6d53fd6e6e
收尾体检时用 pgrep 拿到 java 子进程 PID 回读,确认 /.env 的两行覆盖真吃到了: Config.Env 与容器入口进程 environ 都还是公网 121.196.149.225:9876,只有 java 子进程是 192.168.0.170:9876 —— 原因是 /proc/pid/environ 只反映最后一次 execve,shell 之后 source 不回写。顺带记下一条禁令:不要用 docker exec 手工起服务,那条路会绕过 run.sh 退回公网值。
427 lines
36 KiB
Markdown
427 lines
36 KiB
Markdown
# 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 |
|
||
|
||
线上产物:`162,590,216 B` / md5 `b834d489c8640fd1f6cc9d51238f4606`,两台一致。
|
||
(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:
|
||
|
||
1. **`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。
|
||
2. **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)。
|
||
3. **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)。
|
||
4. **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、
|
||
`admin` 1、`super_admin` 1 → 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_requests` 53,799,770,917 对 `Innodb_buffer_pool_reads` 31,531
|
||
→ **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_connects` 3,250 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 `MemUsed` 10 GiB → **8 GiB**、`available` 20 → **22 GiB**。
|
||
- 停后 60 秒:java `health=200`、近 2 分钟 `ERROR` **0 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/data` 2.1G(`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:
|
||
|
||
```bash
|
||
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 md5 `02357a89da2100689565319462d9db29`)**。
|
||
新增 `aiimage.oss.internal-endpoint`(env `AIIMAGE_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;
|
||
② `Config.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):`10:12:07.553` A `mq published jobId=20831 moduleType=PRICE_TRACK`
|
||
→ `10:12:07.921` B `ConsumeMessageThread_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`
|
||
→ B `09:03:16 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。
|
||
|
||
### 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:
|
||
|
||
1. **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。
|
||
2. **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。
|
||
3. **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**。
|
||
|
||
## 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-master` 8.6.2、`shufu-redis-sentinel` 7.4.0、`1Panel-redis-NmIe` 8.6.2、`redis_gzpa-redis_GZPa-1` 7.4.0),
|
||
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。
|