网站上线流量归零？运维盲区正 silently 吞噬用户

　　跟老板拍账单。去年五月上线那波，CDN缓存层全挂了，但流量归零不是从监控告警开始的——是从财务部问“这个月CDN预算怎么只花了百分之三”开始的。我调了十八毫秒的边缘节点日志，发现 purge 规则三百七十二条，其中第三百六十九条是上个月后端改需求时顺手加的通配符，匹配了所有 /api/v2/ 路径下的响应头 Cache-Control: no-store，连 favicon.ico 都被标记成“永不缓存”。我敢打包票，那条规则没进过任何灰度验证流程，它就躺在 prod 的配置库里，像块没擦干净的玻璃，透明，但割人。

　　运维在机房柜子底下贴了张手写便签：“主控板温度超阈值请手动降频”，字是蓝色中性笔写的，末尾还画了个歪歪的箭头指向空调出风口。那天下午三点十七分，我站在机柜前拍照片取证，运维老张蹲着拧螺丝，袖口沾了点黄油，后颈有颗痘。他抬头问我是不是要重启 nginx，我说先别动——我刚看见 CDN 厂商的销售王磊打进来第三个电话，响到第四声自动转语音信箱，他留的言是：“李工，咱们上次聊的回源带宽包，今天能批不？” 我没回。反正他半小时后还会打。

　　那个小红点——节点分布图右下角，坐标 (114.26, 22.53)，标着“SZ-EDGE-07A”，旁边打了个红色叹号，鼠标悬停显示“last heartbeat > 42h”。没人点进去看。它和故障无关，是上个月深圳某IDC迁出遗留的虚节点，配置没删干净。我们所有人，包括厂商二线支持、云平台SRE、甚至值班QA，都默认那个红点只是UI bug。直到第三天晨会，有人顺嘴说“咦，这红点还在？”——结果发现它连着一个被遗忘的DNS子域，而那个子域，刚好是运营同事发给KOC群的短链跳转入口。短链走的302重定向，每次点击都经过这个已离线的边缘节点，失败后直接 fallback 到主站网关……然后被 WAF 里一条三个月前写的 rate-limiting 策略给干掉了。对，就是那条写着“每IP每分钟限流18次”的策略。十八次，不多不少，刚好卡死全部 KOC 私域流量，而他们转发用的都是微信内置浏览器，User-Agent 里带 “MicroMessenger” 字样——这条规则，当时是为防爬虫写的，没加 UA 白名单。

　　咖啡杯印着“CloudFlare Partner Summit 2023”，杯沿有个缺口。是我上周去杭州参加闭门会领的，回来一直搁在工位左边第二个格子。那天早上八点四十三分，后端小陈来倒水，杯子太满，泼了一滴在我笔记本上，洇开了第一页写的“purge逻辑校验清单（待补）”。他一边道歉一边擦，我盯着那摊水渍，忽然想起他上周五发我的那段代码 diff：他把 /api/v2/user/profile 接口的响应体 JSON 结构微调了字段顺序，顺便把 ETag 生成逻辑从 MD5 改成了 sha256——但他没改 Nginx 的 etag 指令开关，默认开着，于是所有旧客户端发起 If-None-Match 请求时，拿不到匹配的 ETag，强制回源。回源本身没问题，问题是上游 PHP-FPM 进程池早满了，所以每个请求都等十五秒以上才返回，而 CDN 边缘节点的 connect_timeout 是十二秒。断连，retry，再断连……最后用户看到的，是白屏三秒，然后直接跳转到维护页。不是报错，不是慢，是彻底静音。就像拔了网线，还没亮红灯。

　　我原以为是 LB 权重漂移导致的灰度失衡，结果查完 SLB 日志发现，所有健康检查全绿。再往下翻 ingress-controller 的 access log，请求压根没进 k8s 集群。再查前面那层 LVS 的 conntrack 表——哦，对，LVS 后面接的是云厂商自研的四层代理，他们管那玩意叫“高性能流量网关”，去年Q4才上线，文档里写了“支持连接复用”，但没提一句：它在 TLS 握手阶段会主动 DROP 所有带 ALPN 协议协商扩展的 ClientHello 包。而我们的新版 App SDK，默认启用了 HTTP/3 试探性升级，只要 TCP 握手成功，立马发带 h3 标识的 ALPN 扩展。结果呢？一半设备握手成功、一半失败；成功的，卡在 ALPN negotiate 阶段永远等不到 server hello；失败的，自动 fallback 到 HTTP/1.1——但 fallback 后的请求又撞上了上面说的 ETag 那一整套连锁反应。所以说，真不是架构不行，是四层代理和七层 SDK，在一个没人测试过的握手间隙里，安静地互相礼貌性地把对方判了死刑。

文章配图，仅供参考

　　监控大屏上，那个标着“Global Cache Hit Ratio”的曲线，凌晨两点零七分抖了一下，从 92.4% 掉到 88.1%，持续两分十三秒，然后自己弹回去。没人截图，没人标注，没人拉群@。它旁边实时滚动着另一行数字：“Active WebSocket Connections”，正在以每秒 0.3 个的速度缓慢下跌，已经跌了五个小时。这个数也没人看，因为它从来没超过过阈值——设计之初就没设阈值。可那天之后我悄悄加了个告警：当它连续四小时单调递减，且斜率超过 -0.12/sec，就发邮件。现在它每天凌晨三点准时响一次，我把它设成静音了。

　　优胜劣汰这点，我是真服气。不是指系统，是指人。上线前三天全员过评审，二十个人，十二个P7以上，没人问“如果 purge 通配符匹配了静态资源怎么办”，没人问“HTTP/3 试探开启后 fallback 是否经过所有中间件路径”，更没人问“那个 SZ-EDGE-07A 红点，到底还活不活着”。问的人会被当成找茬，不问的人，第二天就升职加薪去盯另一个新项目了。所以我现在不拦着新来的问问题，也不催他们改脚本。我就让他们先泡杯茶，坐我对面那个椅子上，自己看十天监控大盘。椅子扶手上印着“阿里云 ACE 认证 2021”，磨得有点掉漆。

　　下一步？我把 purge 规则库做了个最小化子集提取脚本，只跑 prod 最近一周真实命中的规则——删掉其余三百六十五条。脚本明天上午十点跑第一遍。至于那个 ALPN 握手问题？我已经抄送了云厂商 SRE 团队、他们的CTO邮箱、还有咱们法务的合规接口人。没写问题描述，附件只有三张抓包截图，时间戳都精确到毫秒。他们认得出来。如果不认，就让他们把合同第七条第二款逐字读三遍——那里写着，“四层网关须兼容 RFC 8446 第3.1.1节定义的全部ALPN协商行为”。读完，自然就知道该打哪个补丁了。

（编辑：站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!