本文系统性拆解缓存层的完整实操要点。
上个月一个客户在部署完成后做验收,健康检查接口返回200,Nginx和PHP-FPM的进程都在,日志里也没有报错,但运营那边反馈同一个广告计划进来的访客,有的看到标准页,有的看到完整页,比例大概三七开,和配置里的预期完全对不上。他们的第一反应是规则写错了,翻了两小时规则链,最后发现问题出在健康检查本身——那个接口只验证了PHP能跑通,根本没走判定链。这就是本文要说的核心误区:把健康检查通过当成部署成功的标志,在斗篷系统这类带分流判定的场景里,健康检查和分流正确性根本是两条独立的验证路径。这篇按排查顺序拆开讲,从可观察的症状开始,一段一段定位信号、原因和收尾验证方法。
先分清健康检查覆盖了什么、漏掉了什么
健康检查接口通常只做三件事:进程存活、数据库连接、缓存可写。它回答的是“服务能不能响应请求”,不回答“请求经过判定链之后返回的页面版本对不对”。
部署后分流异常的第一类症状就是这种错位:探活绿灯,业务红灯。排查时不要急着改规则,先确认健康检查脚本里有没有触碰判定入口。可以做一个最小验证——用同一个请求特征连续打十次健康检查接口,再看分流日志里有没有对应的判定记录。如果日志里一条都没有,说明健康检查绕开了判定链,它给出的“正常”对分流问题没有参考价值。
这个判断很重要,因为它决定了后面的排查方向。健康检查没覆盖判定链,那问题大概率在判定链的输入侧,也就是请求信号在到达规则引擎之前就已经被改变或丢失了。
检查项:请求信号在入口层是否被改写
按顺序看三处。第一处是Nginx的proxy_set_header配置,确认Host、X-Real-IP、User-Agent有没有被透传,有些反代配置会把UA统一改写成内部标识,判定链拿到的就不是真实访客特征。第二处是CDN或负载均衡层,如果前面挂了一层,真实出口IP可能被替换成中间节点IP,基于IP的判定就会整体漂移。第三处是PHP侧的$_SERVER取值,确认插件读的是HTTP_X_FORWARDED_FOR还是REMOTE_ADDR,两者在多层代理下结果不同。
这三处任何一处不一致,都会造成“部分访客判定正常、部分漂移”的现象,和客户反馈的三七开比例能对上。验证方法很简单:在判定链入口加一行临时日志,把参与判定的原始字段完整打出来,和上游日志比对。
判定链的信号核对:从命中记录反推输入
信号确认没被改写之后,下一步看判定链本身。这里最常见的症状是“规则看起来命中了,但动作没执行”,或者“同一类访客命中不同分支”。
排查顺序建议从命中日志倒着走。先找到一条异常请求的命中记录,看它命中的是哪个条件分支、求值时读到的字段值是什么。然后拿这个字段值去比对规则配置里的期望值,差异通常集中在三类:字段名拼写、值的大小写、以及多值字段的分隔符。这类问题在规则链条件顺序调整时尤其容易暴露,顺序一换,短路路径变了,原本被前面条件挡住的请求会走到后面分支,命中结果自然不同。
如果命中记录显示条件根本没被求值,那要看规则链的短路配置。前置的过滤型条件一旦判定为否,后面的决策型条件不会执行,这是设计上的预期行为,但配置时容易把顺序排反。关于短路收益和副作用的边界,短路收益与副作用边界那篇拆得比较细,这里不展开。
检查项:动作执行层的返回是否符合预期
条件命中之后,动作层负责返回对应页面版本。这一层出问题的症状是“日志显示命中正确分支,但访客看到的页面不对”。排查时先看动作配置里的返回方式:是302重定向、JS跳转还是直接输出内容。不同方式受缓存和浏览器行为影响不同。
重点核对响应头。如果动作层返回了302,但响应头里带了较长的Cache-Control,浏览器或中间层可能缓存了第一次的跳转结果,后续同类请求直接走缓存,判定链根本没被触发。这就是为什么分流比例会偏离预期——一部分访客被缓存“劫持”了。验证方法是用带Cache-Control: no-cache的请求头重放,看结果是否恢复一致。
缓存层:被忽略的第三个变量
前面两段都排除后,问题往往落在缓存。分流场景里的缓存有两个位置容易出问题:判定结果的缓存和页面内容的缓存。
判定结果缓存的问题出在键的设计。如果缓存键只用了IP,没用UA或会话标识,那么同一出口IP下的不同设备会共享同一个判定结果,分流自然不准。反过来,如果键里塞了太多易变字段,缓存命中率会掉到很低,每次请求都回源判定,延迟上去之后超时降级又会改变返回结果。这两种极端都会表现为“分流不稳定”。
页面内容缓存的问题更隐蔽。完整页和标准页如果共用同一个缓存路径,先被缓存的那个版本会覆盖另一个。排查时看缓存目录或缓存服务的键前缀,确认两个页面版本有独立的命名空间。
检查项:缓存命中与回源的分布
在分流日志里加一个标记,记录每次请求是命中缓存还是回源判定。正常情况下命中率应该稳定在一个区间,如果发现命中率忽高忽低,或者某类访客的回源比例异常高,基本可以锁定缓存键设计问题。调整时先小流量验证,观察命中率和分流比例是否同时收敛,再放开。
收尾验证:三组对照跑通再算部署完成
修复之后不能只看“看起来正常了”,要做对照验证。第一组,同一请求特征重复十次,返回的页面版本必须完全一致。第二组,构造两类预期不同的访客特征,交叉请求,确认各自命中对应分支且互不污染。第三组,清空缓存后重放,确认冷启动状态下分流结果和热缓存状态一致。
三组都过,再把健康检查脚本补一条判定链探针——用一个固定特征请求走完整判定流程,比对返回的页面版本标记。这样下次部署时,健康检查才能真正覆盖分流正确性,而不是只告诉你进程还活着。部署后的完整核验顺序,可以参考上线三阶段核验清单,把判定链探针作为固定检查项加进去。
常见问题
健康检查接口返回200,为什么分流还是不对?
因为健康检查通常只验证进程和依赖连接,不走判定链。它证明服务能响应,不证明判定结果正确。要补一个走完整判定流程的探针接口,比对返回的页面版本标记,才能覆盖分流正确性。
分流比例偏离预期,先查规则还是先查缓存?
这个要看情况。如果偏离是稳定的,比如一直三七开,先查规则和信号透传;如果偏离随时间波动,忽高忽低,优先查缓存键和缓存命中率。顺带说一句,我一般还会看一眼响应头里的缓存指令,那个经常是元凶。
同一类访客命中不同分支,最可能是什么原因?
最常见的是请求信号在入口层被改写,比如反代层统一替换了UA或真实IP丢失,导致判定链读到的字段值不一致。其次是缓存键设计不合理,不同访客共享了同一个判定结果。按入口信号、判定链、缓存三层顺序排查效率最高。
部署后需要固定做哪些分流验证才算完成?
至少三组:同特征重复请求结果一致、不同特征交叉请求互不污染、清缓存后冷启动结果与热缓存一致。三组都过再上线,同时把判定链探针加进健康检查脚本,后续每次部署自动跑。
延伸阅读
本文重点在排查顺序,如果你还在部署阶段,想先把安装和初始化步骤做扎实,减少后续排查量,可以看这篇部署实操:斗篷系统部署安装与初始化实操。