背景
許多小伙伴做網(wǎng)絡(luò)編程時(shí)，會自然而然的去做應(yīng)用層的心跳檢測機(jī)制，如果問為什么要做心跳檢測，大部分人會說?；?，及時(shí)發(fā)現(xiàn)連接失效等等。這篇文章會結(jié)合TCP協(xié)議原理來分析，使用應(yīng)用層做心跳檢測的原因和必要性。
沒有應(yīng)用層心跳檢測時(shí)
在沒有應(yīng)用層心跳檢測時(shí)，我們?nèi)绾伟l(fā)現(xiàn)對端應(yīng)用程序崩潰/對端主機(jī)崩潰/主機(jī)不可達(dá)等等異常呢？
假如網(wǎng)絡(luò)正常
我們考慮異常時(shí)在發(fā)送數(shù)據(jù)包：
- 如果對端程序崩潰還未重啟，會發(fā)送FIN，本端可以立即感知
- 如果對端 程序崩潰/主機(jī)崩潰 后已經(jīng)重啟，會發(fā)送RST，本端可以立即感知
- 對端主機(jī)崩潰一直未重啟，我們發(fā)送的數(shù)據(jù)包將會TCP超時(shí)
- 對端主機(jī)不可達(dá)，我們發(fā)送的數(shù)據(jù)包將會TCP超時(shí)
TCP超時(shí)重傳的默認(rèn)機(jī)制是什么呢？
首先明確，超時(shí)重傳的原理是在發(fā)送某一個(gè)數(shù)據(jù)以后就開啟一個(gè)計(jì)時(shí)器，在一定時(shí)間內(nèi)如果沒有得到發(fā)送的數(shù)據(jù)報(bào)的ACK報(bào)文，那么就重新發(fā)送數(shù)據(jù)，直到發(fā)送成功為止。
關(guān)于超時(shí)重傳的時(shí)間間隔和重傳次數(shù)，下面這篇博客比較詳細(xì)的講解了這個(gè)知識點(diǎn)：TCP/IP重傳超時(shí)--RTO
總結(jié)一下博客中的內(nèi)容
- RTO有一個(gè)最小值，不同內(nèi)核中是寫死的，博客中提到的內(nèi)核版本是200ms，就算RTT是0.5ms也不行的，會用200ms來發(fā)送第二次發(fā)送的數(shù)據(jù)包。
- TCP內(nèi)核中可以修改兩個(gè)參數(shù)
/proc/sys/net/ipv4/tcp_retries1 (integer; default: 3)
TCP嘗試了3次（tcp_retries1默認(rèn)3）重傳后，還沒有收到ACK的話，則后續(xù)每次重傳都需要network layer先更新路由。
/proc/sys/net/ipv4/tcp_retries2 (integer; default: 15)
TCP默認(rèn)最多做15次重傳。根據(jù)RTO(retransmission timeout)不同，最后一次重傳間隔大概是13到30分鐘左右。如果15次重傳都做完了，TCP/IP就會告訴應(yīng)用層說：“搞不定了，包怎么都傳不過去！”
如果沒有應(yīng)用層心跳檢測，我們發(fā)送的數(shù)據(jù)包，最差需要依靠TCP超時(shí)來判斷對端出現(xiàn)問題，這個(gè)超時(shí)時(shí)間是很長的，在現(xiàn)代的業(yè)務(wù)中幾乎無法滿足業(yè)務(wù)的需求。
我們考慮只接收對端數(shù)據(jù)包的過程：
- 如果對端程序崩潰，會發(fā)送FIN，本端可以立即感知
- 對端主機(jī)崩潰
- 如果關(guān)閉了Tcp的KeepAlive?；顧C(jī)制，那么沒有任何感知；
- 如果開啟了TCP keep_alive，會通過?；顧C(jī)制，發(fā)送幾個(gè)檢測包，要么超時(shí)，要么得到RST
- 對端主機(jī)不可達(dá)，和上面的主機(jī)崩潰同理
如果沒有應(yīng)用層心跳檢測，我們在不發(fā)送，只接受的情況下，最差需要依靠Keep Alive機(jī)制的超時(shí)或RST來判斷對端出現(xiàn)問題，超時(shí)時(shí)間為：2小時(shí)+75秒* 9次。這個(gè)時(shí)間在默認(rèn)參數(shù)設(shè)置下也是很長的。另外，這三個(gè)參數(shù)也可以修改的：
net.ipv4.tcp_keepalive_time 對應(yīng)2小時(shí)
net.ipv4.tcp_keepalive_intvl 對應(yīng)75秒
net.ipv4.tcp_keepalve_probes 對應(yīng)9次
假如網(wǎng)絡(luò)異常
假如有網(wǎng)絡(luò)異常，但是對方主機(jī)和程序都正常
發(fā)送數(shù)據(jù)包時(shí)：
- 通過本端TCP超時(shí)，發(fā)現(xiàn)網(wǎng)絡(luò)異常
接收數(shù)據(jù)包時(shí)：
- 通過Keep_Alive機(jī)制來探測
有應(yīng)用層心跳檢測時(shí)
通過上面的分析可以得知，對于網(wǎng)絡(luò)應(yīng)用，無論是依賴TCP超時(shí)還是Keep Alive，在最差的情況下的超時(shí)時(shí)間都是不可接受的。所以我們需要在應(yīng)用層做一個(gè)類似的心跳檢測機(jī)制，保證可以在任何情況下都可以快速的檢測出異常情況。
那么是否可以只發(fā)一次，在規(guī)定時(shí)間內(nèi)沒收到回復(fù)就判定連接異常呢？考慮下面的兩種情況：
- 網(wǎng)絡(luò)波動(dòng)，但是對端主機(jī)和服務(wù)都正常
- 對端主機(jī)正忙于處理其他事務(wù)，響應(yīng)慢了一些
對這兩種情況來說，如果檢測一次，發(fā)現(xiàn)超時(shí)就判定連接失效基本屬于誤傷，可以通過多發(fā)送幾次心跳檢測包來規(guī)避上面的誤傷情況。
并且還需要考慮，在多次發(fā)送的心跳包，需要帶序號，對端回復(fù)時(shí)，也要保證使用這個(gè)序號或者序號+1來匹配我們發(fā)出去的心跳包。如果編號對應(yīng)不上，就不能算作此次檢測成功了。
