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):

  1. TcpMaxDataRetransmissions 默认 5,是 系统级注册表参数
    (HKLM\System\CurrentControlSet\Services\Tcpip\Parameters),不是 socket 选项。
  2. 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。
  3. 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:

  1. 内核发的零载荷 probe(keepalive)—— 对端应用收不到。
  2. 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。

  1. 确认设置成功 —— 启动后 grep 日志,不应出现 TCP keepalive 设置失败。
  2. 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。
  3. 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。
  4. 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

  1. 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。

  2. 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"。

  3. 需要知道对端应用是否健康 —— keepalive 做不到,只能应用层应答。

  4. 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:67-73 apply_keepalive
  • src-tauri/src/device.rs:179-190 调用点
  • src-tauri/src/device.rs:256-292 drain_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 KeepAliveTime 2 小时 / KeepAliveInterval 1 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。

posted @ 2026-11-04 13:13  FatedCode  阅读(8)  评论(0)    收藏  举报