Повторяемый интервал около 60 секунд часто указывает на idle timeout reverse proxy или load balancer. Если приложение не отправляет ping, соединение выглядит неактивным, хотя клиент ожидает события.
Снимите close code, время жизни и путь через CDN, proxy и балансировщик. Сравните активное соединение с периодическими сообщениями и полностью idle.
Что проверить в первую очередь
Для ситуации «WebSocket стабильно закрывается примерно через одну минуту простоя» сначала зафиксируйте один воспроизводимый пример: время, идентификатор объекта, пользователя или операции, входные данные, версию приложения и фактический результат. Отдельно запишите ожидаемое поведение: proxy и server согласованно поддерживают upgrade, heartbeat короче idle timeout, а клиент обнаруживает разрыв и переподключается с backoff и восстановлением состояния. Не меняйте сразу несколько настроек: один контролируемый шаг должен подтверждать или исключать одну гипотезу.
Начинайте с чтения состояния и журналов. До массового перерасчёта, повторной отправки, удаления записей или изменения прав подготовьте резервную копию и способ отката. Секреты, токены, персональные данные и содержимое документов в диагностические выгрузки не включайте.
- Проверьте Upgrade headers.
- Сверьте proxy read timeout.
- Уточните ping-pong.
- Посмотрите NAT и mobile network.
Почему возникает проблема
Видимый симптом обычно появляется в конце цепочки. Первичная ошибка может находиться в API, фоновой задаче, кеше, очереди, базе, правах доступа или внешнем сервисе. Основной риск этого сценария: пользователь теряет realtime-события, reconnect создаёт шторм соединений, а незамеченные разрывы оставляют интерфейс устаревшим. Поэтому ручная правка итогового статуса часто временно скрывает проблему, но не устраняет причину.
Разбирайте события по хронологии и ищите первую точку расхождения с бизнес-правилом. Учитывайте повтор запроса, задержку события, параллельное выполнение и восстановление после временного отказа: именно в этих условиях проявляются ошибки согласованности и идемпотентности.
- Nginx закрывает idle upstream.
- LB timeout равен 60 секунд.
- Server ping не получает pong.
- Reconnect создаёт новый token с ошибкой.
Пошаговая диагностика
Создайте безопасный тестовый сценарий, который не затрагивает реальные списания, рассылки и клиентские данные. Назначьте операции единый correlation ID и проследите его через запрос, бизнес-логику, базу, очередь и внешние интеграции. Для каждого этапа сохраните вход, результат, код ответа, длительность и версию записи.
Сравните рабочий и ошибочный случаи по одним полям. Проверьте формат идентификаторов, часовой пояс, порядок событий, права сервисной учётной записи и актуальность конфигурации на каждом экземпляре. Если результат зависит от повтора, задержки или конкретного узла, это важная часть причины, а не случайность.
- Измерьте точный интервал.
- Обойдите один proxy.
- Снимите server close log.
- Проверьте packet flow heartbeat.
Как поддерживать устойчивый WebSocket
Heartbeat контролируется приложением, таймауты всех промежуточных слоёв согласованы, а reconnect восстанавливает подписки и пропущенные события.
Надёжная реализация хранит бизнес-состояние явно. У каждого значимого действия есть стабильный идентификатор, владелец, версия правила и проверяемый переход статуса. Повторная доставка события не создаёт второе действие, а запоздавший ответ не возвращает объект в невозможное состояние.
- Ping interval меньше idle timeout.
- Pong обновляет liveness.
- Reconnect использует exponential backoff.
- События имеют cursor для catch-up.
Как исправить проблему
Разделите исправление кода и восстановление исторических данных. Сначала устраните подтверждённую первопричину, затем повторите исходный сценарий и только после этого готовьте контролируемую коррекцию записей. Для финансовых данных, прав и аудита предпочтительны компенсирующие действия, а не переписывание истории.
Для существующих записей сформируйте dry-run: объект, старое значение, предлагаемое новое значение и основание. Обновление должно быть идемпотентным, ограниченным точной выборкой и создавать отчёт. Любой временный обход ограничьте сроком, пользователями и областью действия.
- Настройте proxy timeout.
- Добавьте ping-pong.
- Ограничьте reconnect jitter.
- Восстанавливайте subscriptions после соединения.
Безопасный порядок внедрения
- Сохраните конфигурацию, связанные записи и необходимые журналы; отдельно проверьте реальное восстановление резервной копии.
- Воспроизведите проблему на тестовом объекте и сохраните результат до изменения для последующего сравнения.
- Внесите минимальное изменение под контролем версий, опишите причину, ожидаемый эффект и точный откат.
- Проверьте нормальный сценарий, ошибочный ввод, повтор запроса, параллельную операцию и временный отказ зависимости.
- Выпустите изменение на ограниченную долю трафика или один процесс, если архитектура это позволяет.
- После стабильного наблюдения исправьте исторические данные отдельным контролируемым запуском.
Как проверить результат
Один успешный пример недостаточен. Проверьте крайние значения, одновременные действия, перезапуск процесса и восстановление после сбоя сети. Результат подтверждайте не только интерфейсом, но и состоянием базы, очереди, внешнего сервиса и журналом аудита. Особенно важна повторная доставка уже обработанного события.
Критерии приёмки сформулируйте заранее. Каждый пункт должен давать однозначный ответ, а не субъективную оценку. Если тест нельзя автоматизировать, сохраните короткий регрессионный чек-лист с тестовыми данными и ожидаемыми статусами.
- Idle connection живёт ожидаемо.
- Отключение сети вызывает controlled reconnect.
- Несколько клиентов не создают storm.
- Пропущенные события догружаются.
Типичные ошибки при исправлении
- Ставить бесконечный timeout без heartbeat.
- Reconnect каждую секунду.
- Считать TCP open доказательством живого приложения.
- Терять auth refresh.
Не отключайте авторизацию, валидацию, TLS, аудит или контроль дублей ради исчезновения симптома. Такое изменение может сделать интерфейс успешным, но увеличить ущерб при следующем сбое. Временная мера должна иметь владельца, наблюдаемость и дату удаления.
Как предотвратить повторение
Профилактика строится вокруг явных контрактов, идемпотентных обработчиков, наблюдаемости и повторяемых релизов. Система должна быстро показывать нарушение правила после обновления, роста нагрузки или отказа интеграции. Ошибку, которая уже привела к потере денег, данных или заявок, закрепите автоматическим тестом.
Мониторьте полный пользовательский путь, а не только доступность серверов. Техническая метрика должна быть связана с бизнес-результатом: заказ завершён, доступ выдан, файл восстановлен, событие обработано один раз, данные изолированы. Уведомление должно содержать контекст для первого решения.
- Connection lifetime.
- Close codes.
- Reconnect rate.
- Heartbeat latency и missed events.
Что подготовить для технического разбора
- Описание ожидаемого и фактического поведения с точной последовательностью действий.
- Время возникновения, идентификатор тестового объекта и версии затронутых компонентов.
- Обезличенные журналы до и после ошибки с единым correlation ID.
- Список последних изменений, выполненных проверок и условий исчезновения симптома.
- Безопасный доступ к тестовой среде либо минимальный пример без паролей, токенов и персональных данных.
Частые вопросы
Почему ровно 60 секунд?
Часто это стандартный idle timeout proxy или load balancer.
Нужно ли увеличивать timeout?
Да вместе с heartbeat и мониторингом, а не вместо них.
Как восстановить события?
Использовать cursor или sequence и догрузку после reconnect.
Когда нужна помощь специалиста
Если WebSocket обрывается через минуту, я могу проверить proxy, heartbeat и reconnect. Для оценки нужны схема пути, close code и временная диаграмма.