回收日志 count=3 出现在启动后 9.9 秒,三条在飞作业 retry_count 跨发版一个没涨(含已到 3 的 20833)。 同时记下 error_message 会被下一轮处理覆盖, reclaimed_rows 读到 0 不等于机制没工作。
97 KiB
生产待人工决策清单(2026-09-28 夜)
本轮已上线的改动列在第一节,后面每一条都是代码里做不掉、需要人拍一次的动作。 条目按"建议处理顺序"排,不按发现顺序。
一、今夜已完成(无需再决策,列出便于核对)
| 提交 | 改动 | 状态 |
|---|---|---|
8536ddb3 |
外观专利行重发加轮次上限,超限就地判失败并写明原因 | 已上线 |
6a82697a |
MinIO 建连超时 5min→10s;delete-brand / collect-data 巡检 cron 30s→2min | 已上线 |
2d33f478 |
用户态接口的 user_id 归属改由令牌身份判定(只绑定、暂不要求凭据) |
已上线 |
10dec56e |
外观专利:完成标记只打在真正落库的行上(少回的行撤销重发) | 已上线 |
dd06a1cf |
货源主图转存:连接级失败做有界重试,失败行日志带上真实原因 | 已上线(实测见 §6.1) |
a6e4a589 |
货源主图重试改走备用域名,绕开被钉死的坏 CDN 节点 | 已上线(实测见 §6.3) |
线上产物:162,590,216 B / md5 b834d489c8640fd1f6cc9d51238f4606,两台一致。
(当前线上已推进到 162,592,865 B / md5 0c941fc78f64a39676e22fe9c301a01c,12:32 发 B、12:33 发 A,两台一致;
中间那版是 03eb1049c19ff58f3d8df423aeb6d0e9。)
(今夜此前两版:e97fd273473db849b705a766b7b505c7 → e0854c23cc99344a6ddadbf2019e08bf。)
发版后回读(重启后 5–15 分钟窗口,A 4780 行 / B 530 行日志):健康 200、Flyway 137 up to date、
instanceId server-110/server-121、ERROR 0 条、绑定 403 0 条、[admin-guard] rejected 0 条、
重发轮次已达上限 0 条(无误杀)、本批结果未全部落库 0 条。
A 上重启时确有一批外观 LLM 在飞(03:15:36 发出 5 品请求),03:20:52 该任务
llm batch done taskId=29447 jobId=20802 rows=10 —— 中断后自行续跑并交付了一批,
本轮未出现开机自回收日志(ready 时没有心跳已停的遗留 RUNNING,属正常分支)。
发版顺序是先 B(当时空闲)后 A(A 上有在飞任务,按"不管有没有任务在跑"的授权执行)。
附:中间件侧今夜已做的五处线上改动(改的是主机配置,列此便于回滚;④⑤另有代码/提交)
| 改动 | 机器 / 对象 | 前 → 后 | 回滚 |
|---|---|---|---|
| cgroup 内存上限抬高 | A 1Panel-mysql-zbja |
6 GiB → 10 GiB(实占 3.14 GiB) | docker update --memory 6442450944 --memory-swap 6442450944 1Panel-mysql-zbja |
| cgroup 内存上限抬高 | B aiimage-mysql-replica |
2 GiB → 3 GiB(实占 1.67 GiB,已到 84%) | 同上,换数值与容器名 |
| cgroup 内存上限抬高 | B shufu-device-logs-minio |
2 GiB → 3 GiB(实占 1.82 GiB,已到 91%,再涨就是 OOM) | 同上 |
| nginx 请求体上限 | B git.aishufu.top 站点 server 段 |
继承 http 级 50m → 本站 1024m |
同目录留了 .bak-<时间戳>,cp 回去 + nginx -s reload |
| OSS 端点拆分 | 两台 /.env + jar(提交 b7ae4478) |
服务端读写:公网域名 → http://192.168.0.171:9000;预签名仍公网 |
删 /.env 里 AIIMAGE_OSS_INTERNAL_ENDPOINT 那行(有 .bak-…)+ 重启 java |
| RocketMQ 走私网 | B broker.conf + 两台 /.env |
brokerIP1 公网 EIP → 192.168.0.170;namesrv 追加覆盖为 192.168.0.170:9876 |
各自 .bak-20260928094413 / .bak-… 复原 + docker restart 1Panel-rocketmq-ZnP2-rmqbroker、docker restart java-server |
三条硬约束,下次改之前先看,否则会踩:
docker update --memory必须同时给--memory-swap。只给--memory且新值大于旧的 swap 上限时, Docker 直接拒绝(Memory limit should be smaller than already set memoryswap limit), 而这条错误只在 stderr 里 —— 用... 2>&1 | sed 's/^/ /'或显式打印${PIPESTATUS[0]}才看得见, 写&& echo 成功会把它吞成一个假成功。改完必须回读cat /sys/fs/cgroup/memory/docker/<全ID>/memory.limit_in_bytes确认真的落地了。- 改 nginx 要改宿主机侧的 bind mount 源,不是容器里的路径。容器
/usr/local/openresty/nginx/conf/conf.d的源是/opt/1panel/www/conf.d(用docker inspect -f '{{range .Mounts}}…'拿,别猜)。 改完nginx -t再nginx -s reload(reload 不断连接,无需重启容器)。 - 宿主机层面的
ss看不到容器 netns 里的连接。今晚"java 没连 MQ""nacos 无人使用"两个结论都由此产生, 都是假的;正确姿势是先docker inspect -f '{{.State.Pid}}' <容器>再nsenter -t <pid> -n ss -tn。 另注意ss -tn的列序是State Recv-Q Send-Q Local Peer,对端在第 5 列(我第一版取了$4, 统计出来的全是本端端口,看着像"全连到 172.19.0.2",其实是把本地地址当真了)。 - 1Panel 的 openresty 站点访问日志不在
/usr/local/openresty/nginx/log/。按那个路径 zcat 会得到空结果, 而空结果和"确实没有 413"长得一模一样。真实位置是容器/www/sites/<站点>/log/access.log(宿主机/opt/1panel/www/sites/<站点>/log/),另有部分服务写/dev/stdout。 凡是"某类错误 0 条"的结论,都要同时报该文件的总行数自证读到了东西。
改完的验证:nginx 侧用 60MB 体打 git.aishufu.top(127.0.0.1 回环 + --resolve 指站点)得到
405 / 0.113s(进了 Gitea 应用层,说明代理不再拦),对照未改的 devops 站仍是 413。
附:健康评估报告第 6 条(外观/货源"静默降级")已核,不必再追
报告称 allRowCount 读失败 return 0、loadAllRowsByBaseId 读失败返回空,会把期望行数压低造成"假完成"。
逐个调用点读完后的结论是不成立,记录在此免得再查一遍:
allRowCount的返回值只喂两处:FileResultEntity.row_count(列表页显示的"共 N 条")和进度分母。 两处都写了"0 不覆盖已有非零值"(finalizeTask的rowCount > 0 ? rowCount : result.getRowCount()、 货源resolvePythonUploadProgress的totalRows <= 0 && uploadedRows > 0兜底), 而createResultRecordForAssembly的兜底分支自己会重读载荷,读不动时异常照常上抛。 没有任何成功/失败判定吃这个数。- 真正的完成判定是
validateCompleteLlmCoverage,它的分母来自assembleResultWorkbook里 不带 try/catch 的readParsedPayload(task)——载荷坏了会直接抛,不会静按 0 行放行; 覆盖率低于llm-coverage-min-ratio(默认 0.5)时抛"LLM 结果不完整"。 loadAllRowsByBaseId返回空只影响expandRows的同组兄弟回填,不影响发不发检测 (候选行来自分片自身的readChunkRows),落库匹配也不看它。所以后果是"兄弟行各发一次、多扣几次", 而不是丢行。- 顺着这条链查到的是另一个口子,已在
10dec56e修掉:整批完成标记此前不区分"结果有没有真的写进分片"。
二、需人工决策
1. 用户态接口的越权读取:建议做"绑定",暂缓"要求凭据"
现状(今晚重新取证,非引用旧笔记):
- 数据归属由请求参数
user_id决定:controller 层共 19 个文件出现user_id,其中只有 2 个文件里 出现过任何身份调用(requireUser/requireUserOrInternal/currentUser)。这是文件级统计, 端点级未逐个核对,但比例与"归属靠请求参数"的判断一致。 aiimage.security.user-tool-guard-enabled默认 false,生产未覆盖 → query-asin / similar-asin / appearance-patent / collect-data / price-track / patrol-delete / files / tasks 等 14 个前缀匿名可达。- 桌面客户端
app_client对这 14 个前缀共 15 个调用文件,其中只有 4 个文件里出现过任何凭据头 (collect-data 2、price-track 1、shop-match 1)。文件级统计是上界——同一文件里也可能只有一部分 请求带抬头。 AdminApiGuardFilterTest(HEAD 版,20 个用例)对当前代码全绿。
两个可分开的动作:
| 动作 | 效果 | 代价 | 状态 |
|---|---|---|---|
A. 绑定:请求带 JWT 时,校验 user_id 参数必须等于令牌身份;管理员令牌可代客查询;匿名请求不参与绑定 |
已登录用户不能再互相冒读,19 个 controller 文件不用逐个改 | 对匿名与内部令牌调用零影响 | 已实现(见下"绑定的落地依据") |
| B. 要求凭据:把上述前缀纳入兜底鉴权(开关置 true) | 未登录直接 401 | 按上面的取证,约 11/15 个调用文件的现网客户端会整条产品线 401 | 等客户端普遍携带凭据之后再开 |
绑定的落地依据(今晚逐条查证,不是推断):
- 角色词汇表只有三态:
DeviceSessionPolicy.resolveRole只会返回super_admin/admin/null, 没有第三种"员工"角色;生产users表 135 个账号分布为normal子账号 120、admin子账号 13、admin1、super_admin1 → 管理员豁免面闭合。 - 网页端
getCurrentUserId()读localStorage['uid'],而uid由登录响应data.userId写入;AuthService.buildResult里vo.setUserId(user.getId())与jwtService.issue(user.getId(), …)同源 → 诚实客户端的参数恒等于令牌主体,正常用户不会撞 403。 frontend-vue各 tab 一律传getCurrentUserId()/uidForStorage();只有admin-frontend-vue传任意user_id,而它是管理员身份 → 落在豁免里。- 带凭据的 4 个桌面模块(
price_match_new/search_spider/tool/log_uploader)用的都是X-Internal-Token,在shouldNotFilter里由isTrustedInternalToken提前整体放行,不参与绑定。 - 实现范围刻意收窄到
USER_TOOL_PREFIXES:/api/admin、/debug、自助接口仍只做"有没有身份", 不做参数比对,避免误伤后台里合法传他人 id 的流程。 - 代价:每个带
user_id的用户态请求会多走一次requireUserOrInternal。匿名请求在resolveToken处即抛BusinessException(未登录)返回,不查库,但会构造一个带栈异常。按现网这个接口的 轮询频率,量级可忽略,若日后要省掉,可加"仅在带了凭据线索时才解析"的短路。
紧急回退仍是一个:aiimage.security.admin-guard-enabled=false 会把绑定与原有兜底一起关掉。
若要单独关绑定,需要另加开关(当前没有,按规格它就是无条件生效的)。
2. 主机A MySQL:8G 上限冲突已按"抬上限"解掉,生效值 10:2x 也读到了 —— 结论是这台不用调
/opt/1panel/apps/mysql/mysql/conf/my.cnf 写 innodb_buffer_pool_size=8G(instances=8),
容器上限已从 6 GiB 抬到 10 GiB(今夜已生效,回读 memory.limit_in_bytes=10737418240;
实占 3.14 GiB,宿主机 30 GiB 里还有 19 GiB available)→ OOM 悬崖拆除,8G 原样保留。
两件事没做掉,需要人:
- A 的生效值 10:2x 读到了:
bp_mb=8192 / max_conn=500 / lock_wait=50 / ver=8.4.8 / trx_commit=1→ 8G 没有被截断,实占 RSS 3.145 GiB(池是懒加载,还没涨满,上限已是 10 GiB 所以涨满也不会被杀)。 失败原因确认了:容器里MYSQL_ROOT_PASSWORD那份不是库的 root 口令(ERROR 1045 … using password: YES), 而docker exec … sh -c '…$MYSQL_ROOT_PASSWORD…'在 Python 侧的单引号里又根本不会展开 —— 两次"读不到"是两回事。 读到的这次走的是业务账号 +--defaults-extra-file(容器内 600 权限临时文件,用完shred -u,容器内外各查过 0 残留), 口令全程不落到输出里。顺带确认performance_schema对aiimage_backend依旧是 1142 拒(和旧笔记一致), 但SELECT @@…和SHOW GLOBAL STATUS不需要它,所以"读不到生效值"这件事本来就不必等人。 - 同一批读数说明这台没有可调的点,别照着"buffer pool 可能太小"去动它:
Innodb_buffer_pool_read_requests53,799,770,917 对Innodb_buffer_pool_reads31,531 → 命中 99.99994%,物理读基本不存在;Max_used_connections历史峰值 45(上限 500), 当前Threads_connected=13、Threads_running=3;Hikari 两台各max=30 / min-idle=5(合计 60), 远没顶到 MySQL 上限;Innodb_row_lock_waits累计 354,326 次但time_avg=7ms。 也就是说这台的时间花在锁的尾部(本节末那条以及第一版健康评估里的 581 条锁等待统计),不在内存、不在连接数、不在 IO。Aborted_connects3,250 与TcpExtListenDrops=6都是累计值、10 秒窗口内TcpRetransSegs无增长,不构成信号。 - docker update 是运行态改动,容器重建就回滚到 6 GiB。1Panel 的 compose 用的是
memory: ${MEMORY_LIMIT},而 A/B 两台每个应用的.env里都写着MEMORY_LIMIT=0(0=不限), 说明这个 6 GiB 不在.env里、是 1Panel 界面/数据库里配的。要让它扛得住重建,得在 1Panel 控制台把 mysql 容器限额改成 10G(或者按MEMORY_LIMIT=10737418240写进/opt/1panel/apps/mysql/mysql/.env后重建容器)。 同一条适用于 B 的aiimage-mysql-replica(2G→3G)和shufu-device-logs-minio(2G→3G)。
同机顺带一条(未动):innodb_lock_wait_timeout 之前实测为 50 秒,而慢日志里锁等待(581 条)远多于大扫描(44 条),
这个阈值对业务侧的表现需要一并看一眼是否要调。
3. 主机B 的 aiimage-mysql-replica:取证已补齐(活着、滞后 0 秒),结论是先别做读分流
08:2x 直读副本状态(SHOW REPLICA STATUS):
Source_Host: 192.168.0.171 Source_Port: 3306
Replica_IO_Running: Yes Replica_SQL_Running: Yes Seconds_Behind_Source: 0
生效 innodb_buffer_pool_size = 1.0000 G(限额已 2 GiB → 3 GiB)
也就是"追不追主库"这一条已经解决:在追,滞后 0 秒,而且走的是 VPC 私网 192.168.0.171
(这一条顺带把"公网 3306 能不能收掉"的顾虑排掉了,见第五节第 1 条)。
第二件取证(A 的瓶颈是否落在读上)答案是否:上一轮慢日志拆下来锁等待 581 条 vs 大扫描 44 条,
把读挪到副本对锁等待无解,只会新增一层"应用要区分读写源"的复杂度和一套副本专属的故障面。
super_read_only 是否置位没读到,真要启用分流前先确认它,否则分流第一天就可能有人往副本写。
所以本条从"待取证"降级为已知可用、暂不接入。触发重新评估的条件写清楚: 当慢日志里大扫描/报表类查询占比明显上升,或者要做"导出全量结果"这类一次性大读时, 副本是现成落点(外观与货源的 LLM 阶段只读库、不依赖本地文件,分流前提成立)。
4. 软件版本对象的真删开关仍是 dry-run
aiimage.software-version.retention-dry-run 默认 true(只记日志不删对象)。要启用真删,
先把日志里列出的候选清单人工核一遍(客户端安装包对象有历史事故,见 KKBROSWER 那条),核对后再置 false。
5. V137 的 20 个冗余索引还只是 INVISIBLE
V137 只把它们置为不可见,观察 1~2 周慢日志无退化后要追加 V138 执行 DROP,否则索引仍占空间、 仍随写入维护。V132/V133 是退役空号,V134~V137 已占用,下一号是 V138。
6. 后台「LLM 使用」的次数口径变了,要提前打招呼
外观专利合批后,同一批 10 行从约 20 次 HTTP 调用降到 3 次,统计次数约掉到 1/6.7。 这是口径变化不是掉量;要还原真实工作量应看"检测行数"而不是"调用次数"。花钱的降幅比次数小得多 (约 30–45%),且走的是用户自己的 apiKey 额度。
7. 监控指标:端点根本不存在,告警无从挂起
backend-java/pom.xml 只有 spring-boot-starter-actuator,没有 micrometer-registry-prometheus;
线上 GET 127.0.0.1:18080/actuator/prometheus = 404,/actuator 只列 health。
仓库里那 49 个 aiimage.* 指标名从未被任何面板抓到过(TaskObservabilityMetrics 无 @Component、
main 代码零调用者)。
要补的话,动作是"加 registry + 把 metrics 类接成 bean",但 18080 在主机A 是公网直连,
一旦暴露 /actuator/prometheus 就等于公网可读的运行指标,需要同步把它从公网收掉
(只留 127.0.0.1 或加守卫)。近期更省事的做法是直接用日志里已稳定的
taskId= / stage= / jobId= / costMs= / moduleType= 字段做告警。
8. backend/config.py 里的平台自身明文凭据
该文件被 git 跟踪,含生产库口令与 OSS secret。这与"result_json 存用户 apiKey"是两件事。 处置是轮换 + 改走 env + 清历史,三步都需要人执行(轮换会影响所有读这些值的服务,需同窗口发布)。
9. 主机A 的 Nacos:10:13 已停 —— 不只是白吃 2 GiB,它是"鉴权关闭 + 端口对公网开"
取证链(两条都是今晚重跑的,不是引用旧笔记):
- 在 nacos 容器自己的 netns 里数 8848 的 established = 0(
nsenter后的结果, 避开了宿主机ss看不见容器网络的那个坑)。它那两条 ESTAB 的对端是172.22.0.2—— 就是它自己的容器 IP(nacos_default这个网络里只有 nacos 一个成员,7848是它自己的 raft 口), 所以是自我连接,不是客户端。 - Java 侧
env里没有任何NACOS变量(键数 0),进程 cmdline 里没有nacos字样; 两台挂载的/app/application-server.yml(271 行)里 nacos 出现 0 次;仓库里除了本文档也没有 nacos 引用。 - 宿主机
ss -tn到 8848/9848 命中 0 条(A 与 B 都查了)。
改前漏看、这次补上的一条(比内存更要紧):
docker port显示 8080 / 8848 / 9848 全部绑在0.0.0.0,而HostConfig.Memory=0(无上限)。- 容器里
NACOS_AUTH_ENABLE=false、nacos.core.auth.enabled=false(同一文件里nacos.core.auth.admin.enabled=true、console.enabled=true是 2.3+/3.x 的分层开关,还开着)。 - access_log 里近 14 天净是外部扫描:
GET /nacos/v1/cs/configs?...search=blur&pageSize=1000&tenant=*(配置全量导出的招牌探测)、GET /nacos/v1/auth/users?pageNo=1&pageSize=9、还有伪造User-Agent: Nacos-Server的请求(就是那个老 bypass), 来源是 40 个互不相干的公网 IP,curl/python-requests/浏览器 UA 混杂,没有一条来自两台内网地址。 - 没有证据表明被读到过东西:
nacos/v1*相关请求近 14 天共 73 条,状态码是 70 条 500 + 3 条 404,0 条 2xx。 镜像是nacos/nacos-server:v3.2.1,v1 的这批接口在它上面本就不存在,所以探测全落在错误上。 (别把这句读成"安全":500 而不是 401 也说明服务端确实没在鉴权,只是没有对应的接口可打。)
动作(10:13,可一条命令回滚):docker stop 1Panel-nacos-dsLA-standalone。
回滚 = docker start 1Panel-nacos-dsLA-standalone。效果与验证:
- A 的
MemUsed10 GiB → 8 GiB、available20 → 22 GiB。 - 停后 60 秒:java
health=200、近 2 分钟ERROR0 条(该窗口日志 423 行,自证读到了东西)、 货源作业[task-file-job] … jobId=20805 stage=WAIT_LLM照常推进。 - 数据没动:
/opt/1panel/apps/nacos/nacos/data/data2.1G(derby-data建自 5-14,7-29 还在写), 所以哪天要用,起来还是原来那套;别顺手删容器或 app 目录。
我选"停"而不是原计划的"压到 512m",理由有两个,都写在这儿免得下次重判:
①它的 JVM 是 -Xms2g -Xmx2g -Xmn1g 且容器无限额,压到 512m 会当场被 cgroup 杀掉,
要降必须先改 JVM_XMS/JVM_XMX 并重启它 —— 那和停掉的成本一样,收益却小得多;
②停掉同时消掉了 8848/9848/8080 这个对公网开的无鉴权面,压内存只解决钱不解决门。
遗留给人拍板的:如果确认这套 nacos 以后也不用于服务发现,就在 1Panel 里把它卸载或至少改成只绑 127.0.0.1, 并把 §五 的安全组清单加上这三个端口。
三、已解决:Gitea 那 7 个提交推上去了(08:10)
远端 master 56913563 → 7aa9f3df,回读 git rev-list --left-right --count origin/master...HEAD = 0 0。
之前"工作站上没有任何可静默使用的凭据"这句话是假阴性,成因是 Git Bash 的路径转换把
cmdkey /list 变成了别的调用(要写 cmdkey //list)。实际凭据管理器里早就有
git:https://gitserver@git.aishufu.top。可用的静默推送咒语:
GIT_TERMINAL_PROMPT=0 GCM_INTERACTIVE=never GCM_PROVIDER=basic git push origin master
GCM 会 warn no such provider 'basic' 然后回退自动探测 —— 这个 warn 无害、照样成功,
关键是 GCM_INTERACTIVE=never 让它不再弹"选哪个 helper"那 90 秒。
退出码必须重定向到文件再看:git push | tail 拿到的是 tail 的 0,不是 git 的。
四、今晚新查出来的:两台之间的流量大量走公网,只有 5–8 Mbps
这是本轮最有价值的一条,因为它解释了一批"莫名其妙慢/超时"的老问题,而且修它的代价是配置项级别的。
4.1 实测带宽差(30MB 测试体,08:3x)
| 路径 | 结果 | 折算 |
|---|---|---|
A → A 公网 https://oss.aishufu.top(Java 现在写对象走的就是这条) |
3.37 MB / 3.45 s | ≈ 0.98 MB/s |
| B → A 公网同一入口 | 3.23 MB / 3.27 s | ≈ 0.99 MB/s |
A → B 公网 https://download.aishufu.top |
27.5 MB / 45 s(撞 max-time) | ≈ 0.61 MB/s |
A → A 私网 http://192.168.0.171:9000 |
5.5 MB / 0.006 s | ≈ 900 MB/s |
| B → A 私网同一入口 | 6.75 MB / 0.009 s | ≈ 750 MB/s |
A/B → B 私网 http://192.168.0.170:9000 |
≈ 0.009–0.026 s | 1.1–3.5 GB/s |
路由已确认 ip route get 47.110.241.161(在 A 上)= via 192.168.0.253 dev eth0 ——
发往自己的公网 IP 也要出 VPC 网关绕一圈,所以"回环"确实吃公网额度。
公网与私网差 约 1000 倍。
对上面 A→A 那两行的诚实注脚:服务端提前回了 400,只发出去 3.3MB,样本里含 TCP 慢启动。
但该路径 RTT 只有 11 ms(TLS 首字节实测 connect=0.000705s tls=0.010896s),
11 ms RTT 下慢启动几百毫秒就能爬到几百 MB/s,3.45 s 发 3.37MB 解释不通,
而且跨机那条持续 45 s 的 0.61 MB/s 是干净的持续值 —— 结论(公网 ~5–8 Mbps)不受这个瑕疵影响。
4.2 现在还有哪些地址指公网(A 上 java-server 的 env 逐项对过)
| 配置 | 当前值 | 走公网? |
|---|---|---|
AIIMAGE_OSS_ENDPOINT / public-endpoint |
https://oss.aishufu.top |
是,且是 A 指向自己的回环 |
AIIMAGE_ROCKETMQ_NAME_SERVER |
121.196.149.225:9876 |
是,跨机走公网 |
AIIMAGE_TRANSIENT_STORAGE_ENDPOINT |
http://192.168.0.170:9000 |
否 |
AIIMAGE_DEVICE_LOG_OSS_ENDPOINT |
http://192.168.0.170:9610 |
否 |
AIIMAGE_REDIS_HOST |
192.168.0.172 |
否 |
AIIMAGE_DB_URL |
192.168.0.171:3306 |
否 |
副本复制也已经在私网(Source_Host: 192.168.0.171)。所以剩下的公网依赖只有两处:OSS 端点和 MQ namesrv。
MQ 那处已用 broker/namesrv 容器 netns 证实:broker 上能看到来自 47.110.241.161(A 的公网 IP)的 established 连接,
也就是 A→broker 走的也是公网,而不只是 namesrv 引导那一下。
4.3 两处改法(一条已做完,一条需要人配合)
- OSS 端点拆分:已上线(提交
b7ae4478,两台线上 md502357a89da2100689565319462d9db29)。 新增aiimage.oss.internal-endpoint(envAIIMAGE_OSS_INTERNAL_ENDPOINT,默认空=沿用endpoint, 所以不带 env 的环境行为与今天完全一致),只给服务端读写的 client 用; 预签名改用public-endpoint那张 client,浏览器直传 URL 的 host 不变。 生产两台的 env 落在/opt/1panel/runtime/java/java-server/.env(run.sh第 3 行source /.env; 该文件里 AIIMAGE_ 全是export形式,不加 export 传不到 java 子进程*), 写前留了.env.bak-2026092809285x,回滚=删掉那一行再docker restart java-server。 启动日志新增一行可直接回读生效值:[oss] 服务端读写端点=http://192.168.0.171:9000(预签名端点=https://oss.aishufu.top)(两台都已打出)。 连接方向也已实测翻转:A 的 java netns 里出现192.168.0.171:9000,原先的47.110.241.161:443消失。 副作用两条要记着:对象流量不再经过 A 的 nginx(那一层的访问日志看不到了), 服务端到 MinIO 变成明文 HTTP —— 只在 VPC 内,SigV4 不泄露密钥,可接受。 - MQ 走私网:已上线(09:44 改 broker、09:53 改 namesrv,两台都重启过)。
先纠正我上一版的取证错误:我写"broker.conf 里没有
brokerIP1"是查错了文件 —— 容器里/home/rocketmq/rocketmq-5.5.0/conf/broker.conf是发行包自带的那份, broker 实际加载的是-c /opt/rocketmq-5.2.0/conf/broker.conf(bind 自宿主机/opt/1panel/apps/rocketmq/rocketmq/data/broker/conf/broker.conf),它第 8 行一直写着brokerIP1=121.196.149.225。所以注册地址不是自动探测出来的,是 1Panel 装的时候就写死的公网 EIP。 动作与回读:- ① 那行改成
brokerIP1 = 192.168.0.170,备份broker.conf.bak-20260928094413,docker restart 1Panel-rocketmq-ZnP2-rmqbroker→mqadmin clusterList第 4 列变192.168.0.170:10911, 容器running / OOM=false,broker 日志无 error 关键词。java 不用重启:客户端每 30 秒刷一次路由表, 实测改前遗留的那条121.196.149.225:10911长连接在约 1 分钟后自行消失,换成192.168.0.170:10911(两台都是)。 - ② namesrv:
AIIMAGE_ROCKETMQ_NAME_SERVER不在/.env里(/.env只有 7 个 AIIMAGE_ 键, 其余 34 条来自容器创建期的Config.Env),所以是往/.env追加一行export AIIMAGE_ROCKETMQ_NAME_SERVER="192.168.0.170:9876"来覆盖(run.sh第 3 行source /.env晚于容器 env)。 两台各留.env.bak-…,bash -n通过。B 先重启验证,A 随后。 启动日志可直接回读:a producer (aiimage-backend-producer) init on namesrv 192.168.0.170:9876, consumer 容器nameServer='192.168.0.170:9876',两台 ERROR 0 / health UP。 - 一个反复踩到的读值坑:
docker inspect -f '{{.State.Pid}}'拿到的是入口进程(entrypoint.sh→bash /run.sh), 读它的/proc/<pid>/environ只会看到Config.Env那层的旧值,java 是孙进程。/proc/<pid>/environ只反映该进程最后一次execve时的环境,shell 之后source /.env的内容不会回写进去 —— 所以读覆盖后的真值要在宿主机上JP=$(pgrep -f 'aiimage-backend.*jar' | head -1),再tr '\0' '\n' < /proc/$JP/environ | grep AIIMAGE_ROCKETMQ。 11:1x 用这条把同一个键的三层读全了(两台结果一致):Config.Env=121.196.149.225:9876(创建期旧值)→ 入口进程 environ = 同上旧值(这就是那个假象的来源)→ java 子进程 environ =192.168.0.170:9876(真值,/.env的 export 赢了,因为 source 发生在 java 启动之前)。 两条推论:① 判生效值最省事的还是读启动日志那行init on namesrv …,或者直接看 netns 里ss -tn的对端 IP; ②Config.Env里那条公网旧值不用清,/.env每次启动都会盖住它;但反过来,只要有人绕过run.sh直接docker exec起进程,就会退回公网值,所以别用docker exec手工重启服务。 - 改后的真实消息已回读(不是只看连接方向):
10:12:07.553Amq published jobId=20831 moduleType=PRICE_TRACK→10:12:07.921BConsumeMessageThread_2 … jobId=20831 process success,跨机投递耗时约 370ms;10:14:10的jobId=20832(BRAND)由 A 自己消费并finalized success;B 近 45 分钟消费 9 条、A 消费 3 条, publish failed / 熔断 = 0。改完后两台到 MQ 的对端只剩192.168.0.170:9876与:10911,公网那条彻底没了。 - 顺带实测到一条跨机竞争消费本来就是通的(改前的公网路径上):A
09:03:16 mq published jobId=20828→ B09:03:16 ConsumeMessageThread_7 … jobId=20828 process success,09:10:57/58的 20829 同样。 所以 MQ 确实在承载结果文件作业(A 近 12 小时 publish 25 次、两台都有消费线程活动),不是空配置。 - 收益如我先前判断:省的不是带宽而是耦合 —— 文件流量打满 5 Mbps 时不再把作业通道一起拖死。
重启 A 之前它有 3 个货源作业在
WAIT_LLM,重启后 20791/20805/20825 全部继续被task-queue-*处理, 等于顺手把今晚上线的重启续跑语义在真实负载下验了一遍。
- ① 那行改成
4.4 VPC 内的实际延迟与"内网对象通道有没有变差"(10:3x 实测)
A 的 java 到每个依赖的 ss -tni 读数(同一台、同一时刻):
| 对端 | 用途 | rtt | 备注 |
|---|---|---|---|
192.168.0.171:3306 |
主库(同机) | 0.033–1.72 ms | minrtt 0.001,本机 |
192.168.0.170:16379 |
redis master 在 B | 0.147–0.319 ms | 哨兵发现的主,A 只留 2 条长连接 |
192.168.0.171:9000 |
主 MinIO(内网,今晚新走的路) | 0.334–0.823 ms | 37MB 上传中 retrans:0/31、重传字节 41,632/37,662,303 ≈ 0.11% |
192.168.0.170:9000 |
设备日志 MinIO | 0.28 ms | 累计收 536MB / 发 156MB,busy 77s,无重传 |
192.168.0.170:9876 / 10911 |
namesrv / broker | 0.20–0.63 ms | 今晚切私网后新增 |
47.115.192.140:443 |
已认领:cbu01.alicdn.com(1688 商品图 CDN) |
26.1–27.3 ms | 全场唯一的高 RTT,杭州机 → 阿里深圳 CDN 节点 |
三条结论:
- 跨机不是问题:A→B 的 redis/MQ/设备日志全部 0.15–0.63 ms,比 A 到自己 MySQL 的最差那条(1.72 ms)还低。 所以"把 redis 或 MQ 挪回本机"这类改造没有收益,不要做。
- 今晚切的内网对象通道没有变差:那条 retrans 数字是我自己读错的产物 ——
我第一版 awk 用
retrans:[0-9/]+去抓,命中了bytes_retrans:1632这个字节字段, 看着像 1632 次重传。原始行是bytes_sent:37662303 … bytes_retrans:41632 … retrans:0/31 dsack_dups:31 reordering:23, 即 37MB 上传里 0.11% 字节重传、当前无未确认重传;主机级TcpRetransSegs在 10 秒窗口里一次都没涨。 以后从ss -ti取重传,要么取retrans:那个字段,要么先把整行贴出来再判。 - 那个 26 ms 的公网依赖已在 10:5x 认领:
cbu01.alicdn.com(1688 商品图 CDN),货源链路。 过程与证据(前一版写"认不出属于哪个业务调用",现在补上):- 先按 IP 找:在 A 上逐个解析 java 配置里能抽到的外部主机,没命中;再换成"在 A 本机解析外部 CDN 域名"
(关键区别:CDN 按就近返回,我工作站上解析
cbu01.alicdn.com拿到的不是这批 IP), A 的解析结果是47.115.192.140 / 47.115.192.141 / 8.141.190.160 / 8.147.229.178 / 8.160.215.133 …共 8 条 A 记录 —— 目标 IP 是其中第一条。这同时解释了它为什么时有时无:我 10:5x 复查时 netns 里 established 共 20 条、 命中这个 IP 0 条,因为客户端换了一批连接池里的另一个节点。 - 代码侧对得上:
SimilarAsinImageEmbedder.java:80、SimilarAsinLlmService.java:549、PuzzleImageMerger.java:218、SimilarAsinProperties.java:52四处注释都在说cbu01.alicdn.com是慢源("带外站 Referer 稳定 403、 无 Referer 直接 200"、"会一直挂 8s 才进入 retry")→ 就是货源图片下载/内嵌那条路。 - 日志侧对不上是正常的:
grep -c alicdn近 20 分钟 java 日志 0 条(日志里不打完整图片 URL,只打 jobId/行数), 这条不能当反证;同一窗口media-amazon有 39 条,说明图片下载确实在跑。 - 结论:这不是我们能改造的东西 —— 它是外部 CDN,不存在"切内网"的选项,26 ms 是杭州→深圳节点的物理距离。
真要提速只有两档:图片已在库里的别重下(缓存命中),或把下载并发从
image-download-pool-size=8往上抬 ——但公网出口只有 5–8 Mbps,抬并发只会互相抢带宽,所以这条归入"不动"。 - 顺带纠正我自己前一版的取数:那组 rtt 写成
0.405 / 26.104 / 26.303 / 27.314,其中0.405与同 IP 的其它三条 差 60 倍,更像是ss -tni多行记录被我按行抓串了位,不要拿它当"有一条快连接"的依据。
- 先按 IP 找:在 A 上逐个解析 java 配置里能抽到的外部主机,没命中;再换成"在 A 本机解析外部 CDN 域名"
(关键区别:CDN 按就近返回,我工作站上解析
五、暴露面:主机A 有一批端口对公网开放,且 MySQL 账号是 % 主机通配
这条要人在阿里云控制台动手(安全组),代码里做不掉,所以我没碰。
- A 上绑在
0.0.0.0的端口一共 18 个(10:2x 用ss -tln重数,之前这里只写了 5 个,是漏的):22 / 80 / 443 / 3001 / 3010 / 3306 / 6379 / 8085 / 8089 / 9000 / 9001 / 15126 / 16379 / 16890 / 17248 / 18080 / 26379 / 26739。 其中9001是 MinIO 控制台、15126是 Flask、16379/26379/26739/6379是 redis 与哨兵,3001/3010/8085/8089/17248本次没有逐个认领到具体容器(别把这条读成"这些都是废弃端口")。 B 侧对照过:replica 的 3306 只在 docker 网络内,B 对外只有 443。 - 但"端口开着"不等于"能匿名进",这次逐个验了:A 上有 4 个 redis 容器
(
shufu-redis-master8.6.2、shufu-redis-sentinel7.4.0、1Panel-redis-NmIe8.6.2、redis_gzpa-redis_GZPa-17.4.0), 对127.0.0.1:6379、192.168.0.171:6379、127.0.0.1:16379、127.0.0.1:26379各打一次PING, 四次都是NOAUTH Authentication required.,没有一次免口令成功 → 这四个口不用改,收端口只是为了不给爆破机会。26739那口(redis_gzpa-redis_GZPa-1映射到宿主 6379)本次没测,别把上面这句推广到它。 (顺带纠正:ss -tln会同时列出共享同一 netns 的容器的监听口,所以第一版"五个容器都在听 6379"是共享网络的产物, 真实对外映射只有1Panel-redis-NmIe → 6379和redis_gzpa → 26739两条,用HostConfig.PortBindings才数得准。) - 再加一条:nacos 的 8080 / 8848 / 9848 也是
0.0.0.0,且服务端鉴权是关的(详见第二节第 9 条)。 这条今晚已经用"停容器"消掉了,但端口是 docker-p在 iptables 里做的 DNAT,阿里云安全组未必挡得住: 1Panel 装的这些 app 一旦哪天被人重新docker start,门就又开了。所以安全组入方向要明确写上这三个端口拒绝, 而不是只靠"现在没容器在听"。 (停后 8 秒tcpdump采样里这三个端口已无新 SYNs,历史扫描证据见第 9 条的 access_log 统计。) - 主库账号表里读到的是
root@%、gitea_dpCCcA@%、py_Task@%、py_Task_test@%—— 口令猜不出来也不该猜,但"任意来源主机"这个条件意味着端口收掉之前,这些账号只靠口令守。 - 收掉公网 3306 不会打断复制:副本的
Source_Host已经是192.168.0.171(VPC 私网), 这是本条里唯一"已经确认可以安全收"的部分,我提前把它验掉了。 - 同类:18080 是 Java 的 actuator + 业务端口直连公网,所以第七节里"要不要暴露
/actuator/prometheus" 的前提是先把它从公网收掉;9000 是主 MinIO 裸口,公网可直接打 S3 请求。 - 建议动作(一次性、可回滚):阿里云安全组把 A 的入方向限制为 仅 443(+ 运维来源 IP 的 SSH), 先加规则、再从工作站和 B 各验一次"私网仍可连、公网已不可连",最后才考虑删规则。 VPC 内互通(192.168.0.170/171/172 之间的 3306/6379/9000/9876/10911)不受影响 —— 今晚已实测三个私网地址全通。
六、货源主图转存:252 条失败全是瞬时 TLS 重置(11:3x 查出并已修)
这条不是"中间件调优",是查别的东西时撞出来的真在掉数据的口子,所以记全取证链。
- 现象与量级(主机A,
docker logs --since 180m java-server,窗口内总行数 20,846 行):main download fail252 条、row failed asin=247 条;失败原因 252 条全是同一句Remote host terminated the handshake;源分布 247 条全部是m.media-amazon.com(其它源 0 条), 且main download http(非 200)0 条 —— 也就是没有任何一次是源站正常答复的错。 - 失败是按批整片出现的:按分钟分桶是
08:21=10 / 08:26=10 / 08:31=20 / 08:33=10 …10:01=10 / 10:43=20 / 10:49=10, 一批 10 行一起挂,同批三条时间戳10:01:12.805 / .852 / .993相差不到 200ms。 - 证明是瞬时的:把当时失败的 8 条 URL 原样再取一次,7 条 200(9.6KB–22KB 不等)、
1 条
000(curl 也连不上,那条多半是真死了)。 - 三个假说逐个验掉:
- "出口 IP 被 Amazon 封了" —— 同机
curlHTTP/1.1 与 HTTP/2 都 200、openssl s_client完成 TLSv1.3 握手(TLS_AES_128_GCM_SHA256),解析到的节点54.192.34.54;B 机同样 200。 - "JDK 21 的 TLS 栈有问题" —— 在 A 的容器里直接跑单文件程序
java /tmp/TlsProbe.java: HTTP/1.1 串行 200、复用同一 client 再发 200、HTTP/2 200、共享 client 24 并发{OK=24}、 每请求新建 client 12 并发{OK=12}、低频 4 并发 8 条全 200(jdk=21.0.7)。 - "并发打爆了 CDN" —— 配置上峰值只有
llmRowConcurrency=5路主图 + 拼图池imageDownloadPoolSize=8, 而我 24 并发都一次没失败。 → 落到第四点:旧实现一次都不重试。SimilarAsinLlmService.downloadBytes单发,握手被 RST 就return null,prepareImages随即抛主图转存失败: <url>,真实异常被丢掉(我为了知道原因只能去翻紧邻的上一行日志)。
- "出口 IP 被 Amazon 封了" —— 同机
- 代价的准确形状(别夸大也别缩小):
prepareImages是inspectRowInternal的第 1 步, 在类目匹配/合规/图片对比这些 LLM 调用之前 → 失败不烧 token; 但整行被markFailed→ 按现在的重发语义下一轮再来,白占一轮行位,最终在结果 Excel 里就是一行失败。 - 改动:
downloadBytes加有界重试。- 新键
aiimage.similar-asin.llm-image-download-retry-times,默认 2(额外次数,总 3 次尝试);置 0 即完全退回旧行为。 - 只重试连接级异常;非 200 直接返回 null 不重试(源站的确定答复,重试只是白等超时)。
- 加 25 秒总预算常量护栏:慢源 hang 住时不放大尾延迟(同模块 alicdn 已被这件事咬过,
见
SimilarAsinImageEmbedder里"8s + retry=1 → 改回 5s + retry=2"那条注释)。 - 重试成功打
main download retry-success url=… attempt=n/N;耗尽后抛IOException("主图下载失败(<真实原因>)"),prepareImages再拼成主图转存失败: <url> 原因: <真实原因>→ 行失败日志从此自带原因。
- 新键
- 测试:
SimilarAsinMainImageDownloadRetryTest6 例全绿(抖动两次第三次成功 / 耗尽后异常里带真实原因 / 403 只发一次 / retryTimes=0 退回单次 / 线程中断立刻停止重试且标志回设 / 空 URL 不抛), 原有SimilarAsinLlmServiceTest8 例未受影响。 - 回滚不用回退 jar:
/.env追加export AIIMAGE_SIMILAR_ASIN_LLM_IMAGE_DOWNLOAD_RETRY_TIMES="0"后重启 java 即可。 该键已按本仓库惯例写进application.yml:380(llm-image-download-retry-times: ${AIIMAGE_..._RETRY_TIMES:2}), 所以运维在 yml 里就能看见它,回滚走的是 yml 占位符而不是 relaxed binding —— 这条是确定性的。 (补记:第一版我只把默认值写在 Java 字段里,yml 没这一行,那样 env 覆盖就只能靠命名松散绑定;打包后自查发现yml has retry key: False才补上, 补完必须重打包,因为 yml 在 jar 内。) - 发版后要看的数:
main download retry-success与main download fail的比值。 若 retry-success 占大头 → 对端确实在抖,值得再抬 retry;若 retry 后仍大量耗尽 → 说明这批 URL 里有真死的, 那时再谈"失败行要不要在 Excel 里区分'可重试/不可重试'"。
6.1 发版后实测(11:57 上线,取到 12:02 的数)—— 结论与上面的预期相反,照实记
发版:dd06a1cf,两台线上 jar 同为 03eb1049c19ff58f3d8df423aeb6d0e9(162,591,773 B),
health 200、Flyway 137 无新迁移、ERROR 0 条、AIIMAGE_ROCKETMQ_NAME_SERVER=192.168.0.170:9876 重启后仍是私网值。
主机A 按日志行首本地时间戳切窗口(docker logs --tail 300000 落文件后 substr($0,1,19) 过滤):
| 窗口 | 行数 | 货源行处理 | 行失败 | main download fail 行数 |
带 attempt= |
retry 救回 | 三次耗尽 |
|---|---|---|---|---|---|---|---|
| 旧代码 11:00–11:56 | 21,583(含下行) | 514 | 75 | 75 | 0 | — | — |
| 新代码 11:57–12:02 | 1,581 | 107 | 15 | 49(=18 段重试 ×次数) | 49 | 3 | 15 |
- 重试只救回 3/18 = 17%,另外 15 段三次全耗尽;
err=全是同一句Remote host terminated the handshake,非 200 仍是 0 条。 - 行失败率几乎没动:14.0%(15/107) vs 旧代码 14.6%(75/514)。
- 所以第五节/第六节开头那个"瞬时抖动、重试就能救"的判断只对了一半: 它确实是瞬时的(事后几十分钟再取就 200),但恢复窗口比秒长—— 250ms/500ms 这种 backoff 撞上的还是同一阵重置,因此只有少数踩在窗口边界上的行被救回。
- 确定拿到的收益是另外两条,不是重试本身:
① 15/15 条
row failed现在都带原因: Remote host terminated the handshake(旧代码 0 条带原因,grep -c '主图转存失败: .* 原因: '在旧窗口是 0),以后不用再去翻紧邻的上一行; ② 非 200 与连接级失败被分开了(main download http独立计数),不会再混成一个数。 - 剩下的杠杆只有两类,都需要先量准"恢复窗口到底多长"再决定,本轮没有动: (a) 把 backoff 抬到秒级以上(如 2s/5s,预算 25s 装得下)——但代价是占住行 worker, 货源行并发只有 5,每行多挂 7 秒会直接压吞吐; (b) 不加重试、改为让现有的"整轮重发"去接(分钟级天然对齐恢复窗口), 代价就是现在这个形状:白占一轮行位。 现在的数据只够说明"秒级重试≈聊胜于无",不够说明 (a) 有用—— 要做 (a) 得先按 ASIN 关联"同一 URL 第一次失败 → 后来成功"的时间差分布,这个还没测。
6.2 真根因:解析到的 CDN 边缘不认 m.media-amazon.com 这个 SNI,直接 RST(已修:备用域名)
12:08 回读时它还在掉数据(窗口总行数 7,029 自证,不是"翻到几条算几条"):
main download fail 109 条、retry-success 只有 3 条、row failed asin= 35 条、非 200 仍是 0 条,
失败 host 109/109 全是 m.media-amazon.com。往下查了四层,结论是第五节开头那句"瞬时抖动"只对了一半。
- 第一层:按节点固定 IP 打(
curl --resolve,每节点 5 次) —— 失败不是均匀分布,是整族失败:184.27.207.2310/5、184.27.207.2450/5(Akamai 系,全code=000,0.2s 内被重置);3.161.83.535/5、65.8.31.1435/5、99.84.157.655/5、18.245.30.82/18.64.1.220/54.192.34.54200(CloudFront 系)。 - 第二层:是不是节点本身死了 / 被墙了?都不是。 同一个坏 IP 上:
带 SNI
m.media-amazon.com→openssl s_client3/3write:errno=104; 不带 SNI → 3/3 握手成功(TLSv1.3 / TLS_AES_256_GCM_SHA384); 换 SNI 为images-na.ssl-images-amazon.com→ 同一 IP 直接 200。 TCP 443 两边都能连(/dev/tcp都 yes)→ 复位发生在 ClientHello 之后 = 这台边缘没配这个虚拟主机名, 不是封禁、不是限流、不是 TLS 版本/套件问题。 - 第三层:为什么会"整批一起挂" —— 解析本身在抽奖:宿主机 24 次查询里 **15 次(62%)**给的是坏族、
容器内 12 次里 4 次(33%);而 JVM 的正向 DNS 缓存会把抽到的节点钉住一段时间
(
java.security:347那行是注释态 → 无 SecurityManager 时按 JDK 默认 30 秒,这个 30s 没实测, 但"至少钉住一整批"是被数据证明的:同批 10 行在同一 200ms 内全挂、秒级重试 3/3 同败)。 → §6.1 那 17% 就此得到机械解释:250ms/500ms 的三次重试全打在同一个坏节点上, 只有踩在换期边界上的 3 段被救回;把 backoff 抬到 30s 以上确实能行,但要占住并发只有 5 的行 worker,不划算。 - 改法(本次上线):连接级失败后的第 2、3 次尝试改用备用域名
images-na.ssl-images-amazon.com, 首试仍用原 URL;只换 host,端口/path/query 逐字符保留。换名等于换一批解析结果,不等待、不占 worker。- 为什么是这个名字:最近 20 条失败 URL 走它 20/20 成功,且与原域名取到的字节 md5 零不一致(20 次比对);
反例
images-amazon.com6/6 全 000 —— 所以这是白名单映射,不是"随便换个 amazon 域名"。 - 新键
aiimage.similar-asin.llm-image-host-alias-map(application.yml:381, 默认m.media-amazon.com=images-na.ssl-images-amazon.com,多组用;分隔), 置空即关掉这条、退回 §6.1 那版行为;回滚同样是/.env追加export AIIMAGE_SIMILAR_ASIN_LLM_IMAGE_HOST_ALIAS_MAP=""后重启 java。 - 日志可分辨:救回来的那条会长成
main download retry-success url=https://images-na.ssl-images-amazon.com/...。
- 为什么是这个名字:最近 20 条失败 URL 走它 20/20 成功,且与原域名取到的字节 md5 零不一致(20 次比对);
反例
- 测试:
SimilarAsinMainImageDownloadRetryTest6 例 → 10 例(首试必须原域名+二次换域名且路径不变 / 映射置空完全退回 / 映射外域名(alicdn)不受影响 / 带端口与 query 的 URL 只换 host),原 6 例语义未改仍全绿。 - 发版后要看的数:
row failed asin=的占比应从 ~14% 往下走;retry-success里 host=images-na 的占比 就是这条的命中量。若失败仍高,说明坏的不止这一族或不止这一个名字,再按同一套逐节点方法复查, 不要直接加 retry 次数。
6.3 §6.2 发版后实测(A 12:33:30 起,约 7 分钟窗口)—— 26/26 全救回,行失败 0
同一台、同一套计数,只换时间窗(docker logs --since 95m 落文件后按 substr($0,12,8) 切窗,窗口内总行数一并报出):
| 窗口 | 窗口行数 | main download fail |
救回(换域名) | 救回(原域名) | 非200 | row failed asin= |
flush 出的 totalRows |
|---|---|---|---|---|---|---|---|
| 旧代码 11:00:00–11:56:00 | 17,995 | 60 | 0 | 0 | 0 | 60 | 160(16 次 flush) |
| 新代码 12:33:30–12:40:45 | 1,832 | 26 | 26 | 0 | 0 | 0 | 20(2 次 flush) |
- 旧代码是 1:1:60 次握手失败 = 60 行判失败(一次都没救回)。 新代码是 26 次失败全部由备用域名救回,行失败 0 —— 换域名这条路是成立的, 而 §6.1 那 17% 正是因为三次秒级重试打在同一个坏节点上。
- 别把这张表读成"行失败率归零":新窗口只有 20 行样本(货源任务是间歇的), 能证的是**"连接级失败 → 行失败"这条因果被切断了**(26/26), 行级占比要等攒够几百行再按 §6.1 的口径复测。
resc_same=0也是有效信息:原域名上再试一次一次都没救回来, 与"被钉住的是节点不是时刻"完全一致。
七、容器 json 日志已长到 2.7–3.6GB,daemon.json 里没有任何 log-opts(需人拍板)
-
实测
du -m /var/lib/docker/containers/*/*-json.log的前几名及归属(id 取目录名,别用basename $f -- '-json.log', 那写法会把 id 取空、docker inspect报错,然后被我自己的兜底文案伪装成"残留目录"这个假结论):主机 当前体积 容器 容器创建时间 实测日均(近 2 万行的时间跨度折算) B 3591 MB 1Panel-openresty-iXP22026-04-09 184 MB/天(619,577 行/天) A 2666 MB java-server2026-09-16 180 MB/天(385,887 行/天) B 1063 MB 1Panel-gitea-AgMc2026-08-12 53 MB/天(158,025 行/天) B 318 MB java-server2026-09-16 41 MB/天(144,687 行/天) A 1820 MB 1Panel-openresty-8XvI2026-04-09 9 MB/天(31,926 行/天) A 1684 MB shufu-redis-master2026-08-25 0.2 MB/天(1,742 行/天) ⚠ 第一版这张表我是拿"体积 ÷ 存活天数"摊的,几乎每行都错(redis 摊出 "~50 MB/天"、B openresty 摊出 "~21 MB/天")。 正确做法是
tail -n 20000的首尾两条"time"求跨度,再用tail -n 20000 | wc -c求字节量 —— 摊出来的平均会把 历史上的突发当成常态,还会把"最近才变快的"(B openresty)压平。 -
redis 那 1.68GB 已经查清了,不是"速率异常",是一次 9 分钟的重连风暴: 全文共 10,617,262 行 / 平均行长 165 字节,而按行号采样时间戳, 第 1 行 =
2026-08-25T05:34:16(容器刚创建)、第 10,070,001 行 =2026-08-25T05:43:27→ 95% 的体积是创建后头 9 分钟写出来的,之后到 09-18 才又爬了 53 万行。 那 9 分钟在刷什么:Master replied to PING, replica…/Non blocking connect for SYNC fa…/Retrying with SYNC…/(Non critical) Master does not …/Trying a partial resynchroniz…/Unexpected reply to PSYNC from …/MASTER aborted replication with…/Reconnecting to MASTER 192.168.…—— 典型的副本对主库的 PSYNC 被拒 → 立刻重连紧循环(10.07M 行 ÷ 551 秒 ≈ 1.8 万行/秒),不是 crash。 当前这台的实际写入量是 2.9 字节/秒 ≈ 0.25 MB/天(就是每 5 分钟一次 BGSAVE 那三行), 所以这条从"值得单独取证"降级为"历史一次性事件,止血时随别的一起 truncate 即可"。 -
但顺带查到一条会误导人的事实:redis 容器名与实际角色是反的(
docker logs | grep -oE '[0-9]+:[SMX] [0-9]{2} [A-Za-z]{3}' | tail -1实测): A 上叫shufu-redis-master的容器今天的前缀是1:S(slave),B 上叫shufu-redis-replica的容器是1:M(master), 两边 sentinel 日志里都留着25 Aug 06:32:56 +switch-master mymaster 192.168.0.171 16379 → 192.168.0.170 16379—— 也就是 8-25 那次故障切换之后角色就固定在"名字相反"的状态了(上面那场 SYNC 风暴正是那次切换前后发生的)。 看名字判断主从会判反,要认角色读日志前缀或INFO replication。这也和第六节 java 侧实测一致:数据连接落在.170。 -
B openresty 为什么涨到 193 MB/天 —— 已定性,是客户端轮询而不是攻击: 按行号采样时间戳看增长曲线,
2026-04-09到2026-09-11才写到第 90 万行(约 6 千行/天), 之后每 90 万行只花 1~2 天 → 9-11 前后涨了约 100 倍。近 2 万行的构成:/newApi/api/collect-data/tasks/progress/light5,073 +price-track1,471 +appearance-patent1,325 + 其余各progress/light合计约 8,400 行(42%)、/api/tasks/pull-pending3,201(16%)、/newApi/api/notifications/summary2,947(15%)→ 约 73% 的访问日志是这三个轮询接口。 状态码:20,000 行里匹配到状态码的有 19,878 条,其中 200 = 19,784、304 = 94,4xx/5xx = 0 (剩 122 行是 nginx 自己的 notice/error 行,不带状态码)→ 不是被打,是自己人在轮询。 可选的低成本止血(本轮没做,属要人拍板:会损失这些接口的访问记录): 在 B 的 openresty 站点配置里对progress/light、pull-pending、notifications/summary三条 location 加access_log off;(或单独降级到一个可轮转的日志文件),按上面的占比能砍掉约 7 成的 193 MB/天, 且nginx -s reload是 graceful、不重启容器、不断长连接。 反过来说:如果以后要靠访问日志查"某次轮询有没有返回过 304/401",这条就查不到了 —— 所以先问要不要留样。 -
来源构成(同一批 20,000 行里数
{"log":"后面的 IP,注意宿主机ss与grep '^[0-9]'两种写法都取不到,因为每行以 JSON 开头): 一共只有 10 个来源 IP,8.149.69.98一个占 12,843 行(64%),8.139.247.2242,875、8.139.195.392,201、183.253.114.241441、8.139.170.222413、183.220.59.30407、120.33.224.243296、121.205.250.173166、47.110.241.16168(= 主机A 自己的 EIP)。UA 分布:Mozilla/5.0 Windows12,904、python-requests/2.32.56,698、python-requests/2.32.3153、Mozilla WOW6435(合计 19,790,其余是 nginx 自己的 notice 行)。python-requests那批打的是/api/tasks/pull-pending(3,203) +/api/internal/device-logs/upload(834) +device-logs/config(658) +user-secret-usage(136) +similar-asin/tasks/<id>/result+tasks/<id>/heartbeat→ 是采集端在领任务/回报,不是外部扫描,所以 193 MB/天是"自家轮询设计"的账单,要降量得从轮询频率/日志策略两侧挑一边。 -
顺带发现一条真实的公网绕行,但调用方没认领到(不要当成已定性):
47.110.241.161(主机A 的 EIP)作为客户端出现了 68 次, UA 是axios/1.20.0,打的是GET /newApi/check_login和POST /newApi/login(10:59:48–49 连续一串,全 200)。 那一刻 A 宿主机与各容器 netns 里到121.196.149.225的 ESTAB 都是 0 条(短连接,采样撞不上)。 A 上常驻两个 node 进程(/www/wwwroot/jlyj.ditiansui.online/server/video-api.js跑了 18 天、dist/server/main.js跑了 5 天) 只是候选,我没证到是它俩之一 —— 想认领就在 A 上tcpdump -i eth0 -nn host 121.196.149.225 and port 443 -c 3拿源端口, 再ss -tnp 'sport = :<端口>'取 pid。注意这是 Node 侧发出的 axios(浏览器发的 axios 会带 Mozilla UA), 所以是服务器上的脚本在按域名登录自己的 API,不是用户在刷页面。 量级 68/20,000 = 0.34%,不是性能问题,本轮没动。 它给 §4.4 那句"两台之间业务链路无公网残留"划了个边界:那句的范围是 java↔MySQL/redis/MQ/OSS(已实测走私网), 不含"A 上还可能有别的进程按api.aishufu.top域名绕回 B"。 -
磁盘不紧张(A 用 33% 剩 317G、B 用 18% 剩 388G),真正的代价是取证速度,而且我一开始把这条判错了: 实测同一台 A 上
docker logs --tail 5= 12 ms(docker 从文件尾部反向取), 而docker logs --since 1m= 19,631 ms、docker logs(全量 6,286,829 行)= 22,063 ms →--since一点都省不了,它仍然从头解析整个 2.6GB 文件;省的是输出量,不是时间。 本轮我所有探测都用--since,等于每次白付 ~20 秒。 以后探测一律优先--tail N+ 本地按时间戳过滤,只有真的要看"某个绝对时间点之后"才用--since。 -
想加
log-opts: {max-size, max-file}要改/etc/docker/daemon.json并systemctl restart docker,而 两台的 daemon.json 里只有registry-mirrors、没有live-restore(docker 默认 false)→ 重启 dockerd 会把该机上所有容器一起重启,包括 MySQL 主库、MinIO、redis 四件套、两台 java。这是本条没做的直接原因。 -
还有一层:
log-opts只对新建容器生效,现有容器得 recreate 才吃到 —— 而 recreate 又会把今晚docker update抬的三处内存限额打回(见第一节附的表)。 -
所以顺序建议:① 先把三处限额写进 1Panel 控制台(持久化)→ ② 开
live-restore: true(这一次重启仍会连带重启容器, 但之后重启 dockerd 就不再影响业务)→ ③ 最后逐台加log-opts并按 recreate 窗口滚动生效。 -
期间可以做的低风险止血(不需要决策,但要写文件,本轮没动):把已经确认不需要的历史 json.log 用
truncate -s 0清零(docker 以 O_APPEND 持有 fd,清零后继续写、不会破坏文件), 一次能回收 2.6GB/1.7GB/3.6GB。代价是那段历史读不回来了 —— 今晚的取证全靠这些日志, 所以我倾向于先给 java 的日志降量或先把关键窗口 dump 出来,再清零。这条留给用户定。 -
如果只做一次
truncate,先做 A 的shufu-redis-master:它的文件 17.65 亿字节里有 10.07M/10.62M 行(95%)是 2026-08-25 05:34:16–05:43:27 那 9 分钟的一次性风暴, 当前只写 0.25 MB/天 —— 清掉它几乎不损失任何"以后可能还要看"的东西,一次回收 1.7GB。 相比之下 java/B-openresty 那两坨是持续的(180–193 MB/天),清完三天就长回来,属于必须配log-opts才解决的那类。清的顺序按实测增速而不是按当前体积:B openresty 与 A java 各 ~180 MB/天,两三天就长回现在这个量级; redis 那 1.68GB 反而是最"安全"的一笔(0.2 MB/天,且内容全是一次性事件)。
7.1 增速与保留期都改成"实测值"(12:44 复测,方法可复跑)
上面那张日均表是用 --tail 首尾时间戳算的;这次换个更省的做法,一次拿全体积、保留期、增速:
head -c 3000 / tail -c 3000 各取一条记录里的 "time":"…Z"(json-file 的 time 字段是 UTC,
比行内那个本地时间戳好认),体积差用 60 秒 stat -c %s 取 delta,不用整文件扫。
| 主机 | 容器 | 体积 | 现存最早一条 | 最新一条 | 实测增速 |
|---|---|---|---|---|---|
| B | 1Panel-openresty-iXP2 |
3,776,044,511 | 2026-04-09T15:53Z | 09-28T04:44Z | 186 MB/天 |
| B | 1Panel-gitea-AgMc |
1,117,366,739 | 2026-08-12T05:09Z | 09-28T04:44Z | 58 MB/天 |
| B | java-server |
335,763,998 | 2026-09-16T16:27Z | 09-28T04:44Z | 78 MB/天 |
| A | java-server |
2,806,448,699 | 2026-09-16T16:27Z | 09-28T04:45Z | 219 MB/天 |
| A | 1Panel-openresty-8XvI |
1,907,609,884 | 2026-04-09T16:23Z | 09-28T04:38Z | 0(60s 内没写) |
| A | shufu-redis-master |
1,765,409,908 | 2026-08-25T05:34Z | 09-28T04:42Z | 0 |
- 两台合计 11.7 GB,稳态增速 ~540 MB/天;磁盘 A 用 34%(316G 空)、B 用 18%(389G 空)
→ 按稳态算根本不紧急,几年都填不满。所以"要不要配
log-opts"的理由不是省磁盘。 - 真正的理由是这两条:
① 风暴型写入没有上限:redis 那 1.77GB 里 95% 是 2026-08-25 那 9 分钟写进去的(§七),
一次事件就能顶掉一个月的稳态量,
max-size/max-file是唯一能兜住它的东西; ② 读日志本身变贵:docker logs --since 3h在这台是 19.6 秒(要从头扫 2.8GB),--tail N才是 12ms —— 今晚取证全程只能绕着--since走。 - 注意
java-server的"最早一条"两台都是2026-09-16T16:27Z:那是容器重建时间,不是保留策略。 现在没有任何轮转,文件只跟随容器存活期长,重建才清零 → 别把"只留了 11 天"当成配置过 retention。
八、品牌检测现在是坏的:代理 IP 供应商回「套餐不存在」(需人掏钱/换供应商)
发版 A 之后做启动异常采样时撞出来的,量级比 §六 那条更大,但根因不在我们代码里。
- java 侧现象(主机A,
--since 60m,窗口总行数 20,590 行自证):[brand-check]告警 2,859 条 = 全机日志的 13.9%,其中服务端返回查询失败将重试2,062、整批耗时预算用尽341、重试耗尽判定查询失败402(涉及 270 个品牌名/小时),请求异常将重试只有 21 条(全是HTTP/1.1 header parser received no bytes)。 → 也就是说服务在正常应答,但每次都把品牌放进query_faild_data。 - 归因到服务自己(16890 = 宿主机进程
python api.py,cwd/root/BrandTesting,pid 324327,已连续跑 59 天): 读它自己的/root/BrandTesting/nohup.out尾部 400KB(5,580 行)做形状统计:获取代理失败: 'NoneType' object has no attribute 'get'× 286代理请求结果->: {"code":-1,"data":null,"status":…,"message":"套餐不存在"}× 285- 紧接着
json.decoder.JSONDecodeError: Expecting value: line 1 column 1 (char 0)× 280(把非 JSON 响应喂进json.loads) - 同期
INFO: 127.0.0.1:xxx - "POST /brand_check HTTP/1.1" … OK× 310 → HTTP 层一直是好的 → 代理商那边的套餐不存在/已到期,不是限流、不是网络、不是 java 超时、也不是 §四 那条公网带宽问题。 钱或新供应商是唯一的入口,代码侧调不动。
- 别顺手砍 java 的重试:进入重试的品牌直方图是
attempt=1/10 → 401、2→311、3→289、4→267、5→230、6→177、7→164、8→127、9→96, 每档还在救回 7–22%,砍AIIMAGE_BRAND_CHECK_RETRY_TIMES等于把可恢复的品牌直接写成"查询失败"给客户看。 真正的浪费点是 90 秒整批预算(total-timeout-millis:90000)每小时用尽 341 次 —— 分片回传的时延上界就是它, 历史上曾有一次被拖到 103.5s 导致客户端中止整轮采集(taskId 28599,代码注释里记着)。 等套餐恢复后这两个数要重新量,现在做的任何调参都是在坏上游上调。 - 附带把一条旧判断证伪:A 上访问自己的公网 EIP 并不慢(对小请求而言)。
同一秒内各打 3 次
GET :16890/:47.110.241.161→time_connect=0.27/0.35/0.27 ms,192.168.0.171→0.066/0.065/0.061 ms。差 4 倍但绝对值都可忽略; §四 说的 5–8 Mbps 只在大块传输(下载图片/上传对象)时咬人,别拿它去解释小 POST 的失败。 - 另一个纯运维项(我没擅动,属可执行清单):
/root/BrandTesting/nohup.out已 941,635,295 B, 实测 30 秒长 27,021 B(900 B/s)≈ 78 MB/天 —— 本条第一版把它写成了 "1.1 GB/天",是乘法算错了 14 倍 (1.1 GB/天 需要 13 kB/s);13:1x 另取一次 5 秒 4,700 B(940 B/s)与之吻合,两笔独立测量都对得上, 只有原来那个结论错。按 78 MB/天,900MB 约是 12 天积累。磁盘 492G 用了 156G(34%),完全不致命。 进程是nohup追加写、不能发信号重启 → 只能logrotate配copytruncate(保留几轮 + 压缩)。 这是客户排障唯一的日志来源,保留策略要人点头,所以先记命令不执行。
九、卡住自愈扫描会被一行的锁等待作废整轮(症状与根因两处都已修,取证在案)
§六 那轮复测顺手查出来的第二个缺陷,性质不同:它不是网络,是我们自己的定时任务。 修了两处:§9.3 让扫描不再被一行拖垮(症状),§9.5 把整批 LLM 移出事务(根因,持锁方本身)。 只修 §9.3 的话 burst 不再作废整轮,但那 50 秒锁等仍会每 110 秒白占一条 Hikari 连接。
9.1 现场是什么样子
- 主机B
docker logs --since 40m(窗口总行数 6,008 行自证)里CannotAcquireLockException9 次, 失败时刻12:58:16 / 13:00:06 / 13:01:57 / 13:03:47 / 13:05:37 / 13:07:27 / 13:09:17 / 13:11:07 / 13:12:57—— 严格每 110 秒一次,13:12:57 之后自行停止。110 = 60sfixedDelay+ 50sinnodb_lock_wait_timeout, 这个周期本身就是"同一行、同一处、每轮都撞"的指纹。 - 抛点的完整 SQL 与栈(同一段日志里抠出来的,不是推测):
UPDATE biz_task_file_job SET retry_count=?,updated_at=?,status=?,error_message=?,finished_at=?,terminal_callback_at=? WHERE (id = ? AND status = ? AND updated_at …)→TaskFileJobMapper.update-Inline→TaskFileJobService.resetStuckRunningJobsDetailed(TaskFileJobService.java:390)→TaskResultFileJobWorker.resetStuckJobs(TaskResultFileJobWorker.java:101)。 - 同期 job
20834(APPEARANCE_PATENT/ASSEMBLE_RESULT/ ownerserver-110)的一个 LLM 批次costMs=1077959(18 分钟),窗口正好盖住上面这 15 分钟。 - MySQL 侧累计自证:
Innodb_row_lock_waits=354,493、Innodb_row_lock_time_max=51,199 ms、Innodb_row_lock_time_avg=13 ms→ 平均 13 毫秒,尾巴 51 秒:绝大多数锁等是正常排队, 出事的是极少数"被一个长事务按住"的行。慢日志里同类 50 秒锁等已 586 条, 8-31 / 9-08 / 9-16 各有一轮同样的 burst(历史热点 id 18399 命中 516 次)→ 不是今晚才有的。
9.2 为什么"整轮作废"比"这一行没修好"严重得多
原实现第 344–399 行的循环没有逐行容错,而第 400–405 行的
refreshJobsByIds + publishDispatchEvent 排在循环之后。所以第 390 行一抛:
- 本轮 SELECT 出来的其余最多 199 行不再看一眼(含真卡住该救的行);
- 本轮已经复位成功的那些 job 一个 dispatch 事件都发不出去 —— 它们已经是 PENDING 了却没人派发,
要等下一轮扫描的 PENDING 分支再兜一次,每兜一次
retry_count+1,而MAX_RETRY_COUNT只有 5; exhaustedJobs直接丢空 → 该判终态失败的作业不 finalize,用户界面停在"处理中";- 这一轮的 50 秒白占一条 Hikari 连接 → 同一时间窗内
Connection leak告警 7 条(阈值就是 50s)。
被锁的那一行按 ORDER BY updated_at ASC 每轮都排在最前面,于是 12:58–13:13 每一轮都先撞它、
每一轮都整轮作废,那 15 分钟里实际上没有任何自愈在跑。
9.3 修法(只收口这一处,不动事务边界)
resetStuckRunningJobsDetailed 循环体整体包 try/catch (RuntimeException):单行失败只打一条
带 jobId 的 WARN 并 continue;publishDispatchEvent 也改成逐个 job 独立包(监听器是同步执行的,
一个 job 派发失败不能带走同批其余)。刻意不加事务、不改 @Transactional、不动 CAS 条件 ——
每行本就带 status + updated_at 的幂等条件,跳过就是下一轮再收,重复执行不会双份复位。
新增两个回归测试:lockedJobRowDoesNotAbortTheRestOfStuckScan(第一行抛 1205,第二行仍被复位并派发)、
alreadyResetJobsStillDispatchWhenOnePublishFails(第一个事件发布抛异常,第二个仍发出)。
9.4 持锁方:外观专利的 stale 恢复把整批 LLM 包进了事务(已定位、已修)
这一节上一版写的是"仍未定位"。定位过程记在这里,因为其中两条判据是错的,值得留着的不是结论而是排除路径。
四条证据:
- 同一笔 job 的三个数对上:burst 期间主机B 报 1205 的那一行,就是主机A 上 job
20834(APPEARANCE_PATENT/ASSEMBLE_RESULT/ ownerserver-110),它的 LLM 批次costMs=1077959= 18 分钟,把 12:58–13:13 整段盖住。两台AIIMAGE_INSTANCE_ID不同(server-110/server-121) → 这是跨实例持锁;resetStuckRunningJobsDetailed的扫描条件不带 owner,所以 B 必然会去碰 A 正持有的行。 - 锁由哪条语句取:
submitLlmBatches循环每批开头调TaskFileJobService.touchRunning(:555,UPDATE biz_task_file_job SET updated_at=? WHERE id=? AND status='RUNNING'),紧跟着才是llmClient.inspectRows的 HTTP(:926)。持锁方与被锁方打的是同一行、同一把 X 锁。 —— 注意取锁点不是enqueueAssembleResult:它对已RUNNING的行直接 return、不写(:63)。 - 为什么这把锁能活 18 分钟:
finalizeStaleTask的三个调用点原先都把整个方法包进PROPAGATION_REQUIRES_NEW,而方法里tryRecoverTimedOutPythonTask→submitLlmForSubmittedChunk(:1246) →submitLlmBatches就是那 18 分钟。MyBatis-Spring 的语义:有环境事务时 mapper 调用不各自提交, 行锁持到最外层 commit;无环境事务时每次调用即刻提交、锁即时释放。 - 被排除的干扰项(都查过,别再重跑):全仓
FOR UPDATE只有 shop-data-crawl 日锁与TaskScopePayloadStorageService:486两处,与本路径无关;今天全天 shop-data-crawl 删除调用 0 命中 (拒绝删除/reconcile task after result deletion/deleteHistory各 0);worker、touchRunning、 MQ 消费链静态读下来都不带环境事务。
两条当时看着像证据、其实不是的:
CglibAopProxy出现在栈里 ≠ 在事务里。任何被代理的 bean 都会出现这一帧。判事务只能看TransactionInterceptor.invoke/DataSourceTransactionManager.doBegin/TransactionTemplate.execute。 我按错的判据一度指认"brand-check 线程持事务",读源码后自己否掉(CollectDataService.submitResult无@Transactional,品牌检测本就注释说明刻意放在锁外)。- 线程转储抓晚了不能当反证。7 份转储(
jcmd <javapid> Thread.print;A 机 java 是 pid 12, pid 1 是bash /run.sh,对它抓只会得AttachNotSupportedException)里没有任何TransactionInterceptor.invoke, 但抓样时刻 13:31 已在 burst(止于 13:12:57)之后 —— 只能证明"此刻没有"。 顺带:kill -3 1发给 bash 是无效的(非交互 bash 忽略 SIGQUIT),既没伤害也没产生转储。
对照:同源模块 SimilarAsinTaskService 早就是正确形状(:991 只把 finalizeTask 包进短事务,
LLM 提交在事务外)。AP 是唯一破坏这个约定的模块,不是"全仓都这么写",所以本轮不需要横扫其它模块。
9.5 第二处修法:事务边界收到 finalizeTask 那一层
- 三个调用点(
finalizeStaleTasks/debugFinalizeStaleTask/finalizeNoUploadStaleTask)去掉外层inNewTransaction,改由finalizeStaleTask自己只在finalizeTask外面开短事务;tryRecoverTimedOutPythonTask里"封口"那段(多行 scope 状态更新)单独占一个短事务,紧随其后的 LLM 批次在事务外。 - 加回归哨兵:
submitLlmBatches发批前查TransactionSynchronizationManager.isActualTransactionActive(), 命中即 ERROR 带 taskId/jobId/pendingRows —— 以后谁再把批次搬回事务里,日志会直接点名,不用重演今晚的抓转储。 finalizeTask内shouldAssembleSynchronously()恒为 false(出表走 MQ 异步),所以留在短事务里的只有 两次 select + 两次 update + enqueue + redis delete。- 本轮没动的三件,各自理由:brand-check 的重试/预算参数(§八 已定性为坏上游,调参等于在坏上游上调)、
selectRowsUpdatedAtByTaskIds(SQL 已够窄,无慢日志证据)、给 MySQL 加 PROCESS 权限(见下)。
数据库侧想直接看 information_schema.INNODB_TRX / performance_schema.data_lock_waits 仍然不行:
业务账号 CURRENT_USER()=root@172.19.0.1(名字是 root,权限被削平)只有 GRANT USAGE ON *.* +
aiimage.* 表级授权,没有 PROCESS(读 INNODB_TRX 回 1227、读 data_lock_waits 回 1142),
GRANT OPTION 也只覆盖 aiimage.*,提不出全局权限;宿主机上没有可用 root 凭据
(grep -rl MYSQL_ROOT_PASSWORD /opt/1panel 无结果、无 /root/.my.cnf,容器 env 里那个口令实测 1045 不认)。
给生产库加 PROCESS 属权限变更,不在本轮授权范围内,留给人工决定。 于是改成让代码留钩子:
WARN 里带被锁的 jobId,而该 job 的执行日志(哪个实例、哪个批次、起止时刻)就在同一份日志里,
两边一对就能指认持锁方。下次 burst 不用再抓转储。
9.6 发版后验收(B 14:17 / A 14:20,两台同一 md5 ca20c212f11b80c4c2e53c4f231e2b19)
发版前取证(14:15):A 最近 3 分钟 960 行里 brand-check 240 / collect-data 22 / similar-asin 17 / appearance-patent 3,
库里 4 笔 RUNNING(货源 20791=task 29438、20805=task 29452;外观 20833、20838);
B 3 分钟只有 22 行、模块活跃度 1 → 先发 B 无感。
代价照实记:A 重启打断那 4 个在飞批次,重启后 4 笔全部回到 RUNNING 并续跑(updated_at 14:25:54–14:26:31),
其中外观 20833 因 reclaim 把 retry_count 从 0 抬到 2(上限 5)。被打断那一批的 LLM 次数已扣而结果没落库,等于重发一次。
验收计数(每条都带窗口总行数自证):
- B
--since 8m共 556 行:CannotAcquireLockException0、Connection leak0、事务哨兵 0; - A 纯重启后
--since 3m共 801 行:以上三项 0,且ERROR级 0; - MySQL 60 秒两次采样(14:27:24 → 14:28:24):
Innodb_row_lock_waits354,519 → 354,519(增量 0)、current_waits=0、time_avg=13 ms、time_max仍是历史值 51,199 没再抬高。
这条验收的边界必须说清:窗口里只有货源在"等更多行",外观的 stale 恢复 + 十几分钟长批次这期间没再发生,
所以"0 命中"只证明没有回归,不能证明长事务持锁已被消除。后者的依据是代码形状(§9.5)加两条回归测试;
哨兵的价值在于——下次谁再把它改回去、或还有一条路径把批次留在事务里,
llm 批次正跑在事务里 会直接把 taskId/jobId 点名出来,不用再演今晚的抓转储。
顺手记一个发版脚本自身会让人误判的地方:阶段5 的异常采样窗口是 --since ~115s,而 restart 只花 11 秒,
所以采样里混着旧 JVM 的最后一段。本次 A 就报了一条
NoClassDefFoundError: ...AbstractGenericHttpMessageConverter$1,用 awk 把它上面最近的日志时间戳抠出来是
14:20:00.437,而容器启动时刻是 14:20:01.835 —— 属于旧进程在 jar 被就地替换后按需加载类失败,不是新包的问题,
纯重启后窗口里它是 0。看到异常先归因时间戳,再决定要不要回滚。
十、三条"看着像优化点"的假设,全部被实测否掉(别再看第二遍)
§九 上线后继续找改造点,撞出三条候选。三条都没有改代码,各自的证伪证据记在这里。
10.1 品牌检测端点改私网 —— 否掉,因为 EIP 流量根本没出 VPC
两台都没 pin AIIMAGE_BRAND_CHECK_BASE_URL,用的是 jar 默认 http://47.110.241.161:16890
(= A 自己的公网 EIP),所以 B 的 java 也在跨机打这个公网地址。看着就是"该走私网 192.168.0.171:16890"。
同一台机器上各 GET 三次实测:
| 发起方 | 公网 EIP 47.110.241.161:16890 |
私网 192.168.0.171:16890 |
|---|---|---|
| B | 0.00135 / 0.00083 / 0.00081 s | 0.00075 / 0.00071 / 0.00072 s |
| A(对照 §八) | 0.27 / 0.35 / 0.27 ms | 0.066 / 0.065 / 0.061 ms |
B 到 A 的 EIP 只要 0.8 毫秒,和私网的 0.7 毫秒同一量级 —— 说明这段流量在阿里云同区域内根本没走公网出口,
§四 那条 5–8 Mbps 的公网带宽上限咬不到它。换成私网省的是 0.1 毫秒,代价是两台 .env 都要改并重启 java。
不划算,放弃。 顺带确认:16890 在 B 上 127.0.0.1 是 CONN_FAIL(服务只在 A 的宿主机上),
且 AIIMAGE_NOTIFICATION_BRAND_SERVICE_URL 早就是 http://192.168.0.171:15126(另一个服务,已经私网化)。
10.2 「FAILED 作业没写终态回调 → 每轮被重复捞出来空转」—— 否掉,0 条
§九 的扫描 SQL 里有一条分支是 status='FAILED' AND retry_count>=5 AND terminal_callback_at IS NULL,
每轮最多捞 200 行。看到全局 DELETE_BRAND FAILED 71 就怀疑这批僵尸每 60 秒被两台各处理一次。
直接数:满足该条件的行数 = 0(按模块分组的结果集为空),retry_count>=5 且 callback IS NULL 的分布也是空。
那 71 条只是历史失败计数,回调都写过了。假设不成立,没动代码。
10.3 「任务 29475 永远停在 RUNNING,是个既不恢复也不判死的死锁组合」—— 否掉,它在正常爬
组装 job 终态失败但分片仍未补传完整,暂不恢复 taskId=29475 每 7 分钟打一条,线程是 http-nio,
像"客户端在反复重传同一批、永远补不齐"。把已收到的分片序号全列出来:
11,22,33,44,55,66,77,88,99,110,121,132,143,154,165,176,187,198,209,220,231,242,253,264,275,286,297,308,319,330,341,352
相邻差值:delta=11 命中 31 次,共 32 片;chunk_total=813,每片 payload 平均 124 字节
步长恒为 11 一度指向"客户端把行偏移当 chunk 序号发、服务端拿它跟 813 比 → 永远收不全"。
对照今天另外两笔就清楚了:29473 的分片已传完(max(chunk_index)=623 正好等于 chunk_total=623,共 57 片,
completed=1),29479 在 704/961。所以 chunk_index 就是行偏移(每片 11 行),判"传完"用的是最后一个偏移追平 total,
不是"收到 total 片"。29475 现在在 352/813(43%),一切正常。
慢的真实原因是每片 11 行要花 7.3 分钟 ≈ 40 秒/行,与 §八 代理套餐过期同一条线:
不是协议 bug、不是服务端问题,是上游采集速度。
那条 INFO 也就不必改 —— 它每片打一条,正好是"任务还在推进"的心跳。
但本节初稿里"
29473已完成"那句是错的,14:59 复查明细后更正:它只是输入封口 (completed=1),任务本身 13:59 之后就没动过 ——biz_file_task.status仍RUNNING、biz_file_result.url为空、组装 job 20833RUNNING retry_count=2,也就是分片传完了但结果出不来。 这条更正不是抠字眼:那 60 分钟的"没动"正是 §十一 那场"锁忙"风暴的另一半现场。
三条共同的教训:这三个都"看着像问题",而且前两个改起来都很便宜(换个 env、清一批僵尸行)。 如果直接动手,10.1 会白重启两台 java、10.2 会去删一批其实正常的历史行。 便宜的改动更需要便宜的证伪:一条 SQL 或三次 curl 就能判生死,先花这 30 秒。
十一、结果文件作业撞锁后自己点火:20 分钟 667 次零退避重投(已修)
§九 发版后做验收时顺手数了日志占比,结果翻出一个跟事务无关的新问题。记在这儿, 因为它的判据形状("每分钟递增""全属同一个 jobId""调度轮询一次都没领到活")比结论更值得留。
11.1 现场
A 机(server-110)重启后 20–30 分钟窗口:
| 窗口 | 总日志行 | process requeued because task lock is busy |
占比 |
|---|---|---|---|
| 14:2x–14:5x(30m) | 9,116 | 741 | 8.1% |
| 14:3x–14:51(20m) | 6,556 | 472 | 7.2% |
| 14:39–14:59(20m) | 7,687 | 667 | 8.7% |
- 全部集中在一个 jobId:472 条那窗 100% 是
jobId=20838 taskId=29479 moduleType=APPEARANCE; 30 分钟那窗另有 187 条属20833/29473,到 14:5x 只剩 20838。 - 速率在涨,不是衰减:按分钟数 3 → 6 → 12 → 18 → 22 → 24。积压会被冲掉,自循环才会越跑越快。
- B 机 0 条 —— 风暴只出现在作业 owner 所在的那台。
- 时间戳形状:同一个 jobId 的重投行严格分簇,簇内相邻差 ≈1 s、簇周期 ≈10.02 s,
一个簇里并排 4 条链。10 s 这个数正好是
TaskDistributedLockService.DEFAULT_WAIT_MILLIS=10000。
11.2 根因:requeue() 在退回 PENDING 的同一刻把下一发点着了
链路(TaskResultFileJobWorker.processInternal → TaskFileJobService.requeue →
TaskFileJobDispatchCoordinator.onTaskFileJobDispatch → TaskFileJobLocalDispatcher.dispatch):
撞锁(等 10s 未果) → requeue(): UPDATE ... status RUNNING→PENDING (updated=1)
→ publishDispatchEvent() ← 就是这一句
→ AFTER_COMMIT 监听器 → 本地 dispatch(force) → worker.process()
→ claimRunning(): PENDING→RUNNING → 再撞同一把锁 → requeue() …
requeue只在状态真的翻转时才发事件(.ne(status,'PENDING')是防重复投递的闸), 但这条路径上它每次都翻转成功(RUNNING→PENDING),于是每一轮都点火一次,环路里没有任何延迟要素。- 周期 = 10 s 探锁 + 一次往返,所以稳态就是"每 job 每 10 秒一次",而分片上传事件每次
requeue都会另起一条链(scheduleLlmPipelineForSubmittedChunk每传一片调一次),链数只增不减 → 解释 11.1 的递增。 - 不是 MQ 重投:
TaskFileJobConsumer.onMessage只做selectById+process,秒回、不抛异常 ⇒ broker 不重投; 而且 20838 是 owner-scoped 作业,归属机上走的是本地 dispatch,dispatchAfterCommit里直接 return,根本没发消息。 实测旁证:同窗口dispatch相关行 0、scheduled worker claimed0、队列已满0、backpressure0。 - 锁确实被别人占着,不是僵尸锁:同窗口
appearance-llm-row-12/13/14正在发 LLM 请求,biz_file_task 29479.updated_at每几秒被刷一次。持锁方是同一任务的逐片 LLM 提交,属正常串行。
代价算在共享执行器上:一次探测要占住 taskQueueExecutor 的信号量许可整整 10 秒
(max-concurrent=12,与货源 LLM 重提、图像视频轮询共用同一池)。按 667 次/1200 秒做 Little 定律:
0.556 次/秒 × 10 秒 ≈ 5.6 个许可被"只是在等锁"的作业长期占着,约占全池 46%。
这一条是本节值得修的全部理由 —— 日志吵只是表象。
11.3 修法(一处,5 行)
TaskResultFileJobWorker.processInternal 撞锁分支不再走 requeue(),改走已存在的
deferRunning():同样 RUNNING→PENDING、同样写 error_message,但不发 dispatch 事件,
节奏交回 runPendingJobs 的固定周期。application.yml 里 local-worker-delay-ms 生效值 10000
(不是 @Value 兜底的 15000),所以最坏 10 秒后被重新捞起,比原来的"0 秒"慢、比"作业搁死"快。
String busyMessage = "Task is busy, waiting for previous task operation";
if (localWorkerEnabled) {
taskFileJobService.deferRunning(job.getId(), busyMessage); // 停车,不点火
} else {
taskFileJobService.requeue(job.getId(), busyMessage); // 没有轮询兜底,必须自己点火
}
那个 else 不是保守,是防搁死:application-local.yml 把 local-worker-enabled 关掉时,
PENDING 行没有任何周期扫描会捞它(该 profile 连 MQ 都关着),去掉 publish 就等于把作业永久留在 PENDING。
本地 worker 开着 ⇔ 每 10 秒必扫一次,两者严格互斥,所以按这个标志分支就够了。
依赖的前提都取过证,不是推断:
- 调度线程活着:同窗口
aiimage-scheduling-*1,474 行(ziniao 缓存任务在跑); - 轮询开着:A 机 java 进程 env 只有
AIIMAGE_RESULT_FILE_JOB_MQ_ENABLED=true一个 result-file-job 键,local-worker-enabled走application.yml的:true,/app/java/application-server.yml未覆盖; - 轮询能捞到它:
claimRunnableJobsForOwner的 owner 分支条件status IN (PENDING,FAILED) AND module_type IN (APPEARANCE_PATENT,…) AND owner=本机 AND retry_count<5, 20838 实测status=RUNNING owner=server-110 retry_count=0—— 翻成 PENDING 即命中。
11.4 没动的两处(有意留着)
DEFAULT_WAIT_MILLIS=10000不改短。改成 2 s 能把"一个卡住的作业 = 1 个许可"压到 0.2 个, 但修完 11.3 之后重投频率已经从 0.556 次/秒降到 ≈0.1 次/秒·job,两个卡住的作业只占 2/12 许可; 再动就是要给 9 个测试文件的allowLock打桩换参数,证据不足以支付这个改动面。队列已满那条requeue(offloadOrRun的闸门拒绝分支)形状相同、也零退避, 但实测窗口内 0 次触发(它要TaskQueueGate的 1,000 等待位先填满才会响)。不预修。
11.5 验收判据(发版后按这两条读,别只看"0 命中")
process requeued because task lock is busy每分钟条数应从 ≈24 掉到 ≤ 作业数 × 6/分钟, 且不再随时间递增;scheduled worker claimed jobs count=必须从 0 变成非 0 —— 这条是新路径的唯一直接证据: 修完之后重投由轮询驱动,它不出现就说明作业其实是被别的东西捞起来的,那我的模型就是错的,得回来重查。 反过来说:这一条比"风暴消失"更重要,因为"消失"也可以用"任务刚好跑完了"来解释。- 结果侧不能变差:
waiting for async llm result与process success的条数不应下降; 作业若真的 5 分钟没心跳,stuck reset仍会兜住(stuck-timeout-minutes:5没动)。
11.6 验收结果(15:37 读,纯新包窗口,两条判据都过)
线上 md5 两台一致 da1696f1f21ae4f0ff35cb78940a8202(162,593,211 B)。注意这个 jar 的路径坑:
宿主机 /app/java 才是容器里的 /app(docker inspect 的 bind mount),所以
docker exec java-server md5sum /app/java/*.jar 会安静地返回空——空输出不是通过,
本次差点当成绿灯,改在宿主机上 md5sum 才读到真值;回滚件 .bak-202609281524xx(A)/
.bak-202609281522xx(B)md5 = 上一版 ca20c212…,两台都在。
同一条 busy 日志的新旧对照(这是最硬的一条,取自主机A):
| 窗口 | jar | busy 条数 | 折算 |
|---|---|---|---|
| 15:20:00–15:24:40(4 分 40 秒) | 旧(ca20c212) |
252 | 54 次/分钟 |
| 15:25:00–15:37:43(12 分 43 秒) | 新(da1696f1) |
34 | 2.7 次/分钟 |
降 20 倍,且 2.7 远低于"作业数 × 6/分钟"的上限(当时真在跑 LLM 的作业只有 20838×26、20833×8 两个), 按分钟看 15:26→15:37 是 2/3/1/2/3/3/3/7/6/4,不随时间递增。
判据 2(唯一直接证据):scheduled worker claimed 同窗口 25 次(此前窗口恒为 0),
按分钟 1/3/2/2/3/3/3/3/3/2 与 busy 按分钟几乎 1:1 —— 重投确实改由轮询驱动,模型成立。
判据 3:waiting for async llm result 47 条、process failed 0、队列已满 0、ERROR 0。
process success 在这个纯窗口里是 0,不能拿来当绿灯也不能当退化——这两个外观作业本来就在等 LLM 行,
30 分钟窗口里有一次成功(15:09 jobId=20791 SIMILAR_ASIN,那还是旧包时段)。这条留待下一个完成样本再确认。
MySQL Innodb_row_lock_waits 354532 → 354533(约 7 分钟 +1),风暴打在 DB 上的那部分随之平了。
stuck reset 窗口内触发 1 次(15:35:03,resetCount=1 exhaustedCount=0),形态与"15:24 重启留下的
RUNNING 行等满 5 分钟阈值"一致,是兜底在正常工作,没有作业因此烧掉重试。
顺带被这次取证否掉的下一个优化点:/app/java 下 12 个 jar 备份共 1.9 GB,本想加"只留最近 N 个"的
清理,但两台根卷分别还有 315 GB / 389 GB 空闲(使用率 34% / 18%)——1.9 GB 对这个体量是噪声,
不做。同理容器日志仍是 json-file map[](无 size 上限),但那要改 daemon.json 并重启 docker,
属第七节的人工决策,不由脚本顺手改。
十二、开机自回收从来没生效过:每次发版都在吃结果文件作业的重试次数(已修)
§十一 修完重投风暴后,回读作业时顺手发现的,性质比风暴更阴——它不刷屏,只是把还能补传的组装作业一个个判死。
12.1 取证(主机A 库,15:45)
SELECT COUNT(*) FROM biz_task_file_job WHERE error_message LIKE '%实例重启,作业已重新排队%'= 0。 这条文案是 9-27 那批改动里"开机自回收"写下的唯一痕迹。上线到现在一条都没有 —— 这个兜底机制从来没有捞到过任何东西。日志侧同样证据:booted and reclaimed每次重启都是 0。- 与此同时,作业 20833(任务 29473,外观专利)的
retry_count从 15:26 / 15:33 两次读到的 2 变成 15:42 读到的 3。requeue()和deferRunning()都不碰这一列(TaskFileJobService:597-635), 全库只有两条路会 +1::357PENDING 僵尸兜底(上限压到MAX_RETRY_COUNT-1)与:378RUNNING 卡死复位 (加到 5 就把这行写成 FAILED,文案"文件生成任务运行超时,已达到最大重试次数")。 窗口内唯一命中的是 15:35:03 那条handled stuck running jobs reset resetCount=1—— 也就是:378。 - 15:24:53 那次重启时,A 上有 4 个 owner=server-110 的 RUNNING 作业。它们没被开机回收接走, 于是 5 分钟后由 stuck 扫描按 +1 重试处理。发版 → 遗骸 → 扣重试,中间没有任何一步是可逆的。
- 这条链已经产生过一个死掉的作业:20836 / 任务 29475(外观专利),
created_at10:37:00、 11:10:38 变 FAILED、retry_count=5、文案就是上面那句。33 分钟走完 5 次,与"5 分钟阈值 ×6 轮"同量级。 这正是最初报的那个"组装 job 终态失败但分片仍未补传完整,暂不恢复"。 要说清楚:这 33 分钟里 A 没有重启(按.bak-*时间戳数,今天 A 的重启在 02:42/03:15/09:32/11:56/12:33/14:19/15:24), 所以 20836 的死因不是发版,而是它当时正被 §十一 那个零退避循环反复搬运。两件事的公共节点是:378那个会判死的计数器。 - 今天两台各发了 7–8 版(
.bak-*时间戳:A 7 个、B 8 个),RestartCount=0说明 docker 自己没动过, 全是发版脚本的docker restart。重试预算是 5。这两个数字放在一起就是问题本身。
12.2 根因:判据锚在"距今 N 秒",而事件只在重启后几秒响一次
TaskFileJobService.reclaimOwnedRunningJobs 原来的界是 now - max(60, staleSeconds)(staleSeconds 默认 90)。
它要防的是"误抢另一个仍在心跳的作业",逻辑没错,但取错了时刻:reclaimOwnedJobsOnBoot 挂在
ApplicationReadyEvent 上,本机从被杀到事件响只隔了十几秒,那时遗骸的 updated_at 也只停了十几秒,
< now-90s 永远不成立 → 一行都取不到。等它真的"停了 90 秒以上"时,这个事件早就不会再响了。
开机回收是一条结构上不可能命中的分支,所以线上 0 条不是巧合。
判据换成 本进程的启动时刻:owner=本机 AND status=RUNNING AND updated_at < 本进程启动时刻。
成立的前提有两条,都已核:① docker restart 是先 stop 后 start,新进程起来时旧进程必然已经退出,
它留下的行一定停在这个界之前;② updated_at 全部由应用侧 LocalDateTime.now() 写入(不是 DB 时钟),
和本界同源,不存在跨机时钟偏移;本进程自己派发的行只会晚于这个界,所以界之后的行天然不会被抢。
12.3 修法(四处,无行为扩张)
InstanceMetadata暴露startedAt(ManagementFactory.getRuntimeMXBean().getStartTime(),系统默认时区)。TaskFileJobService.reclaimOwnedRunningJobs(String owner, LocalDateTime orphanedBefore, int limit): 收调用方给的界,删掉Math.max(60, …)下限;界为 null 就不回收(交给 stuck 扫描)。TaskResultFileJobWorker.reclaimOwnedJobsOnBoot()传instanceMetadata.getStartedAt(),日志改打cutoff=。- 配置键
aiimage.result-file-job.boot-reclaim-stale-seconds(含 yml 行)删除。 取证过两台 env 都没有AIIMAGE_RESULT_FILE_JOB_BOOT_RECLAIM_STALE_SECONDS,删了不影响现网; 留着则是"谁调大一点,遗骸就又筛不出来"的反向开关。测试里改为断言这个键不存在。
12.4 验收判据(下次发版就能读到,不用等)
- 发版前:记下当时的 RUNNING 行 id + retry_count。发版后:
实例重启,作业已重新排队必须 > 0 (这条从 0 变非 0 就是本机制第一次真的工作),且这些行的retry_count一个都不能涨。 booted and reclaimed日志出现同样的条数;这些作业应在几十秒内被重新 claim(不该再等 5 分钟)。- 反证也要看:如果两台都在跑同一 instanceId,回收会抢对方的行 —— 已核
AIIMAGE_INSTANCE_ID分别是server-110/server-121,不撞。
12.5 顺带证伪的一条:外观模块自己那条 busy requeue 是冷代码
AppearancePatentTaskService:1806-1811 是同一形状的"撞锁 → requeue(自带点火)",但它写的
error_message 不同("…waiting for appearance patent result merge"),DB 能直接分辨:
近 6 小时 0 行命中,命中的 2 行全是 worker 那条文案。原因是可达性——它只能由 worker 的 handler
调到,而 worker 调到它时同一线程已经持有这把锁,TaskDistributedLockService 的重入计数(:58-61 加、
:188-191 减,只有减到 0 才真释放)会让内层直接拿到句柄、永不走 null 分支。
不改:给它加退避等于给死代码上保险,而且要动 handler 契约。
12.6 验收结果(16:14 读,75e48680 两台发版后即读,判据成立但第 1 条换了计量口径)
发版是 16:09:11 那次同时重启(两台同版 da1696f1 → 1ed261d9,health 200,Flyway 137 无迁移,无启动异常)。
这一轮的样本条件比预期更好:发版前那一刻全网 RUNNING 的结果文件作业恰好就是本机 owner 的 3 条
(16:06:23 快照),回收该接住几条、接住了几条,可以逐行对上。
| 项 | 发版前 16:06:23 | 发版后 16:13:36 | 判据 |
|---|---|---|---|
| 开机回收日志 | 全天 0 条(结构上不可能命中,见 12.2) | 开机自回收本机遗留作业 count=3 owner=server-110 cutoff=2026-09-28T16:09:11.595 limit=20,时刻 16:09:21.513 |
✅ 第一次真工作,且是启动后 9.9 秒 |
booted and reclaimed |
0 条 | 1 条 reclaimed=3 instanceId=server-110 cutoff=2026-09-28T16:09:11.595 |
✅ 与上一行同源同数 |
| 20805(29452 货源)retry | 0,RUNNING,心跳 16:06:17 | 0,RUNNING,静默 31s | ✅ 没涨 |
| 20833(29473 外观专利)retry | 3,RUNNING,心跳 16:06:15 | 3,RUNNING,静默 33s | ✅ 没涨 —— 旧行为这里会变 4,再发一版就撞 5 判死 |
| 20853(29500 货源)retry | 0,RUNNING,心跳 16:06:12 | 0,RUNNING,静默 2s | ✅ 没涨 |
| 重新被 claim 的延迟 | 旧包要等 stuck 扫描(阈值 5 分钟) | 16:12–16:13 每 20 秒一条 scheduled worker claimed count=2 |
✅ 几十秒量级,不是 5 分钟 |
PENDING 堆积 |
— | pending_rows=0 |
✅ 回收没把作业留在队列里 |
已达到最大重试次数 / killed_rows |
0 / 1 | 0 / 1 | ✅ 本轮没有新增判死 |
boot reclaim failed / ERROR / 队列已满 |
— | A:0 / 0 / 0;B:0 / 0 / 0 | ✅ |
B 机 开机自回收 0 条不是没生效:B 当时没有自有 RUNNING 作业(发版前 992 行日志里 0 claimed、
0 chunk、0 ERROR,空闲),cutoff 那条路径查不到候选,所以不打日志。A 的 3 条对上了就是判据成立。
判据 1 的口径要更正 —— 这是我写 12.4 时想错的一点:实例重启,作业已重新排队 写进 error_message
之后会被下一轮处理覆盖(16:14 复核 still_marked=0,20805 现在是 "Similar ASIN result uploaded…"、
20833 是 "Task is busy, waiting for previous…")。所以它是瞬时标记,不能当累计计数用;
真正的验收锚点是这两条:开机回收日志的 count= 和 那几行 retry_count 跨发版不变。
reclaimed_rows 这种"按文案数行数"的读法在任何一次成功回收之后都会掉回 0,读到 0 别当成没工作。
顺带记一笔:这一轮同时是 §十一 和 §十二 第一次在同一个真实发版里叠上 —— 20833 处于 §十一 的停车态
(Task is busy + RUNNING),旧包靠 stuck 扫描按时间判死它,新包先由开机回收退回 PENDING、
再由 10 秒一轮的轮询重新捞起。两个修复接的是同一条链的两端。