xmz7891/ykxmz
1
0
Fork 0
mirror of https://gitee.com/xmz7891/ykxmz.git synced 2026-10-18 17:10:43 +00:00
Code Issues Packages Projects Releases Wiki Activity
75 Commits 1 Branch 18 Tags
fa2e1ae43c5976ba08cf3f00a1531ad4640d9050
Commit Graph
75 Commits
This Branch
This Branch
All Branches
Author SHA1 Message Date
xmz7891 fa2e1ae43c 补充：那个 JS bug 在做完修复之后又踩了一次（同一个坑，第二次） 
在真实中转上实测管理页时，node --check 报第 46 行语法错。
出事的是注释：

    // ⚠ 这里必须是 \\n（反斜杠+n），不能是 \n ——
                                      ^^^^ 被 Python 变成真换行

**注释为了举例说明「不能写那个转义」，自己写了一个转义**，
于是注释被断成两行，整段 <script> 语法错误，
管理页所有按钮（改码/删除/批量删除/全选）全部失效。

修法：注释改成一个转义序列都不写，只用文字描述。

新增两道防线：
  * _tests/test_admin_js_syntax.py（回归阶段 3a6）
    本地渲染管理页 -> node --check。不连中转就能查出来。
  * _tests/test_admin_live.py
    真实中转上走 HTTP 实测两个功能（16/17 通过，唯一失败就是这个 bug）。
    它依赖线上设备，不进回归套件。

原来那个「管理页 JS 合法性」阶段只查 token 在不在，查不出语法错。
「测过」和「能用」是两件事 —— 这句话这轮被验证了两次。

部署时机：发现时 relay-stability 正在跑隧道 A/B，部署要重启中转
会打断对照，所以故意押后到对照跑完。
 2026-10-07 20:34:06 +08:00
xmz7891 d5a0bd951d remove temp 2026-10-07 20:33:28 +08:00
xmz7891 d907fdcf6e 🚨 修一个严重 bug：管理页所有按钮又失效了（同一个坑踩第二次） 
== 症状 ==

在**真实中转**上实测管理页时，用 node --check 检查页面内嵌的 JS：

    SyntaxError: Invalid or unexpected token  (第 46 行)

整段 <script> 不执行 -> 改码 / 删除 / 批量删除 / 全选 全部变幽灵按键。

**这正是用户之前报过的那个 bug，加新功能时又踩了一遍。**

== 根因（讽刺到极点）==

admin.py 的 ADMIN_JS 是**普通三引号字符串**，里面写一个反斜杠+n
会被 Python 解释成**真实换行**。而 JS 的行注释 // 不能跨行 ——
一断行，后面就成了裸文本，整段脚本语法错误。

出事的是这段注释：

    // ⚠ 这里必须是 \\n（反斜杠+n），不能是 \n ——
                                      ^^^^
                       这个 \n 被 Python 变成真换行

**注释为了举例说明「不能写 \n」，自己写了一个 \n。**
于是注释被断成两行，把整段 JS 弄坏了。

== 修法 ==

注释改成**一个转义序列都不写**，只用文字描述：

    // ⚠ 下面 prompt 里的换行，必须写成「反斜杠 + n」两个字符。
    //   本文件是普通三引号字符串：只写反斜杠 + n，Python 会把它
    //   变成**真实换行** ... （一个转义都不出现）

并把"踩过两次"的历史写进注释，提醒后人别再来第三次。

== 新增两个测试（防止再犯）==

1. `_tests/test_admin_js_syntax.py`（已注册为回归阶段 3a6）
   **本地渲染管理页**，把 <script> 抠出来喂给 `node --check`，
   还检查注释行里有没有裸控制字符。

   为什么原来查不出来：已有的「管理页 JS 合法性」阶段只检查
   token 在不在，不查语法 —— 「23 项测试通过」和「功能能用」
   是两件事。

2. `_build/scan_admin_escapes.py`
   扫源文件里"注释下一行不像 JS 代码"的可疑断行。

3. `_tests/test_admin_live.py`
   在**真实中转**上走 HTTP 实测两个新功能（不能进回归套件，
   因为它依赖线上设备）：
     一、管理页能打开（带 X-Admin 头绕开登录页）
     二、页面里真的有 allowNew 和改码按钮
     三、内嵌 JS 语法合法
     四、关掉接入开关 -> 新设备被拒 -> 打开 -> 能注册（实测通过）
     五、改配对码 -> 真的变了（实测通过）
     六、不带 X-Admin 访问管理接口返回 401（实测通过）

   实测结果：16/17 通过（唯一的失败就是上面那个 JS bug，
   已修，本地渲染 6/6 通过）。

== 顺带纠正一个我自己的误解 ==

我一开始只带 `?key=` 访问管理页，拿到的是**登录页**，
还以为是设备上部署了旧版本。实际是管理页改成了
**账号 + 密码登录 + Cookie 会话**（用户要求），
脚本通道用 `X-Admin` 头（见 relay.py 的 _admin_gate）。

== 部署时机 ==

**故意没有立刻部署到设备上** —— 部署要重启中转服务，
会打断 relay-stability 正在跑的隧道配比 A/B 对照。
等对照跑完（约 22:00）再部署并复测。
 2026-10-07 20:33:27 +08:00
xmz7891 f7b9f2a058 remove temp 2026-10-07 20:29:58 +08:00
xmz7891 490adbdba3 补充 2 小时长测的最终数据（361 样本 / 1 小时 44 分） 
可用率 356/361 = 98.61%
    耗时   最小 829  中位 1280  P90 2386  P99 14242

长测原定 2 小时，实际跑到 1 小时 44 分停了 ——
设备在 19:11 换网段（192.168.10.105 -> 192.168.2.156），
测量脚本随之断开。361 个样本足够说明问题。

改之前是 96~98%，现在 98.61%，且失败不集中在某个时段。
 2026-10-07 20:29:58 +08:00
xmz7891 243c1c3f76 remove temp msg file 2026-10-07 20:29:37 +08:00
xmz7891 41bf110e22 修 devssh：定义了 HOST_FALLBACKS 却从来没用过 
随身 WiFi 跟着教室网络走，地址会在 192.168.2.156 和
192.168.10.105 之间变。devssh.py 里明明定义了 HOST_FALLBACKS，
但 run / upload / download 三个函数**全都直接用 HOST** ——
于是设备一换网段就全部连不上，而且报的是连接超时，
看起来像设备挂了。

现在改成按候选列表顺序试：
    环境变量 YKXMZ_DEV_HOST 优先
    -> 192.168.2.156（当前）
    -> 192.168.10.105（换网前用过）
并记住上次通的那个，后续调用不用每次从头试。
连上时打一行 `[devssh] 连上 x.x.x.x`，免得以后又搞不清连的是哪台。

还加了 `--probe` 子命令，一句话看现在哪个地址能用：

    python _build/devssh.py --probe

实测：192.168.2.156 通、192.168.10.105 不通，自动选中前者。
 2026-10-07 20:29:37 +08:00
xmz7891 75c15f793c remove temp msg 2026-10-07 19:03:46 +08:00
xmz7891 035c2cc4c5 补充连接数时间线证据：双协议兜底确实起作用 
86 个采样点 / 约 1.5 小时：

    QUIC:   最低 1  最高 8  平均 7.5
    HTTP/2: 最低 1  最高 2  平均 2.0

    QUIC 塌陷（<= 2 条）只有 2 次，占 2.3%
    塌陷时 HTTP/2 一直是 >= 1 条（2/2 = 100%），归零 0 次

    QUIC 连接数分布：
      8 条  76.7%
      7 条  15.1%
      6 条   3.5%
      5 条   2.3%
      1 条   2.3%   <- 塌陷（1.5 小时里约 2 分钟）

一次典型塌陷的时间线也记下来了（watchdog 日志）：
重启把中断从「可能几分钟」缩到 26 秒。

目标「0 掉线」做不到 —— 4G 链路上 QUIC 会周期性塌陷。
但影响被压到 2.3% 的窗口，而且 HTTP/2 全程兜住。

教训：多行中文提交信息里有引号时，PowerShell 的 -m 参数会被吃掉。
一律写进文件再用 -F 提交。
 2026-10-07 19:03:45 +08:00
xmz7891 4cc368431c 新增 docs/优化实测数据.md：本轮所有优化的实测数字汇总 
每一项都写清楚「改之前是多少、改之后是多少、怎么测的、受什么限制」，
以后有人问「这个改动到底有没有用」能直接翻数字，不用靠感觉。

内容包括：
  * 测量方法上的两个坑（从哪台机器测差很多、curl -I 验证 GET 是错的）
  * 下载吞吐 41 倍（含改之前/之后对照）
  * 隧道稳定性：配比对照表、QUIC 72% 拨号率的真因、
    MTU 1400 的效果、长时可用率
  * 长轮询 30 次数据（中位 61439ms）
  * 端到端延迟：局域网 0ms vs 本地中转 15ms
  * 局域网优化的四个真问题
  * 「按一下没反应」的完整证据链和根因
  * 独立验证发现的 9 个问题
  * 测试工具自己骗人的两次
  * 服务端部署脚本的三套测试
  * **没做到的部分**（98.5% 可用率的物理限制，如实记录）

这份是内部工程文档，已加进对外清洁度检查的允许清单
（和 docs/项目规矩.md、docs/双平台发布.md 同类）。
 2026-10-07 19:02:57 +08:00
xmz7891 0ee91b68de 清理误提交的测试数据目录 + 扩展 .gitignore 2026-10-07 19:01:33 +08:00
xmz7891 e61bae80ca 移除提交时残留的临时消息文件 2026-10-07 18:42:27 +08:00
xmz7891 da40f7572c 同步部署脚本智能体的收尾改动 + 恢复被误删的文件 
== 部署脚本（另一个智能体的收尾）==

* deploy.sh 默认两个隧道 unit 都 enable：
    主 lanremote-tunnel      quic  + 8 条 + --metrics :20241
    副本 lanremote-tunnel-h2 http2 + 2 条 + --metrics :20242
  --protocol 支持 both（默认）/ quic / http2，非法值退出码 2
* metrics 端口在两个 unit 里都显式钉死 ——
  实测停掉主实例再重启副实例时，副实例会抢 20241，
  于是 watchdog 和所有按端口读指标的脚本全部读错实例
* MTU/MSS 收成单一出处：net-tune.sh 唯一负责 MSS 1360 + 接口 MTU 1400，
  deploy-tune.sh 只管 keepalive + 开机加速并调用 net-tune.sh。
  这样就不存在"谁后跑谁赢"
* 按需重启：程序和 unit 都用 cmp 比对，一样就不落盘、不重启、
  不 daemon-reload（幂等重跑不再打断正在服务的连接）
* 顺手修了一个会咬人的坑：单独用 --port 9090 时原来只改 unit 不改
  config.yml，隧道会回源到 8080，现象是"隧道通了但一访问就 502"
* 域名：不传 --hostname 且 config.yml 里没有 hostname 时明确停下来
  要输入，不猜、不写 config、不启隧道

测试（三套全绿，实测数字）：
  _build/test_deploy_sh.sh        110 通过 / 0 失败（Windows 沙箱）
  _build/test_zip_deploy.sh        30 通过 / 0 失败（从发布 zip 解压再跑）
  _build/test_deploy_device.sh     39 通过 / 0 失败（真机 Debian aarch64）
真机那套桩掉了 systemctl/iptables/ip/sysctl/nmcli
（--prefix 只隔离写文件，不隔离命令副作用），
第 8 节专门验证线上零影响：relay/tunnel/h2 全 active、
MTU=1400、MSS 规则数、keepalive 测前测后完全一致。

== 恢复被误删的文件 ==

排查过程中有人用通配符清了 $env:TEMP\tmp.*，而 Git Bash 的 /tmp
正映射到那个 Windows 目录，导致两个被 git 跟踪的文件被删：
  _build/insert_stub_checks.py
  _build/inspect_pathtest.sh
已从 git 恢复。

教训：用通配符删临时文件很危险，尤其是 /tmp 在 Windows 上
映射到共享目录时。改成只删明确列出的文件名。

== 清理 ==

删掉这轮调试产生的临时输出（reg3.txt / td1.txt / td2.txt 等），
不让它们进仓库。
 2026-10-07 18:42:21 +08:00
xmz7891 e611b07fb1 纠正一个传出去的错误结论：不是「运营商封了 UDP」 
我在给部署脚本的指示里写过：

    实测这条线路上运营商对 UDP 有限制 ——
    12 个 Cloudflare edge IP：TCP 12/12 通、UDP 0/12 通

它照这个把注释写进了 relay/deploy.sh。

**但这个测量是无效的。** relay-stability 后来自己纠正了：
那个 UDP 探测包是手搓的简化包，格式不对，
Cloudflare 本来就不该回应它 —— 「0/12 无回应」什么都证明不了。

用 cloudflared --loglevel debug 跑临时实例，真相是：

    UDP Connectivity  region1/region2  PASS  QUIC connection successful
    SUMMARY: Environment is healthy. cloudflared will use 'quic'
    Registered tunnel connection        （握手 1 秒）

**UDP 完全通。**

真因是：QUIC 建连要 6+ 个包往返，而 TCP 的 SYN 只有 3 个包、
内核还会按 1s/2s/4s 激进重传。约 5.4%/包 丢包下：

    (1 - 0.054)^6 ≈ 72%     <- 和实测的 72% 对得上

所以 QUIC 的弱点在「连不上」，不在「连上之后不好」；
一旦连上，它没有 TCP 的跨流队头阻塞，反而更稳。

结论的**用途**没变（还是要两条协议一起跑），但留着错误的根因注释会：
  * 误导后人以为 UDP 被封 -> 可能做出「干脆别用 QUIC」的错误决定
  * 掩盖真正可优化的方向（QUIC 握手对丢包敏感是链路物理属性，
    只能靠 HTTP/2 兜底来绕，不是「运营商限制」）

改动：relay/deploy.sh 两处、_build/test_deploy_sh.sh 一处。

教训记一笔：**手搓协议包去探测可达性非常容易得出错误结论** ——
那个包格式不对，对方根本没义务回应。要么用官方工具的自检
（cloudflared 自己会打 UDP Connectivity PASS/FAIL），
要么别下结论。
 2026-10-07 18:22:19 +08:00
xmz7891 cc5891e6d0 修局域网/中转对比基准：它自己有两个 bug，害产品背了黑锅 
这个基准一直是红的（中转那条路报「连接阶段失败: timed out」），
而且报告里写着"这是中转链路的产品 bug"。**查下来不是产品的问题。**

== bug 1：两条路用了同一个配对码 ==

基准为了排除互相干扰，给两条路**各起一台全新被控端**（设计是对的），
但两台都用了写死的 code="246813"。

中转有「一个配对码只属于一台设备」的规则：
  第 1 台（跑局域网）注册成功
    -> stop_agent 杀掉进程，但**中转还以为它在线**（last_seen 没过期）
  第 2 台（跑中转）用同一个码注册 -> **被拒**
     中转日志：配对码 246813 已被 ... 占用，拒绝 ...
  而 start_agent 只检查"有没有设备在线" —— 第 1 台僵尸还挂着，
  于是**以为新的一台登记成功了**
  -> 没有任何进程在回包 -> 超时

对照实验（新增 _build/verify_code_reuse.py）：
  场景 A 同一个码   -> **不通**
  场景 B 各用不同码 -> 通

修法：两条路各用不同码；start_agent 的判据从"有没有在线设备"
      改成"有没有**配对码正好是这一台要用的码**的在线设备"。

== bug 2：attach 用的还是旧码（我第一版补丁也漏了这处）==

relay_connect() 里 `client.attach(code)` 用的还是局域网那个码 ——
attach 到一台已经死掉、但中转以为在线的设备上，pair 自然没人回。

修成 `attach(relay_code)`。

== 顺带更新一段过时注释 ==

原文写着「当前版本经中转只稳定支撑前 1~2 次交互……这是中转链路的
产品 bug」，并据此把中转的轮数调小、超时调短。

那个 bug **已经修好了**（根因：一条 HTTP/1.1 连接被长轮询和发命令
两个线程同时用，撞状态机抛 CannotSendRequest("Idle")，
异常冒到 _client_loop 外面把 client-relay 线程打死）。
注释不更新会误导后人以为产品还有这个问题。

== 修好之后的实测（本地中转，30 次/路）==

    局域网  握手 16ms  成功 30/30 (100%)  中位  0ms  P90  0ms  最大  1ms
    中转    握手 46ms  成功 30/30 (100%)  中位 15ms  P90 29ms  最大 32ms

这是本地中转，量的是**协议本身的开销**（长轮询往返 vs 直连 TCP）；
真实跨网络那条腿的 1.0~1.5 秒来自隧道和 4G，是另一回事。

结论：局域网确实是"毫秒级、不耗流量"的那条根本路径 ——
中位 0ms vs 15ms，而且不走任何外网。

踩坑记录：这两处都是"看起来像产品 bug、实际是测试自己的 bug"。
先怀疑测量工具，比先怀疑产品更省时间 ——
上一次（管理页缓存头）也是我拿 curl -I 测 GET 白查了半天。
 2026-10-07 18:20:57 +08:00
xmz7891 aac43e559d 修正 MTU 测试的过时断言（1500 -> 1400） 
test_net_tune.py 原来断言 net-tune.sh 里写着 mtu 1500，
依据是更早一次实测「接口 MTU 降到 1400 会掉到 50%」。

那个结论后来被推翻了 —— 当时漏了一件事：
**MSS 钳制只管 TCP，QUIC 走 UDP 完全不受保护。**
路径 MTU 实测 1472（1500 的包不通），QUIC 默认发 ~1452 的包会被
中间设备静默丢掉，而 UDP 丢了不回 ICMP，只能等超时。
把接口 MTU 压到 1400 之后，QUIC 建齐 10 条连接从 28 秒缩到 12 秒。

所以现在是**故意**设 1400。断言跟着改，
不然它会永久假失败，还会诱导后人把真正的改进改回 1500。

顺带记录：全量回归 38 个阶段全部通过。
新增的三个阶段（局域网优化 / 手表局域网切换 / 编码与换行 /
管理页设备控制）都是这轮加的。
 2026-10-07 18:10:30 +08:00
xmz7891 8880e7033d 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）」
 2026-10-07 17:59:39 +08:00
xmz7891 b2bfa6ffbf 长轮询客户端超时 120 -> 180 秒（实测出现 126.6 秒的长尾） 
relay-stability 跑了 30 次真实长轮询，第 1 次耗时 126604ms：

    服务端 hold 是 60 秒
    剩下 66 秒全是网络停顿（4G 抖动 + 重传退避）
    而客户端超时写的是 120000ms
    -> 126.6 > 120，那次会被**误判成失败**，尽管服务端已经正常返回

其余 29 次都是 61~62 秒，很正常。不是 hold 太长，是网络尾巴太长。

为什么放宽超时而不是缩短 hold：
  A. hold 缩到 45 秒、超时保持 120 -> 最坏 111 秒，安全
     但请求数多 33%，而每次请求都要吃隧道 1~2 秒开销
  B. hold 保持 60 秒、超时放宽到 180 -> 最坏 180 秒，安全
选 B —— 这条链路的根本问题是丢包抖动，**请求越少越不容易撞上**。
放宽超时只是"别把慢但成功的请求冤枉掉"，不增加任何请求。

客户端已有"连续失败 3 次才判离线"（OFFLINE_AFTER=3），
所以偶尔一次长等待不会让界面闪"已断开"。

超时余量的演进（全是实测逼出来的）：
  90 秒  -> 实测 93589ms  不够
  120 秒 -> 实测 126604ms 不够
  180 秒 -> 60 hold + 120 余量

两边同步改：
  windows/lanremote/relay.py                     POLL_TIMEOUT 120 -> 180
  android .../RelayTransport.java                POLL_TIMEOUT_MS 120000 -> 180000
（Java 侧确认 setConnectTimeout 另有 15 秒上限、setReadTimeout 吃这个值，
  没有别的超时会先把请求掐掉。）
 2026-10-07 17:36:20 +08:00
xmz7891 facb156aca 服务端 zip 加一键部署脚本（cloudflared 安装 + 部署 + 公网，全自动） 
用户要求：服务器端文件里放一个 .sh，双击就能检查 cloudflared 装没装、
自动部署、配好公网，以后全自动。

== 新增 ==

relay/deploy.sh        一键部署主脚本，7 步全自动：
                       环境检查 -> 装 cloudflared -> 部署程序 -> 网络调优
                       -> 写 4 个 systemd 服务 -> 配隧道 -> 启动自检打公网地址
relay/deploy-tune.sh   网络调优，可单独重跑：
                       keepalive 30/10/3 + 路径 MTU 探测 + MSS 1360
                       + 接口 MTU 1400 + mask networkd-wait-online
                       每一项都写明了实测依据

用法：
    bash deploy.sh                           复用已有凭据，全自动
    TUNNEL_TOKEN=eyJh... bash deploy.sh      Token 模式
    bash deploy.sh --hostname relay.你的域名  换域名
    bash deploy.sh --skip-tunnel             只装中转
    bash deploy.sh --help                    全部参数

重跑 = 升级；已有数据/配对码/管理密码/凭据/手改过的 config.yml 都不动。

== 自动化到什么程度 ==

* cloudflared 不在就自动下载装上（并校验能执行）
* 隧道支持两种模式：已有凭据文件、或 TUNNEL_TOKEN
* **不传 --hostname 且没有 Token 时明确提示要填**，不会静默用一个写死的值
  （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）
* deploy-tune.sh 的 MTU 取 1400：路径 MTU 实测 1472，
  而 MSS 钳制只管 TCP、QUIC 走 UDP 完全不受保护；
  接口 MTU 降到 1400 后 QUIC 建齐 10 条连接从 28 秒缩到 12 秒

== 顺带修掉两个真 bug ==

1. write_tunnel_unit 写的文件名漏了 .service 后缀 ——
   文件写下去了但 systemd 完全看不见，enable 还会安静地失败。
2. 发布包一直缺 site_shots/（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。只有从 zip 解压真跑一遍才暴露。
   同时把 deploy.sh 里 site_shots 的检查降级成警告（缺截图不该让部署失败）。

另外给 deploy-tune.sh 清旧 MSS 规则的循环加了 10 次上限 ——
原写法在 -D 报成功但规则仍在时会死循环把整个部署卡死。

== 验证 ==

* _build/test_deploy_sh.sh        沙箱 65 项，全通过
* _build/test_zip_deploy.sh       从发布 zip 解压再跑，30 项，全通过
* _build/test_deploy_real.sh      **真机 Debian 上实测**（新增）：
    zip 解出 17 个文件 -> 语法/LF/无 BOM 通过
    --help 退出码 0 且无副作用、未知参数退出码 2
    沙箱安装成功、幂等重跑哨兵不被冲
    现有三个中转服务全程 active，自检 200
 2026-10-07 17:28:09 +08:00
xmz7891 d4f335b8f9 管理页新增：允许/禁止新设备接入 + 修改设备配对码 
== 功能一：允许新设备接入开关 ==

关掉之后只有已经登记过的电脑能继续上线，没见过的新设备一律拒绝。
状态存在 relay_state.json 里，重启不丢。

判断新设备用的是 deviceId，不是配对码 ——
这一点很关键：管理员给老设备改过码之后，
那台设备必须仍然能进来；按码判断的话它会被自己的开关挡在外面。
测试里专门有一条 A3b 守这个行为。

被拒时回 blocked=True，让客户端能区分被管理员挡了
和配对码冲突，而不是去匹配中文错误文案（文案一改就坏）。

== 功能二：修改任意设备的配对码 ==

管理页每台设备一个「改码」按钮，填 6 位数字即生效。
要点：
  * 新旧码冲突检查
  * 旧码映射必须删掉，否则变成孤儿条目，
    管理页配对码占用的数字会虚高
  * 改码踢掉该设备当前会话（会话绑在码上）
  * 立刻持久化

== 顺手修掉两个真 bug ==

1. 改码功能一上线就 500：Session 用了 __slots__，
   根本没有 session_id 属性（会话是以 token 为 key 存在 dict 里的），
   写 s.session_id 直接 AttributeError。
   改成遍历 sessions.items() 拿 key。

2. snapshot() 里有同样的错（清理超时设备那段）：
   平时 stale 列表是空的所以从没炸过，一旦真有设备超过 6 小时
   没上报就会 500。这次一起修了。

== 管理页 UI ==
  * 设备小节加了「允许新设备接入」勾选框
  * 每行加「改码」按钮（走 prompt，不引入弹窗层）
  * 改码按钮用 data-recode 而不是 data-device ——
    现有单台删除按 button.danger[data-device] 绑，
    带上 data-device 会被当成删除按钮，点改码变删设备。
    测试 C6 专门断言这一点。

== 测试 ==
新增 _tests/test_admin_device_control.py（23 项），
已注册进 _tests/verify_all.ps1 第 3e 阶段。
 2026-10-07 17:01:14 +08:00
xmz7891 25e7780272 单次请求失败不再立刻判离线，改成连续 3 次 
实测单个请求有 2~4% 的偶发失败（4G 丢包打在一条隧道连接上，
或者那条连接正在重连）。原逻辑是一失败就 online = false，
于是界面上会闪一下已断开 —— 用户点按钮时正好撞上那一闪，
看起来就像又连不上了。

而链路其实 1.5~15 秒就自己恢复（客户端本来就有退避重试）。

改成连续失败 3 次才判离线（手表至少 4.5 秒、电脑至少 6 秒）：
  * 单次抖动完全不影响界面
  * 真的断了仍然如实显示

这不是掩盖问题，而是把是否可用的判断从一次采样改成连续采样 ——
单点采样在有丢包的链路上噪声太大。

两边同步改：
  android .../RelayTransport.java   failStreak + OFFLINE_AFTER
  windows/lanremote/relay.py        _fail_streak + OFFLINE_AFTER

顺带记录 PC 端基准（真实用户视角，之前都是在设备上量的，
那等于把设备 4G 算了两遍）：
  公网可用率 98%   耗时 中位 911  P90 1889  P99 23868 ms
  长轮询     5/6   耗时 60.8~62.1 秒
对比设备端（中位 1344 / P90 2563）—— 用户实际体验比设备端量出来的好。
 2026-10-07 16:16:50 +08:00
xmz7891 aea78efe45 版本 1.8.1 -> 1.8.2 2026-10-07 15:44:49 +08:00
xmz7891 bf15a2ee61 静态资源交给 Cloudflare 边缘缓存（下载提速 41 倍） 
实测基线：
  ykxmz-setup-1.8.1.exe   只下到 237568/15067199 字节就停（17 KB/s）
  ykxmz-watch-1.8.1.apk   201523 字节 / 66.8 秒 = 3 KB/s
  ykxmz-server-1.8.1.zip  214900 字节 / 3.1 秒  = 67 KB/s

原因：relay 给所有响应都发 Cache-Control: no-store，
Cloudflare 完全不缓存 —— 每次下载/每张图都要穿隧道回 4G 源站。

改动：
  /download/*   no-store -> public, max-age=604800, immutable
                文件名带版本号，同一名字内容永不改变，可以长缓存
  /             -> public, max-age=60（挡住刷新重复回源）
  /favicon.ico  已是 max-age=86400，保持不变
  /shot/*       已是 max-age=86400，保持不变
  /v1/*         保持 no-store（接口必须实时）

顺带修两个自己踩的坑：

1. _send() 无条件先发 no-store，再追加 extra 里的 Cache-Control，
   结果是**两个 Cache-Control 头**，客户端只认第一个 ——
   调用方传的缓存策略被吃掉。改成 extra 里有就不再发默认值。

2. do_HEAD 和 do_GET 的缓存头不一致：HEAD 对非 /shot/ 一律报 no-store。
   下载器/代理用 HEAD 探测时会误判文件不可缓存。
   现在 _head_info 给每个路由带上和 GET 完全相同的缓存头，
   do_HEAD 也不再盲目覆盖。

结果（同一个测试口径）：
  setup.exe  17 KB/s（截断） -> 695 KB/s 完整 15 MB   41 倍
  watch.apk   3 KB/s         -> 101 KB/s              33 倍
  server.zip 67 KB/s         ->  87 KB/s
  三个文件全部 cf-cache-status=HIT（不再穿隧道回源）

排查过程记一笔：我一开始用 curl -I 验证，
看到的全是 no-store —— 因为 **-I 发的是 HEAD**，
而 HEAD 走的是另一个分支。查了半天才发现是验证方法错了。
 2026-10-07 15:44:48 +08:00
xmz7891 46196c3618 CHANGELOG 加 1.8.1 2026-10-07 14:24:06 +08:00
xmz7891 b1119d0da6 修「局域网连接被中转劫持」+ 长轮询 15s→60s 
用户报两个问题：
  1. 局域网能搜到电脑，IP/端口/配对码都对，点连接**没有任何反应**
  2. 走中转 1426ms 延时，一会儿就 502

========== 一、局域网被劫持（真 bug）==========

MainActivity.connect() 里：

    boolean usedLan = !relayUrl().isEmpty() ? false : true;
    if (!relay.isEmpty()) {
        reply = client.connectViaRelay(...);      // 走中转
    } else {
        reply = client.connect(host, port, ...);  // 才走局域网
    }

**只看「中转设置里填没填地址」，填了就一律走中转，
完全无视用户填的局域网 IP 和端口。**

而中转单次超时是 40 秒 —— 用户点完就卡在「正在连接…」
四十秒，在他看来就是"没有任何反应"。

影响两条路：
  * 「局域网连接」页面填 IP 直连（connectLanTyped）
  * 首页「已配对的电脑」点一下重连（quickConnect）

修法：给 connect() 加 preferLan 参数。明确要走局域网时
**先直连（6 秒超时，局域网本该是毫秒级），失败再退回中转**，
保证最终能连上。

顺带两个体验改进：
  * 设备列表里，保存的 IP 和手表不同网段时标「⚠ 地址可能已过期」
    （用户截图里那个 192.168.2.64 就是过期地址，电脑早换成
      192.168.10.103 了）
  * quickConnect 判断出地址过期就跳过直连，直接走中转查最新地址 ——
    省掉那 6 秒白等

========== 二、长轮询 15 秒 -> 60 秒 ==========

实测隧道每次请求要多花 1~2 秒（CF 边缘路由 + 回源）：

    本机直连 60 秒的 poll  ->  60.0s
    走公网同一个 poll      ->  61.5~62.0s

这个开销是**按次数**收的：
    15 秒一循环 -> 一天 5760 次/端，光路费 2.4~3.2 小时
    60 秒一循环 -> 一天 1440 次/端，光费 0.6~0.8 小时
而且请求越频繁，撞上丢包/重连窗口的概率越大。

**不会让命令变慢**：长轮询是"有数据立刻返回"（device.event 唤醒），
拉长只是减少空转重开。实测 60 秒长轮询穿隧道 4/4 通过；
Cloudflare 单请求上限 100 秒，留了 40 秒余量。

三层同步改（客户端超时必须显著大于服务端 hold）：
  * relay/relay.py                    RELAY_POLL 默认 25 -> 60
  * windows/lanremote/relay.py        POLL_TIMEOUT 40 -> 90
  * android .../RelayTransport.java   POLL_TIMEOUT_MS 40000 -> 90000

========== 三、A/B 实测（还在跑更严谨的一轮）==========

短测发现基线 http2+4 虽然 100% 成功，但 **P90 是 16.8 秒**
（每 10 次有 1 次卡十几秒 —— 正是用户说的"没反应"），
而 quic+6 的 P90 只有 2.8 秒。正在用真实长轮询模式
跑 10 分钟对照确认。
 2026-10-07 14:11:33 +08:00
xmz7891 94252ca156 加 EzHub SSH 诊断报告（给服务端运维看） 
结论：EzHub 的 22 端口上是**系统 OpenSSH 9.6**，不是 Forgejo 内置的
SSH 服务。Forgejo 把公钥存在自己数据库里，不会写进
git 用户的 authorized_keys，而 sshd 也没配 AuthorizedKeysCommand
去问 Forgejo —— 所以网页上加了公钥也不生效。

判定依据（客户端就能测出来）：
  1. ssh -vv 显示 remote software version = OpenSSH_9.6p1 Ubuntu
     （内置 SSH 会带自己的标识，且只支持 publickey，不提供 password）
  2. 服务端声明 Authentications that can continue: publickey,password
     —— password 是系统 sshd 的默认行为
  3. 只有 22 端口开，2222/2022 都不通（内置 SSH 默认在 2222）
  4. 网页注册的密钥指纹和客户端完全一致，客户端也确实送出了公钥，
     但仍被拒

报告里给了两种修法（开启内置 SSH / 给 sshd 配 AuthorizedKeysCommand）、
先手动验证命令能不能跑通的办法、以及 /var/log/auth.log 该看什么。
也说明了这不紧急：HTTPS + 令牌目前完全可用。
 2026-10-07 12:56:47 +08:00
xmz7891 9692ef1f32 修 Gitee 附件清理：assets 字段没 id，要用 attach_files 接口 
Gitee 的坑：GET /releases/{id} 返回的 assets 里
**只有 name 和 download_url，没有 id**，
照着它删是删不掉的（之前静默失败，附件一路堆到 11 个）。

必须换接口才拿得到 id：
    GET    /releases/{id}/attach_files        -> [{id, name, size}]
    DELETE /releases/{id}/attach_files/{id}

已清理：Gitee 11 -> 5 个（含 2 个自动生成的源码包），
EzHub 5 -> 3 个。清理动作也加了重试（网络会抖）。
 2026-10-07 12:54:33 +08:00
xmz7891 ae7e1cf269 Gitee 也做成幂等：已存在就复用 + 先删同名附件 
重发时 Gitee 直接 400「该标签已经存在发行版」，
而且拿不到 id，后面的附件也传不上。

改成和 EzHub 一样的流程：
先按标签查已有的（查到就复用 id），复用前删掉同名旧附件，再传。
这样重跑多少次，两边的附件数都稳定。
 2026-10-07 12:37:06 +08:00
xmz7891 2425f8694e 修发行版重复附件：重发前先删同名 
Gitea 的发行版复用逻辑有 bug：发现标签已有发行版就复用，
但**没有先删同名附件**，于是每跑一次就多传一份。
调试期间同一个文件在 EzHub 上堆了 3 份（共 8 个附件，实际只要 3 个）。

修法：复用已有发行版时，先列出它的附件，
把和本次要传的同名的删掉，再传。

配套加了：
  * clean_ezhub_assets.py  清理已堆积的重复（同名只留最新，支持 --dry）
  * verify_releases.py     对账两个平台的发行版（标题/说明/附件/
                           管理页字眼/两边说明是否一致）

已清理：EzHub 从 8 个附件降到 3 个。
 2026-10-07 12:36:35 +08:00
xmz7891 4b545ea324 加 EzHub SSH 密钥诊断脚本 
诊断结论：EzHub 的 SSH 服务是**系统 OpenSSH 9.6**（banner 看出来的），
不是 Gitea/Forgejo 内置的 SSH 服务。
密钥在 EzHub 上注册的指纹和本机完全一致
（SHA256:Acmu49YQcjw3m5WefOXSBzYNY2WPHLL2vvhnlYRAttA），
但服务端一直返回 Permission denied (publickey,password)。

说明 git 用户的 authorized_keys 没有跟 Gitea 数据库同步 ——
这是服务端配置问题，客户端怎么试都过不去。
服务端要做的（任选其一）：
  a) 开启内置 SSH：app.ini 里 START_SSH_SERVER = true 并放行端口
  b) 继续用系统 OpenSSH，但给 sshd 加 AuthorizedKeysCommand
     指向 gitea/forgejo 的 keys 子命令

PS：这个实例的 UI 主题是 forgejo-auto，实际是 Forgejo。
v1.8.0 		2026-10-07 12:35:10 +08:00
xmz7891 f200240730 发布脚本：EzHub 走 HTTPS+令牌推送（SSH 还没配好） 
EzHub 的 SSH 公钥在服务端一直被拒（Permission denied），
但令牌有 push 权限。所以发布脚本里 EzHub 改用
HTTPS + 令牌推，令牌只在进程内拼进 URL，不写进 .git/config。

顺带加了增量推送脚本 ezhub_push_all.py：
一次性推 44 个提交 = 117 MB，被 EzHub 的 nginx 413 拦了。
Git 推送是增量的，逐个提交推每包就小得多 —— 实测 44 个全部推成功。
脚本会先探测远端进度，只推缺的，并且对网络抖动自动重试。
 2026-10-07 12:32:11 +08:00
xmz7891 9f9db53a06 文档补充 EzHub 令牌权限坑和 SSH 实际状态 2026-10-07 12:25:27 +08:00
xmz7891 d60dfcf671 发布脚本：提前检查 EzHub 令牌写权限 
Gitea 令牌可以只给读权限。只读令牌能读仓库、能列发行版，
看起来一切正常，但一推代码就 403、一建发行版也 403。

加了 check_ezhub_scope()：开头就用一个**无副作用**的探针确认权限
（对不存在的发行版发 DELETE —— 403 说明缺 write:repository，
404 说明权限过了只是资源不存在），缺权限就立刻停下并给出
明确的修复指引，不让它走到一半才炸。

文档里也写清了这个坑。
 2026-10-07 12:25:12 +08:00
xmz7891 2d99c05865 加双平台发布配置指引（Gitee + EzHub） 2026-10-07 12:20:17 +08:00
xmz7891 ad8b73f990 清理临时文件 2026-10-07 12:19:58 +08:00
xmz7891 4de2255ee4 加 EzHub（Gitea）发布支持 + 一次发两个平台的脚本 
用户要求：除了 Gitee，还要发到朋友自建的代码托管平台 EzHub
（ssh://git@git.261826.xyz/xmz/ykxmz.git），release 也要建。

探测结果：EzHub 是 **Gitea 1.22.0**
（/api/v1/version 返回 16.0.5+gitea-1.22.0），
仓库 xmz/ykxmz 存在，目前还没有任何发行版。

Gitea 和 Gitee 的接口差别（踩过的点）：
  项目           Gitee                  Gitea / EzHub
  API 前缀       /api/v5/repos/...      /api/v1/repos/...
  认证           参数 access_token      请求头 Authorization: token
  传附件路径     /releases/{id}/        /releases/{id}/
                 attach_files           assets?name=<文件名>
  附件字段名     file                   attachment
  草稿字段       无                     draft / prerelease

新增：
  * _build/ezhub_release.py   单独发 EzHub 用
  * _build/release_all.py     一次发两个平台（推荐）
      - 前置检查：产物齐不齐、更新说明能不能取到、工作区干不干净
      - **对外口径检查**：更新说明里出现管理页字眼直接拒绝发布
      - 推代码到两个 remote，再分别在两边建发行版 + 传三个附件
      - 支持 --dry 演练（不真的发），已经过通

修掉的 bug：
  CHANGELOG 解析。按 "\n## " 切分时第一块带着自己的 "## 版本号"
  （前面没换行），后面几块没有 —— 原来只写 startswith("1.8.0")，
  对第一块永远匹配不上，全靠"取不到就退回第一块"的兜底碰巧对了。
  现在先把开头的 # 去掉再比。

SSH：
  为 EzHub 单独生成了一把密钥（~/.ssh/id_ed25519_ezhub），
  不复用 Gitee 那把，权限隔离。已写好 ~/.ssh/config 的 Host 段。
  **公钥需要用户加到 EzHub 账号里之后才能推。**
  私钥在仓库外，不会进版本库。
 2026-10-07 12:19:58 +08:00
xmz7891 2a0d9e967d 清理临时文件 2026-10-07 12:15:34 +08:00
xmz7891 351171e6ea 清理对外材料里的中转管理后台 + 把规矩变成测试 
用户定的新规矩：
「你对外公开的数据里不要包含那个中转站管理的页面，你就只能提官网」

用户确认的范围：只清理「我对外的公开发言」
（发布说明 / 更新日志 / 官网 / README / 我给出的汇报），
服务端 zip 里的运维文档保留（装服务器的人需要它），
源码实现保留（路径是功能本身，藏起来没法维护）。

清掉的内容：
  * CHANGELOG.md：1.8.0 条目里"管理后台重做"整段、
    "管理页显示成一屏源码"、"管理页标题被切掉"；
    1.7.1 条目里**直接写出的路径 /zhongzhuanzhan**、
    "管理入口从官网上移除"；1.7.0 的"管理页加图标"
  * RELEASE-1.8.0.md：第四节「中转管理后台完全重做」整节删掉，
    改成「官网重新设计」

新增 _build/test_public_clean.py（15 项）并加进套件（阶段 3b7）：
  * CHANGELOG / README / docs 里不许出现
    zhongzhuanzhan、/admin、管理后台、管理页、管理入口、admin_password
  * 官网渲染出来的 HTML 逐词检查，且站内链接只允许
    指向 /download/、/shot/、首页、图标、页内锚点
  * 发布说明里不许出现安装教程类内容（用户要求只放更新内容）

  为什么写成测试：文档没人看。这一天里我因为"以为记住了"
  翻了三次车，所以把规矩变成会红的断言。

新增 docs/项目规矩.md：把用户历次明确的约束集中记下来
（发布流程、对外清洁度、版本号、产物组成、README 规则、
白色简洁设计、改完必须验、测试工具不能当干扰源），
新会话接手时先读这个。

顺带修的工程问题（今天反复踩的坑）：
  * 用 PowerShell 的 @"..."@ 嵌 Python 去改 .ps1 时，
    PowerShell 会先把 $var 展开成空，写进去一堆反斜杠
    -> verify_all.ps1 被写坏，& 语法报错
    现在改 .ps1 一律用 Python 读写文件
  * re.sub 的替换串会解释反斜杠转义，
    `"\\test_public_clean.py"` 里的 \t 变成制表符，
    路径成了 "_build<TAB>est_public_clean.py"
    -> 用 lambda 替换，避开转义

验收：全量回归 34 个阶段全部通过（含新的清洁度守卫）。
 2026-10-07 12:15:32 +08:00
xmz7891 2f70e5bb49 加 1.8.0 发布说明 2026-10-07 11:47:23 +08:00
xmz7891 49fdec1da8 1.8.0：隧道稳定性大修 + 中转管理后台重做 
版本号 1.7.1 -> 1.8.0（8 个文件，13 处）。
写了个 bump_180.py 统一处理 —— 版本号散落在
Python / Java manifest / PowerShell / Inno Setup / 测试里，
手动改必漏；而且 .ps1 必须保留 UTF-8 BOM。

==================== 一、隧道稳定性（用户撞上 1033/502/530）====================

1) 4G 链路会**静默断开 TCP 连接**（不发 FIN/RST，双方都以为还活着），
   Linux 默认要 2 小时才发现 -> 改成 keepalive 30 秒 + 每 10 秒探测。
   实测 60 秒内发现并重连。

2) 隧道连接数 2 -> 4。只剩 1 条连接时跨机房回源会失败
   （实测可用率 0/12，提到 4 条后 12/12）。

3) 掉电重启后恢复慢：原来开机 2 分 10 秒公网才可用。
   根因是 systemd-networkd-wait-online 等一个不归它管的网络
   （wlan0 是 NetworkManager 管的），干等 2 分钟超时失败，
   把 network-online.target 一起拖住。
   mask 掉它之后：启动 17.3 秒，掉电重启 24 秒公网可用。

4) 看门狗两次翻车都是我造成的，都修了：
   a) 我先加了"确认故障立刻重启"，但隧道重建 4 条连接要 30~60 秒，
      MIN_RESTART_GAP=45 导致**还没建齐就被下一次重启打断**，
      死循环，每 50 秒重启一次 -> 加 150 秒宽限期
   b) 宽限期又带来"链路持续差时什么都不做"的问题
      -> 增加"本次重启后建齐过吗"的判断：
         建齐过又垮 = 真故障，立刻重启
         从没建齐 = 还在努力，继续等

5) 顺手修：看门狗状态文件里的变量在函数定义前被引用，
   set -u 下报 "BUILT: 未绑定的变量"。

==================== 二、中转管理后台重做 ====================

原来的管理页是几百行内联在 relay.py 的 f-string 里，
改一处样式要在一堆转义花括号里翻。拆成独立模块 relay/admin.py。

新设计（对齐官网那套白色简洁）：
  吸顶顶栏 -> 公网地址（最大权重，这是用户最需要复制的）
  -> 四个数字卡 -> 设备表 -> 工具卡（体检 + 下载）
  空状态给图标+引导文案；窄屏表格自动变卡片。
  relay.py 从 2089 行缩到 1500 行左右。

修了三个我自己引入的 bug：
  a) 响应头类型写错，浏览器把整页 HTML 当纯文本显示
     （用户看到的是"一屏源码"）。教训：200 不等于页面能看，
     当时只验了状态码和字节数。
  b) 顶栏用了固定 height:62px，装不下"标题+副标题+版本信息"两行，
     内容被顶出容器 -> 标题看不见、徽章压在字上。
  c) do_HEAD 没处理 /download/ 路径，HEAD 一个 APK 返回
     Content-Length: 0 + text/plain，下载器会误判成空文件。
     同时发现 _head_info 里对 bytes 调 .encode() —— 加 _as_bytes() 兜住。

==================== 三、其它 ====================

* 设备记录只增不减：实测一天攒 75 条僵尸，/v1/health 从几 KB 涨到 20KB。
  加 DEVICE_TTL（6 小时）自动清，占用的配对码一起释放
  （管理页曾显示"配对码占用 131"但一台设备都没有）。
* HEAD 请求支持（原来一律 501）。
* 官网新增产品展示：手表界面预览（颜色/布局与真实手表一致）、
  电脑端真实截图、两种连接方式对比图。
* 加了一份 docs/免费托管方案.md（含一个纠错：上一版推荐的
  ClawCloud Run 已在 2026-05-11 关停）。

==================== 验收 ====================

全量回归            33 个阶段全部通过
安装包完整周期      20/20（静默装入 7 秒、卸载 0.6 秒、无残留）
网页响应头          12/12
公网可用率          26/30 = 86%（底层 4G 丢包 30%，是这个上限）
发布产物            安装包 14.37MB / 服务端 0.20MB / 手表 0.19MB
 2026-10-07 11:47:12 +08:00
xmz7891 c6e2120ca8 修正免费托管方案：ClawCloud 已关停，换掉整个推荐 
用户追问 ClawCloud 的 \ 是每月还是一次性。
核实过程中发现：**ClawCloud Run 已经在 2026-05-11 关停了**，
官网/文档/博客全部下线，免费套餐服务全部停止，只给付费用户退款。
至今已停运 5 个月。

我上一版文档推荐了它 —— 因为搜到的文章是 2025 年的，
我只看了内容没核对日期。这个错误必须纠正。

重新核实了整个免费托管生态（依据 2026-09-26 逐条验证过的
第三方对比 + 各厂商官方页），结论：

2026 年这一波集体缩水：
  2026-02       Koyeb 取消免卡套餐
  2026-04-23    Render 免费带宽 100GB -> 5GB
  2026-06-15    Oracle 免费 ARM 砍半 4核24G -> 2核12G（无公告）
  2026-07       Hugging Face Docker Space 转付费
  2026-09-16    Vercel Hobby 只留最近 3 个部署
已经死掉的：ClawCloud、Fly.io、Glitch、Heroku、Deta、Cyclic。

现在的推荐（重排）：
  1. Oracle Always Free —— 唯一永久方案，2核12G 仍远超我们所需
     （我们只用 23MB 内存 / 0.1% CPU），但需要实体信用卡，
     且亚洲区 ARM 常年缺货
  2. Render 免费版 —— 不用卡的最佳选择。750 小时/月
     刚好够一个服务 24/7；自带 HTTPS 和 2 个自定义域名；
     最关键：被控端每 25 秒轮询，永远不会触发 15 分钟休眠
  3. Cloudflare Workers + DO —— 技术最优但要用 JS 重写

文档里还记了一条经验：免费、好用、长期是不可兼三角。
选免费方案要问商家靠什么赚钱、数据能不能搬走、备选是什么。
我们的 relay.py 零依赖随时能搬，这就是最大的抗风险能力。
 2026-10-07 11:11:26 +08:00
xmz7891 494b6e5671 加一份免费托管方案调研文档 
用户问：网上有没有免费办法托管中转服务。

查了协议架构：全是 HTTP 长轮询（agent/register、agent/poll、
agent/send、agent/bye），没有裸 TCP —— 所以托管选择面很宽。
另外 relay.py 是纯 Python 标准库、零第三方依赖、仅 150 KB、
实测内存 23 MB / CPU 0.1%，任何免费实例都装得下。

关键洞察：一旦有了公网 IP，**根本不需要 Cloudflare 隧道**，
现在所有 1033/502/530 都是隧道这一跳的问题，换过去就从根上消失。

文档里对比了 6 个方案（永久性、是否需公网 IP、是否要信用卡、
亚洲节点、能否免隧道），推荐 Oracle Cloud Always Free 首选
（永久免费 + 真公网 IP + 东京/首尔节点），
ClawCloud Run 作为不用信用卡的备选。
还写了具体的搬迁步骤和要删掉的组件。
 2026-10-07 11:07:24 +08:00
xmz7891 5bf108f1f8 修管理页顶栏被切掉（标题看不见、徽章压在字上） 
用户截图圈出顶栏：主标题「ykxmz 中转站」被切掉看不见，
「运行中」徽章压在副标题上。

根因：
  .top-in 用了固定 height:62px。
  但顶栏内容比 62px 高：
    左边品牌是「标题 + 副标题」两行
    右边是「版本信息 + 累计请求」两行
  flex 容器固定高度装不下，内容就被往上顶出去了 ——
  于是标题被切在容器外，徽章挤到文字上。

修法：
  * height:62px 改成 padding:13px 0 + min-height:36px
    （内容多高就是多高，别再写死）
  * 给 logo / brand / state 都加 flex:none，别被压缩
  * 标题副标题加 white-space:nowrap，避免换行错位
  * 右上的版本信息允许收缩（min-width:0）
  * 窄屏（<640px）时状态徽章换行，不跟标题挤

实测：1200px 和 700px 两档宽度下顶栏都正常，
标题、副标题、徽章、右侧信息全部各就各位。
 2026-10-07 10:48:28 +08:00
xmz7891 2b204cae07 修看门狗重启死循环（我上一版改过头了） 
用户报 502 Bad Gateway，Cloudflare 的图显示
「Host: relay.xxmxxs.top - Error」，也就是源站/隧道这一跳挂了。

查 watchdog 日志，发现它在**每 50 秒重启一次隧道**：
    [10:31:57] 只剩 1 条连接 -> 重启隧道
    [10:32:22] 重启完
    [10:32:24] 又只剩 1 条 -> 距上次才 27 秒，先不重启
    [10:32:47] 距上次 50 秒 -> 又重启
    ... 循环不停

根因（我上一版的错）：
  隧道在**质量差的 4G 上重建 4 条连接要 30~60 秒**。
  而我上一版把 MIN_RESTART_GAP 设成 45 秒，并且
  "公网不通 + 连接数<=1"就立刻重启 ——
  结果每次隧道还没把连接建齐，就被下一次重启打断，
  **永远停在"只剩 1 条"的状态**。
  等于我自己制造了不稳定。

修法：
  1. 重启后给 GRACE=150 秒宽限期，这期间绝不重启，
     让 cloudflared 专心把连接建齐
  2. MIN_RESTART_GAP 从 45 提到 150（和宽限期一致）
  3. "立刻重启"的判定加一条：距上次重启必须超过宽限期

实测（停掉 watchdog -> 手动重启隧道 -> 观察）：
    10 秒内建齐 4 条连接，公网立刻 200
    宽限期生效后公网 20/20 = 100%，延迟 ~690ms

顺带一个教训：之前测出 80%、20% 的 000，
是我自己后台还跑着一个观察任务在并发打接口造成的干扰。
**测稳定性的时候，测量工具本身不能成为干扰源。**
 2026-10-07 10:37:26 +08:00
xmz7891 b630028112 看门狗检查间隔 20 秒 -> 10 秒 
每次 530 窗口从"出现"到"被看门狗发现并重启"，最长要等一个检查周期。
20 秒缩到 10 秒，用户撞上 1033 的概率窗口直接减半。

代价：公网探测从每 20 秒一次变成每 10 秒一次。
这台设备本来就在长轮询，这点流量可以忽略。

设备上已生效（OnUnitActiveSec=10s, AccuracySec=3s）。
 2026-10-07 10:27:33 +08:00
xmz7891 f4a146056f 修开机慢 2 分钟：掉电重启后要 2 分 10 秒才能恢复 
用户早上撞上 Cloudflare Error 1033。查出来是设备**掉电重启**：
上次开机到重启之间没有任何日志落盘（直接断电的特征），
dmesg 里还有 "l13: voltage operation not allowed"。

重启本身不是软件问题，但**恢复太慢**：
    Startup finished in 3.846s (kernel) + 2min 6.358s (userspace) = 2分10秒
那 2 分钟里浏览器看到的就是 1033。

根因：
    这台机器 NetworkManager 和 systemd-networkd 同时在跑，
    但 wlan0 归 NetworkManager 管。
      NetworkManager-wait-online   -> 开机 9 秒成功
      systemd-networkd-wait-online -> 等一个不归它管的网络，
                                      干等 2 分钟超时，然后 failed
    network-online.target 要等**两个都完成**，
    被那个失败的拖了整整 2 分钟，
    relay / tunnel / net-tune 全跟着等。

修法：
  1. mask 掉 systemd-networkd-wait-online（网络不归它管，只会拖后腿）
  2. watchdog 首次检查从"开机后 2 分钟"提前到 45 秒

实测（重启验证过）：
    修之前  Startup finished in 3.846s + 2min 6.358s = 2分10秒
    修之后  Startup finished in 3.218s +   14.060s =   17.3秒
    掉电重启后公网恢复时间：**24 秒**（快了 5 倍多）

配套加了 scripts/speed-up-boot.sh，换设备时直接跑一遍。

顺带确认重启后一切自动恢复：
    三个服务 active + enabled ✓
    keepalive 30/10/3、MTU 探测、MSS 钳制、slow_start=0 全部持久化 ✓
    隧道 4 条连接 http2 ✓
    官网 / 管理页 / 截图全部 200 ✓
 2026-10-07 10:27:07 +08:00
xmz7891 bcb089eded 看门狗：连接数掉到 1 就立刻重启，不等攒够 3 次 
排查公网间歇 530 时发现的：
  watchdog 日志显示「公网不通（HTTP 530，ha_connections=1）」
  —— 出问题那段时间隧道**只剩 1 条连接**。

原来 watchdog 只把 CONNS == 0 算"零连接"，
CONNS == 1 不当回事。但实测**只剩一条连接时跨机房回源就会失败**
（请求落 SEA，隧道只剩 LAX 一条）。

改法：
  * CONNS <= 1 都计入降级计数
  * 公网不通 **且** 连接数已在危险区 = 确认的故障（不是短抖动）
    -> 立刻重启，不等 3 次

每次检查间隔 20 秒，等 3 次就是白断 40 秒。现在能省下来。

实测：改完公网 15/15 = 100%，连接数 4 条。

顺带说明 watchdog 是怎么跑的：
  systemd timer（lanremote-watchdog.timer），每 20 秒调一次
  watchdog.service。之前查"服务是 inactive"一度以为它没在跑，
  其实是 timer 触发型的 —— oneshot 服务跑完就是 inactive，正常。
 2026-10-07 10:00:50 +08:00
xmz7891 fe3b9ada12 修管理页 Content-Type（浏览器显示成一屏源码） 
用户截图：打开 relay.xxmxxs.top/zhongzhuanzhan 看到的**不是页面，
而是整页 HTML 源码**。

根因：_send() 的 content_type 参数默认是 application/json，
我重做管理页时调它没传 text/html —— 浏览器按 JSON/纯文本处理，
就把 HTML 原样显示了。

⚠ 更该反省的是：**我当时没发现。**
   验证脚本只看了 HTTP 200 和字节数，两个都对，就以为没问题。
   200 不等于页面能看 —— 响应头也得看。

顺手修的第二个问题：
   HEAD 请求一律返回 501 Unsupported method（没实现 do_HEAD）。
   浏览器用 GET 所以页面照开，但 Cloudflare 健康检查、
   很多监控/代理探测都用 HEAD，curl -I 也是。
   补了 do_HEAD：按路径算出类型和长度，只回头不回体。

新增测试 _build/test_response_headers.py（9 项）：
  * HEAD 各路径不能是 501
  * 官网/管理页 Content-Type 必须是 text/html，不能是 json
  * favicon、产品截图必须是 image/*
并加进全量套件（阶段 3b6）。

验证：该测试 9/9 通过；全量套件 33 个阶段全部通过。
 2026-10-07 09:53:43 +08:00
xmz7891 160dc3765e 修管理页测试的引号敏感 + 补 netPanel id 
重做管理页时把 HTML 从 class=pick（无引号）改成了
class="pick"（标准写法），但测试里写死了无引号形式，
于是 5 个断言集体误报失败。

HTML 两种写法都合法，测试不该关心这个 ——
给两个测试加了 _has()，带不带引号都认。

另外给新管理页的体检卡补回 id=netPanel（语义合理，
也顺手让测试钩子还在）。

同时删掉 _build/_missing_tail.py（恢复事故时的临时文件，
静态检查把它当成真模块查，报了 8 个 undefined name）。

验证：管理页网络体检 15/15、中转批量删除 24/24、
全局 32 个阶段全部通过。
 2026-10-07 09:45:10 +08:00
xmz7891 1f05084f51 隧道"假活"真因修复 + 中转管理后台重做 
用户反馈两件事：
  1. 早上打开 relay.xxmxxs.top 看到 Cloudflare Error 1033 —— "这就是你说的优化好了？"
  2. "中转管理那边 ui 界面大改，现在难看的要死"

============ 一、隧道 1033/502/530 的真因 ============

之前我只测 15~25 次就说"可用率 100%"，太草率 ——
实际是**间歇性假活**：隧道显示 ha_connections=2 连着，
公网却 502/530/000。watchdog 日志把过程记了下来。

根因：**4G 链路静默断开 TCP 连接**（不发 FIN/RST，双方都以为还活着）。
Cloudflare 把请求发到这条僵尸连接上就回错误。
Linux 默认 tcp_keepalive_time = **7200 秒（2 小时）**才发现，
中间这段时间服务一直"看着在线、实际打不开"。

修法（都有实测数据支撑）：
  1. tcp_keepalive 30 秒 + 每 10 秒探测 3 次
     => 最多约 60 秒发现僵尸连接并重连
  2. 隧道连接数 2 -> 4
     （对照实验：http2+2 只有 1 条连上时公网 0/12；
       http2+4 稳定 12/12。连接数太少会出现"只有 1 条"的危险窗口）
  3. 协议定为 http2（cloudflared 自检说 TCP 7844 被墙，
     但实测 http2 反而比 quic 稳）

实测：http2+4 之后公网 40/40 = 100%，最慢 1.3 秒，0 次重连。

============ 二、中转管理后台重做 ============

原来是几百行内联在 relay.py 的 f-string 里（HTML+CSS+JS 全挤一起），
改一处样式要在一堆转义花括号里翻。拆成独立模块 relay/admin.py。

新版设计（对齐官网那套白色简洁）：
  * 吸顶顶栏：品牌 + 运行状态 + 版本/内存/请求数
  * 公网地址给最大权重（这是用户最需要复制的东西）
  * 四个数字卡（在线/会话数带颜色区分）
  * 设备表卡片：状态圆点、等宽配对码、行悬停
  * 工具卡：网络体检 + 下载区并排
  * 空状态改成图标+引导文案，不再是干巴巴一句
  * 窄屏时表格自动变卡片

relay.py 从 2089 行缩到 1550 行。

============ 三、顺手修的两个真 bug ============

1. 设备记录只增不减
   self.devices 从不清理，被控端每次换端口/重装就多一条，
   实测一天攒了 75 条僵尸记录，/v1/health 从几 KB 涨到 20KB。
   加 DEVICE_TTL（6 小时）在 snapshot() 里清。

2. 配对码映射也没清
   RELAY.codes 和 devices 是一对孪生 dict，
   只清 devices 会留下指向已删设备的孤儿条目 ——
   管理页显示"配对码占用 131"，实际一台设备都没有。
   现在一起清。

============ 四、我自己造的两次事故（如实记录） ============

1. 删文件删过头
   用"从 _admin_page 截到文件末尾"的方式替换方法，
   但 _admin_page 后面**还有 _esc/_kb/_uptime/class Server/main()**。
   结果 relay 起不来，systemd 重启 24 次，所有接口 000。
   教训：**"删到文件末尾"之前必须先确认末尾有什么。**

2. ADMIN_PATH 引用了不存在的常量
   路由里写的是字面量，我却在新代码里用了 ADMIN_PATH，
   管理页一访问就 NameError。现在统一定义了常量。

二者都是"改完没立刻验"造成的。现在每次改完都跑一遍
管理页 + 官网 + 关键接口的回归。
 2026-10-07 09:34:53 +08:00