TCP「保活 / 判活」方案笔记
TCP「保活 / 判活」方案笔记
本文记录
button-game中src-tauri/src/device.rs采用 socket 级 TCP keepalive 的完整推理过程,
以及在 Windows 上「断电后多久能发现」的确切数字。触发这次梳理的问题:为什么这里用 keepalive,而不是像另一个项目那样定时发应用层数据包?
结论先行:不是「Windows 慢」这么笼统,而是「应用层判活借用的计时器不归你管,
且在空闲连接上会被重置到最慢档」。keepalive 是 Windows 上唯一能按 socket 精确控制判死时长的杠杆。
0. 一页速查
| 判据 | 选型 |
|---|---|
| 对端会回应应用层消息 | 应用层心跳 —— 能顺带证明对端应用健康 |
| 对端不回应应用层消息 | socket keepalive —— 唯一可按 socket 控制判死时长的杠杆 |
| 对端周期性主动推数据 | 数据驱动判活 —— "N 秒没收到"本身就是最强信号,零 syscall |
| 需要判断对端进程是否卡死 | 只能应用层应答。TCP 层永远探不到 |
本项目落在第二行:M050 不回应任何应用层消息,且应用 99% 时间空闲。
1. 先区分两个被混用的词
| 目标 | 典型场景 | |
|---|---|---|
| 保活 | 别让中间设备(NAT / 防火墙 / LB)因「空闲」回收连接表项 | 长连接穿公网、经 NAT |
| 判活(探活) | 对端已死,我要知道,并去重连 | 局域网直连设备、断电 / 拔线 |
device.rs 那 21 行做的是判活。设备与 PC 同处一个局域网,中间没有会回收空闲连接的状态设备,
不存在保活需求。
常见误解:以为"定时发个包"是通用保活手段。其实那是 application-level keepalive,
主要用途是穿 NAT、防中间设备回收空闲连接,解决的是另一个问题。
2. 问题的根源:安静的连接无法自证存活
TCP 连接有一个反直觉的性质:它不会因为你拔了网线就告诉你。
read() 在一条已经物理断开的连接上会永久阻塞 —— 从本机内核视角看,没有任何事件发生:
没有 FIN、没有 RST、没有数据。只有当你主动发东西且数据发不出去(重传超时),
内核才会把这条连接判死。
安静的连接没有任何信号。 这就是全部问题的起点。
3. 三套判死机制,各管一段
TCP 里其实有三层"判死"能力,很多人只想到其中一层:
| 链路状态 | 谁在判死 | 特点 |
|---|---|---|
| 有数据在传 | 数据段重传耗尽(不需要 keepalive) | 快 —— 本来就在互相 ACK |
| 完全空闲 | 只有 keepalive 探测 | 到点就开始探 |
| 需要知道应用健康 | 只能应用层应答 | TCP 层无能为力 |
关键性质:keepalive 只在链路空闲时才发探测。有流量时计时器被重置,一个 probe 都不发 ——
因为不需要,数据本身就在证明存活。
⇒ 分工:数据重传负责"忙时判死",keepalive 负责"闲时判死"。
⇒ 而本场景 99% 空闲(没人按就没有上报)。
这就是核心问题所在:应用层心跳在"忙"时判死很快,在"闲"时最慢。
而本场景恰好落在它的最差区间。
4. 时钟归谁管 —— 决定性的不对称
如果用应用层发包判活,你借用的其实是数据可靠传输的重传定时器。而它的设计目标是
「别因为网络拥塞就过早放弃」,所以它故意很耐心。
三个关键事实(均来自 Microsoft 官方文档):
TcpMaxDataRetransmissions默认 5,是 系统级注册表参数
(HKLM\System\CurrentControlSet\Services\Tcpip\Parameters),不是 socket 选项。- 重传定时器新建连接时初始化为 3 秒(
InitialRtt默认 3000ms),
随后按 SRTT 自适应,每次重传翻倍。 - RFC 6298 §5.7:连接空闲超过当前 RTO 后,RTO 应重置回初始值。
Windows 遵循该行为 ⇒ 空闲越久,应用层判活越慢。
而 keepalive 这边,10s 与 2s 是你在代码里直接写的。
差别不是「谁更快」,而是「谁可控」。
Windows 特有的不对称:
- Linux 有
TCP_USER_TIMEOUT,可按 socket 指定「已发送数据多久未被确认就强制断开」——
这正是应用层判活的逐 socket 控制手段。 - Windows 没有对应的 socket 选项(据我所知,公开的 WinSock 选项里没有等价物)。
能调的只有系统级TcpMaxDataRetransmissions,改了影响整台机器上所有程序。
⇒ 在 Windows 上,想让「多久判死」写进代码、按 socket 生效,可选杠杆基本只有 keepalive。
5. 断电后多久能发现 —— 确切数字
5.1 本方案(socket keepalive)
参数:KEEPALIVE_TIME_MS = 10_000,KEEPALIVE_INTERVAL_MS = 2_000。
探测次数:Windows Vista 及以后固定为 10 次,不可修改。
Microsoft Learn《SIO_KEEPALIVE_VALS》原文:
「在 Windows Vista 和更新版本上,(资料重新传输)的保留探查数目设定为 10 且无法变更。
在 Windows Server 2003、Windows XP 和 Windows 2000 上,保留探查数目的预设设定为 5。」
时间轴:
t = 0 链路变空闲(最后一个包被 ACK)
t = 10s probe #1
t = 12s probe #2 (无 ACK,隔 2s 重试)
t = 14s probe #3
...
t = 28s probe #10
t = 30s 第 10 次后仍无 ACK → 判死
⇒ 约 30 秒(再加 1 个 RTT 量的网络延迟,局域网可忽略)。
这个数字是确定的、可预算的,且改参数就直接改结果。
5.2 应用层发数据包
参数:TcpMaxDataRetransmissions = 5,RTO 从 3s 起、每次翻倍。
重传预算 = 3 + 6 + 12 + 24 + 48 = 93 秒
还要加心跳周期本身的等待(0 ~ 10s,取决于你在周期内的哪一刻断电)。
⇒ 约 90 ~ 100 秒(按初始 RTO 3s 推算,非实测)。
如果连接一直很忙、SRTT 已收敛到很小的值(如 300ms),理论上可降到约 10 秒;
但本场景是空闲连接,RTO 会被重置回 3s 的初始值,落在最慢那一档。
5.3 对比
| 方案 | 断电→发现 | 可控性 | 主要不确定性 |
|---|---|---|---|
| socket keepalive(本方案) | ≈ 30 s | 高:改常量即改结果 | 仅探测次数固定为 10 |
| 应用层数据包 | ≈ 90 ~ 100 s(空闲场景) | 低 | RTO 随 SRTT 漂移;次数是系统级注册表项 |
| (参考)Windows 默认 keepalive | ≈ 2 小时 | — | KeepAliveTime 默认 2h、KeepAliveInterval 默认 1s |
⚠ 三处必须注意:
① 上表 keepalive 的 30s 是按10s + 2s×10的推算;应用层的 93s 是按初始 RTO 3s + 5 次翻倍的推算。
两者都未在本机对 M050 实测。
② 探测次数固定为 10 这条来自 Microsoft 官方文档,属可依赖的行为定义。
③ RTO 会随 SRTT 变化,所以应用层那一栏的数字天然不可精确预算 —— 这本身就是不选它的理由。
所以回到最初的问题:是的,「更快」是原因之一(约 3 倍),但更本质的原因是「可预期 + 可调」。
6. 为什么不用应用层发数据包 —— 四个理由
6.1 应用层根本发不出「无意义的 TCP 包」
这是最容易忽略的技术事实。keepalive 探测是一个载荷长度为 0 的 TCP 段,
而应用层没有办法生成它 —— send() / write() 没有"发一个空段"这个语义:
stream.write(&[])?; // 返回 Ok(0),内核不会发出任何报文
所以能选的只有两种:
- 内核发的零载荷 probe(keepalive)—— 对端应用收不到。
- 应用发的有载荷数据(如 1 字节)—— 会真的进入对端接收缓冲。
二者不是"底层 vs 高层",而是"对端应用是否看得见"。
6.2 协议污染(最硬的一条)
那 1 个字节会真的进入设备接收缓冲。M050 同时是 Modbus TCP Server 和 DI 上报源,
解析器按帧走。凭空多一个字节,要么被当成功能码(可能触发未知行为),
要么作为残包与下一条真实上报粘连 —— 后者是最难查的一类问题。
零载荷 probe 是纯噪声:对端 recv() 永远返回 0 字节,应用层连被唤醒都不会。
6.3 探测能力上没有增益
数据段的 ACK 依然由对端内核回,不经过对端应用。所以有载荷的数据包能证明的东西
和零载荷 probe 完全一样:对端机器活着、网卡活着、内核活着。
既然证明力相同,就没理由付出污染协议的代价。
6.4 工程成本
现方案 21 行、零新线程、零新锁:
if let Err(e) = apply_keepalive(&stream) { eprintln!(...) }
应用层心跳需要:定时线程(或 channel 把写请求塞进读线程)、try_clone 出的第二个句柄
或一把 Mutex、部分写处理、"写什么字节"的决策。读线程独占 stream 的简洁结构会被破坏。
额外失败模式:发送缓冲满时 write 会阻塞,心跳线程就卡在那儿。
7. 实现细节
7.1 三步:设超时、开 keepalive、进读循环
Ok(mut stream) => {
backoff_ms = BACKOFF_BASE_MS;
let _ = stream.set_nodelay(true); // 小报文立即发出,关 Nagle
let _ = stream.set_read_timeout(Some(READ_IDLE_TIMEOUT)); // 150ms 必须醒一次
// 断点探测靠 socket 级 keepalive:对端断电后内核发 RST/判死,
// 下方 150ms 读循环的下一次 read 即返回错误 → 走既有 disconnected/重连。
if let Err(e) = apply_keepalive(&stream) {
eprintln!("[device] TCP keepalive 设置失败: {e}");
}
sh.connected.store(true, Ordering::Relaxed);
// ...
}
7.2 参数怎么下发
fn apply_keepalive(stream: &std::net::TcpStream) -> std::io::Result<()> {
let sock = socket2::SockRef::from(stream);
let ka = socket2::TcpKeepalive::new()
.with_time(Duration::from_millis(KEEPALIVE_TIME_MS)) // 10_000
.with_interval(Duration::from_millis(KEEPALIVE_INTERVAL_MS)); // 2_000
sock.set_tcp_keepalive(&ka)
}
SockRef::from(stream) 是 socket2 提供的零成本借用:把 std::net::TcpStream 临时当
socket2::Socket 用,不必把全项目的 TcpStream 换成 socket2 类型。
只想加一个 socket 选项时的标准手法。
7.3 这次 WSAIoctl 实际发了什么
socket2 0.5.10 的 Windows 实现(sys/windows.rs:730-753):
let mut keepalive = tcp_keepalive {
onoff: 1,
keepalivetime: into_ms(keepalive.time),
keepaliveinterval: into_ms(keepalive.interval),
};
WSAIoctl(socket, SIO_KEEPALIVE_VALS, &mut keepalive as *mut _ as *mut _, ...)
三个字段:onoff、keepalivetime(空闲多久开始探)、keepaliveinterval(探测失败后多久重试)。
结构体里没有"重试次数"字段 —— 这就是 Windows 的硬限制。
另外 Socket::set_tcp_keepalive 内部会先调 set_keepalive(true),也就是自动帮你开了
SO_KEEPALIVE,不用手写。
7.4 断线如何被测出
读循环 drain_frames 区分两类错误:
Err(e) if is_idle(&e) => {
// WouldBlock / TimedOut:只是 150ms 到了,没有数据,正常
flush_tail(&mut acc, on_frame);
if sh.stop.load(Ordering::Relaxed) { return "stopped".into(); }
}
Err(e) => {
// 真正的错误:WSAENETRESET 等
eprintln!("[device] read error: {e}");
return format!("read error: {e}");
}
完整链路:
keepalive 探测 10 次全部失败
↓ 内核把 socket 置为错误态
下一次 read() 立刻返回 Err(不再阻塞)
↓
drain_frames 返回 "read error: ..."
↓
device_worker 置 connected=false → emit "disconnected" → 前端亮红灯
↓
停 400ms → emit "connecting" → 重新 connect
Microsoft 文档佐证:「If a connection is dropped as the result of keep-alives the error code
WSAENETRESET is returned to any calls in progress on the socket, and any subsequent calls
will fail with WSAENOTCONN.」
—— 即:正在阻塞的read()会被打断并拿到错误,这正是本方案依赖的行为。
set_read_timeout(150ms) 的作用就在这里:没有它,读线程会阻塞在内核里,
连接判死了也没人去问;有了它,最多 150ms 后必然有线程去 read(),立刻拿到那个错误。
这是"用短超时轮询把异步事件转成同步可观测事件"的经典写法。代价是空闲时每秒约 6.7 次系统调用,
对展台应用完全可忽略。
8. 参数取值与理由
| 常量 | 值 | 含义 |
|---|---|---|
KEEPALIVE_TIME_MS |
10 000 | 链路空闲 10s 后发第一个 probe |
KEEPALIVE_INTERVAL_MS |
2 000 | probe 无应答后每 2s 重试 |
READ_IDLE_TIMEOUT |
150 | 读超时,保证错误被及时消费 |
为什么必须调:Windows 系统默认 KeepAliveTime 是 2 小时、KeepAliveInterval 是 1 秒
(Microsoft 文档原文)。只写 SO_KEEPALIVE = true 而不改参数,设备关机后可能要等两小时才发现。
为什么是 10s 而不是 1s:链路越"吵"越容易误判 —— 交换机、无线网桥、低功耗设备都可能偶发丢 probe。
10s 给了足够余量,同时远小于人工可感知的等待阈值。
9. Windows 的三条硬限制
① 重试次数不可配。 TcpKeepalive::with_retries() 在 Unix 上映射到 TCP_KEEPCNT;
Windows 实现里完全没有 retries 分支(sys/unix.rs:1303 有、sys/windows.rs 没有),
传了也被静默忽略。Vista+ 固定 10 次。
② 未指定的参数会被重置为默认值。 socket2 文档明确警告:Windows 这类平台上,
TcpKeepalive 里没配置的项可能被覆盖为默认值,所以「要么每个 socket 只调一次,
要么每次传同一套参数」。
③ 必须在 connect 之后设置。 SIO_KEEPALIVE_VALS 作用于已建立的连接。
代码里 apply_keepalive 的调用点在 Ok(mut stream) => 分支内,位置正确 ——
每次重连成功都要重设一遍,因为旧 socket 已销毁。
10. 失败模式与它探不到的东西
10.1 keepalive 设置失败是静默降级
if let Err(e) = apply_keepalive(&stream) {
eprintln!("[device] TCP keepalive 设置失败: {e}");
}
有意为之:把 keepalive 失败升级成连接失败,会让"可选增强"变成"致命依赖",代价更大。
但后果必须说清楚:
失败后连接照常工作,只是断电掉线变成"检测不到"。
现场机器上如果这行设置失败,业务侧完全无感:数据照收、界面正常,直到设备哪天断电,
应用会一直以为自己还连着、一直显示绿灯。日志里只留一行
[device] TCP keepalive 设置失败: ...。
验收时值得专门 grep 一次这行日志。 这类"功能降级但界面无异常"的静默失败,
是最难在事后定位的一类问题。
10.2 两种方案共同的盲区
| 对端状态 | keepalive | 应用层写数据 |
|---|---|---|
| 断电 / 拔线 | 能测(probe 失败) | 能测(重传耗尽) |
| 进程崩溃(OS 还在) | 能测(内核回 RST,read 立即报错) |
同左 |
| 进程卡死但 socket 还开着 | 测不出(内核照常回 ACK) | 测不出 |
| 应用逻辑异常(不再上报) | 测不出 | 测不出 |
最后两行是 TCP 层的固有盲区:只要对端内核在跑、socket 开着,任何基于 TCP 的探活都会说"它活着"。
要检测"设备程序卡死",只能靠应用层应答 —— 而这台设备恰恰不回应任何应用层指令。
所以本方案的能力上限是:保证"机器/链路断了会被发现",不是"设备程序还健康"。
11. 一个未验证的假设(需现场确认)
device.rs:22-23 的注释写:
probe 的 ACK 由对端内核应答,只要没断电就会回。
这是对 M050 协议栈的假设,不是实测结论。若该设备的 TCP 栈是精简实现、不响应 keepalive 探测,
后果不是"探不到",而是更糟的"误判":连接明明活着,10 秒后探测无应答 → 判死 → 重连 → 再判死,
表现为周期性假断线。
辨别办法:设备在线、空闲 5 分钟,观察是否出现规律的 disconnected(间隔约 30s)。
若出现,基本可锁定此原因。
12. 验证清单
没人按按钮时看不出 keepalive 有没有在跑 —— 只要有上报,双向都有数据,一个 probe 都不发。
- 确认设置成功 —— 启动后 grep 日志,不应出现
TCP keepalive 设置失败。 - 确认没有假断线 —— 设备在线、静置 5 分钟,观察是否出现规律
disconnected。
若频繁误报,应调大KEEPALIVE_TIME_MS,不要关闭 keepalive。 - 测真实断电延迟 —— 连接正常后直接拔电源(不是拔网线,拔网线可能被交换机吃掉),
计时从断电到前端出现disconnected。理论值 ≈ 30s,实测值记下来作为定标依据。 - 确认能自动恢复 —— 断电后重新上电,观察是否在退避周期内自动回到
connected,
且conn_seq递增。
13. 什么情况下该换方案
-
对端周期性主动推数据(如每 500ms 一帧)—— 不需要 keepalive。
"超过 N 秒没收到数据"本身就是最强、最便宜的判活信号,纯应用层、零 syscall、零平台差异。
本项目的设备只在变化时推送,空闲期没有数据,所以用不了这招。 -
中间经过 NAT/防火墙且连接会被超时回收 —— 需要主动保活穿 NAT 表项。
此时目标从"判死"变成"别被回收"。 -
需要知道对端应用是否健康 —— keepalive 做不到,只能应用层应答。
-
实测发现设备不回应 keepalive 探测(见 §11)—— 可改为应用层惰性载荷。
此时依赖从"对端实现 keepalive 响应"退到"对端会 ACK 数据"(后者是 TCP 的强制义务,更稳),
代价是需确认载荷对该设备解析器真正惰性、且设备不回显。
14. 小结
不要自己发心跳。打开内核的 keepalive,把 2 小时的默认值压到 10 秒,再用一个 150ms 的读超时
去消费它产生的错误。
三个决定它能否真跑起来的细节:
set_read_timeout是必要配合,否则判死了也没人去读;- 每次重连都要重设,socket 是新的;
- 失败要能从日志看见,因为它的降级表现是"界面一切正常"。
边界也很清楚:只判机器/网络死活,不判应用死活;Windows 上探测次数不可配(固定 10),
所以判死时长只能靠 time/interval 两个旋钮来调。
附:事实来源
代码:
src-tauri/src/device.rs:19-36常量定义src-tauri/src/device.rs:67-73apply_keepalivesrc-tauri/src/device.rs:179-190调用点src-tauri/src/device.rs:256-292drain_frames- git
590416a feat: tcp m050保活—— 唯一一次保活改动,+21 行、无删除
(⇒ 本项目从未存在过应用层心跳实现)
依赖源码:
socket2-0.5.10/src/sys/windows.rs:730-753—— Windows 走WSAIoctl(SIO_KEEPALIVE_VALS)socket2-0.5.10/src/socket.rs:2250-2282—— 参数覆盖警告、先set_keepalive(true)socket2-0.5.10/src/sys/unix.rs:1303-1304——retries仅 Unix 生效
官方文档:
- Microsoft Learn《SIO_KEEPALIVE_VALS》——Vista+ 探测次数固定 10、不可变更;
默认KeepAliveTime2 小时 /KeepAliveInterval1 秒;连接因 keepalive 掉线时返回WSAENETRESET - Microsoft Learn《How to modify the TCP/IP maximum retransmission time-out》——
TcpMaxDataRetransmissions默认 5、初始 RTO 3 秒、每次翻倍、系统级注册表项 - RFC 6298 §5.7 —— 空闲超过 RTO 后 RTO 重置为初始值
未经实测的部分(已在正文标注):§5.1 的 30s 与 §5.2 的 93s 均为按系统默认参数推算,
未在本机对 M050 实测。

浙公网安备 33010602011771号