上个月有个客户,斗篷系统上线第二天就找过来了,说跳转偶发失效。大概几十次里能碰上那么一两次,访客打开看到的是默认页,该给的版本页没出来。奇怪在哪儿呢——Nginx 访问日志翻一遍,状态码全是 200 和 302,干干净净;PHP 错误日志里也啥都没有;健康检查接口一直正常返回。这种「日志无异常、健康检查正常、但跳转偶发失效」的组合,我见得多了,往往指向部署环境里一个特别容易被忽略的环节:Nginx 与 PHP-FPM 之间的连接排空。
从症状反推:跳转偶发失效的三种信号形态
先别急着改配置。我一般的习惯是先把症状分个类,部署后跳转偶发失效,通常跑不出三种形态:
- 固定比例偶发:每次刷新都有小概率落到默认页,比例还挺稳定,百分之几那个量级。
- 时间窗口集中:只在某个时段冒出来,比如整点前后,或者进程重启后的那几分钟。
- 特定请求特征:带某些参数的请求更容易触发,来自特定 UA 的也更容易中招。
客户这个属于第一种,比例大约百分之二到三,而且跟请求量正相关——流量越大,偶发次数越多。这个特征很关键。说白了,问题不在规则逻辑上,出在请求进 PHP 处理环节之前的连接层。
排查顺序:从 Nginx 错误日志到 PHP-FPM 慢日志
第一步:确认请求是否完整到达 PHP
在 Nginx 的 http 块里临时加一段日志格式,把 $upstream_status 和 $upstream_response_time 记下来: BLOCK0
加完之后看日志。如果偶发失效那些请求的 upstream_status 是 499 或者干脆是空值,那说明 Nginx 等 PHP-FPM 响应的时候,连接被提前关掉了。客户环境里还真抓到了,少量记录是 upstream_status=499,而且 upstream_time 接近 fastcgi_read_timeout。
连接被提前关闭,一个常见原因是 PHP-FPM 子进程在请求处理到一半的时候被回收了。这里容易搞混的是 pm.max_requests 这个参数:你要是设了个小值,比如 500,那每个子进程处理满 500 个请求就退出重建,重建那一瞬间,正在处理的长请求可能就拿不到完整的后端响应。客户环境里 pm.max_requests 设的是 200,而跳转插件冷启动时有一次指纹库加载,单个请求耗时能到 800ms 以上,正好撞上进程回收窗口。
第三步:检查 Nginx 的 keepalive 与上游连接复用
再往下查。Nginx 到 PHP-FPM 如果开了 keepalive,而 PHP-FPM 那边子进程回收又比较激进,复用的连接就可能指向一个正在退出的进程。去 upstream 块里确认一下:
BLOCK1
keepalive 这个值别超过 PHP-FPM 进程池 pm.max_children 的一半,超了的话空闲连接会把进程池占满。客户环境 pm.max_children 是 32,keepalive 设了 64,明显超配了。
修复动作与配置调整顺序
原因定位到了,接下来按顺序调,每步之间做一轮回归验证:
- 调大
pm.max_requests:从 200 提到 2000,给长请求留出足够的进程生命周期。 - 下调
keepalive:从 64 降到 12,不超过pm.max_children的三分之一。 - 补一个
fastcgi_read_timeout:从默认 60s 调到 15s,让超时请求快速失败而不是挂住连接。 - 在跳转插件入口加轻量预检:请求进入规则引擎前先判断指纹库是否已加载,未加载则走同步加载分支,避免在进程回收窗口里做重初始化。
调整完观察了两天,偶发失效比例从百分之二降到万分之几,upstream_status=499 的记录基本消失了。
收尾验证:别只看健康检查
健康检查接口返回正常,只能说明 PHP-FPM 活着,连接层健不健康它管不着。收尾验证至少得做三件事:
- 用
ab或wrk压一轮中等并发,比如 50 并发、持续 2 分钟,观察upstream_status里还有没有 499。 - 对比调整前后的
upstream_response_time分布,确认长尾请求没恶化。 - 把
pm.max_requests和keepalive的实际值写进部署自检清单,下次部署时逐项核对。
这套排查顺序和部署后自检清单里核验回滚预案的思路是一致的:先确认信号在哪一层丢的,再动配置。
小结
跳转偶发失效,日志却干净,优先怀疑连接层,别一头扎进规则层。Nginx 的 upstream_status 和 PHP-FPM 的进程回收参数是两条主线,这次问题的根因就在 pm.max_requests 与 keepalive 的配比关系上。部署后自检的时候,健康检查只能算及格线,压测一轮看看长尾响应,才算真正收尾。
常见问题
跳转偶发失效但日志里状态码都是 200,还需要查什么?
状态码 200 只能说明 Nginx 返回了响应,不能说明响应内容是规则引擎算出来的版本页。先看 upstream_status 字段,如果为空或 499,问题在 Nginx 到 PHP-FPM 这一段。顺带说一句,我一般还会把 upstream_response_time 一起打出来,长尾请求往往就藏在这个字段里。
PHP-FPM 的 pm.max_requests 设多少合适?
这个要看情况。请求处理耗时稳定在 100ms 以内的,设 500 到 1000 问题不大;如果跳转插件有冷启动加载或指纹库初始化这类重操作,建议设 2000 以上,避免进程回收撞上长请求。说白了就是给长请求留够寿命,别让它在半路被回收掉。
健康检查正常,为什么还要做压测?
健康检查通常只测一个轻量接口,覆盖不到连接复用和进程回收这类并发场景。压测能暴露中等并发下的连接排空问题,尤其是 keepalive 配得比 pm.max_children 还大的时候。部署后花两分钟压一轮,比事后翻日志省事得多。
延伸阅读
连接层调优只是部署后自检的一环,跳转插件本身的安装与联调顺序同样影响上线稳定性,这篇安装指南可以补上插件侧的配置细节:跳转插件安装配置指南