1))
|
||||
# 连接数 <= 1 也算"降级"。
|
||||
#
|
||||
# 原来是 == 0 才算，但实测**只剩 1 条连接时跨机房回源就会失败**
|
||||
# （用户撞上的 530 就是这种：请求落 SEA，隧道只剩 LAX 一条）。
|
||||
# 所以 1 和 0 一样危险，都计入降级计数。
|
||||
DEGRADED=0
|
||||
if [ -n "$CONNS" ] && [ "$CONNS" -le 1 ] 2>/dev/null; then
|
||||
ZERO=$((ZERO + 1))
|
||||
DEGRADED=1
|
||||
fi
|
||||
|
||||
log "公网不通（$DETAIL），连续第 $FAIL 次（降级 $ZERO 次）"
|
||||
|
||||
# 公网不通 + 连接数已经降到危险区 = **确认的故障**，不是短抖动。
|
||||
# 这种情况立刻重启，不等攒够 3 次 —— 每次检查间隔 20 秒，
|
||||
# 等 3 次就是白断 40 秒。
|
||||
if [ "$DEGRADED" = "1" ]; then
|
||||
# 宽限期内不重启 —— 让上一次重启有机会把连接建齐。
|
||||
# （不加这条会死循环：隧道还没建齐就被再次打断。）
|
||||
LAST_R=$(cat "$LAST_RESTART_FILE" 2>/dev/null || echo 0)
|
||||
SINCE=$(( $(date +%s) - LAST_R ))
|
||||
|
||||
# 但要看「这次重启后建齐过没有」：
|
||||
# 建齐过（>=3 条）又垮下来 = 链路本来能撑住，现在是真故障
|
||||
# -> 不用再等宽限期，立刻重启
|
||||
# 从没建齐过 = 它还在努力建
|
||||
# -> 继续等，别打断它
|
||||
if [ "${BUILT:-0}" = "1" ]; then
|
||||
restart_tunnel "公网不通，且本次重启后曾建齐过连接（确认故障，立即重启）"
|
||||
elif [ "$SINCE" -lt "$GRACE" ]; then
|
||||
log "公网不通且只剩 ${CONNS} 条连接，但本次重启还没建齐过（${SINCE}/${GRACE} 秒）—— 继续等它建"
|
||||
else
|
||||
restart_tunnel "公网不通且 ${SINCE} 秒都没建齐（链路或边缘有问题，重启试试）"
|
||||
fi
|
||||
fi
|
||||
|
||||
if [ "$FAIL" -ge "$THRESHOLD" ] || [ "$ZERO" -ge "$THRESHOLD" ]; then
|
||||
restart_tunnel "连续 $FAIL 次公网不通（含 $ZERO 次降级）"
|
||||
fi
|
||||
|
||||
write_state "$ZERO" "$FAIL" "$BUILT"
|
||||
Reference in New Issue
Block a user