1 前言
高性能的HTTP和反向代理服务器，Nginx用来：
- 搭建Web Server
- 作负载均衡
- 供配置的日志字段丰富，从各类HTTP头部到内部性能数据都有
Nginx的访问日志中，存在499状态码的日志。但常见4xx状态码只有400、401、403、404等，499并未在HTTP RFC文档。这499错误日志，在流量较大场景下，特别是面向Internet的Web站点场景下还是很常见 。
2 案例
某客户反馈：Nginx服务器连续几天记录较多499错误日志，之后几天趋零，再回升，整体状况不定。
经营的To C产品，跟手机端App协同。App会定时把消息上传到微信消息网关，后者再把这些消息推送到该客户的服务端（在公有云上）做业务处理，整体消息量约每日三十万条。对消息网关来说，这服务端就是一个Web回调接口：
499日志趋势：
由于大量499日志存在，客户非常担心业务已受影响，如终端消费者是否经常上传数据失败？499状态码本身意味着啥呢？查它在Nginx的 官方定义：
NGX_HTTP_CLIENT_CLOSED_REQUEST | 499
client closed request（客户端关闭了请求）？说了跟没说没区别。啥引起“客户端关闭请求”？
解决问题办法，可能不在问题自身所处层面
应用层日志记录的只是表象。更深层次原因可能在更底层，如传输层或网络层。搞清499：
- 不仅是理解这个499码底层含义
- 而且通过排查，掌握一套 对HTTP返回码进行网络分析的方法。对维护好Nginx以及其他Web服务都有助
来抓包分析HTTP返回码真正含义。
3 锚定到网络层
软件文档已无法查清根因，所以要下沉到网络层排查。如你处理应用层故障，如HTTP异常返回码（4xx和5xx系列），也遇到应用层找不到答案，就抓包分析。
后文
- “客户端”指微信消息网关
- “服务端”指这客户在公有云的服务器
在 服务端 使用tcpdump工具抓包，Wireshark打开抓包文件。从抓包文件中一般寻找可疑报文。这次抓包有不少RST报文，过滤出典型的带RST报文的TCP流：
抓包文件可关注【JavaEdge】联系本人领取。
结尾处RST。这TCP流一定跟499日志有关系吗？得益于TCP/IP精妙分层设计，应用层只需通过系统调用，就可像使用文件IO那样使用网络IO，具体的网络细节都由内核处理。可由此也带来问题： 应用层视角无法“看到”具体的网络报文。
需根据关键信息确定应用层日志跟网络报文的对应关系。如这里，可确认上面这带有RST的TCP流，就是日志中记录的一条499日志记录。因为：
- 客户端IP：日志中的remote IP跟抓包文件里面的IP符合
- 时间戳：日志的时间戳也跟这个TCP流的时间吻合
- 应用层请求：日志里的HTTP URL路径和这个TCP流里的URL相同
04也是类似方式找到应用日志跟报文对应关系。
真实抓包分析场景中，“如何把应用层问题跟网络层抓包关联”，始终是关键环节。也是令人困扰的关键技术障碍。所以这里方法可参考，再处理这种关键环节，也可根据上面提到的三维即IP、时间戳、应用层请求（包括URL和header），把应用层问题锚定到网络层数据包。
既然确定这个流就代表一次499事件，好好分析报文。
4 解密TCP流
TCP流示意图红框部分是重点。
报文1~3，表示TCP握手成功。
报文4（客户端发出），表示客户端向服务器发报文，报文里只包含HTTP header，其声明该请求为POST方法，但不含POST body。正常，因为HTTP协议规定数据先后顺序：先header（包含method、URL、headers），后body。所以，既然method和URL单独位于一个报文，按顺序body就在后续的报文。
报文5（服务端发出），确认报文：我（服务端）确认收到了你（客户端）发过来的报文4。
报文6（客户端发出），距上一报文2s。这报文被Wireshark标红，注释TCP Previous segment not captured：它之前的TCP报文段没被抓到。
之前的TCP报文”是啥？
就是按TCP序列号顺序，排在当前报文之前的报文。先关注右边红框FIN标志位，说明这是客户端主动关闭连接的报文。
目前报文情况：
明明HTTP POST请求的body（也称HTTP载荷）还没发过来，客户端就要关闭连接？好比朋友说：“我有个事情要你帮忙，嗯，拜~”，你刚听到上半句他的求助意向，还没听到这忙是个啥，他就跟你说再见。可能暂时看不出问题，先放放。
报文7（服务端发出）。服务器收到FIN+ACK报文（6号报文），但发现序列号不是它期待的309，而是777，于是服务器TCP协议栈判断：有一个长度为777-309=468的TCP段（TCP segment）丢失了。
按TCP约定，这时服务端只可确认其收到的字节的最后位置，在这里就是上次（报文5）的ACK位置。形式上，报文7就成了一个DupAck（重复确认）。
当客户端收到DupAck时，它就要长个心眼：“情况有点微妙，如果凑满3个DupAck可能有丢包”。
如凑满3个DupAck就重传的机制，被称为快速重传机制，12深入学习过。
报文4的TCP信息：
按TCP设计，客户端将发送的下一个报文的序列号（309）= 本次序列号（1） + 本次数据长度（308），即Next sequence number。
报文8（客户端发出），16s之久，客户端 重传 了这个报文，包含POST body，长度 468 字节。就跟777-309=468对应。
明明这468字节的报文是第一次出现，怎么算重传？因为，这个抓包文件是在服务端生成，所以它的视角无法看到多次传送同样这个报文的现象。但我判断，客户端抓包，一定可看到这个468字节的报文被试图传送多次。
服务端视角判断，一开始这报文应该是走丢，没到达服务端，所以没在这服务端抓包文件里。又因为过16s才到，很可能不是单纯一次重传，而是多次重传后才到达。因此确实属重传。
报文9，服务端对这POST body的数据包回复确认报文。
报文10，服务端发HTTP 400的响应报文给消息网关。这信息并没有被Wireshark直接按HTTP格式进行展示，但因HTTP是文本编码，所以可鼠标选中Transmission Control Protcol部分，在底下文本栏直接看到HTTP 400这段文本：
这HTTP 400报文也带FIN标志位，即服务端操作系统“图省事”，把应用层的应答数据（HTTP 400），跟os对TCP连接关闭的控制报文（这个FIN），合并在同一个报文。03提到的搭顺风车（Piggybacking），提升网络利用率。
这阶段报文：
从这些报文顺序来看，确实有问题：
- 服务端先收到HTTP header报文，没收到期望的HTTP body报文，而是收到FIN报文（客户端试图关闭连接）。HTTP请求还没发到服务端，服务端回复HTTP响应更无从谈起，客户端就发FIN不符常理（
- 服务端回复HTTP 400，并发送FIN关闭这连接
- 客户端回复RST彻底关闭这连接
客户端先发送了FIN，之后才发POST body。 全部过程：
服务端还没回复数据而客户端已经要关闭连接，按499官方定义，这种行为被Nginx判定499状态：
- 对内表现为记录499日志
- 对外表现为回复HTTP 400给消息网关
所以，在服务端的Nginx大量499日志条目；在消息网关那头，如果它也做Web日志，就是400报错。
5 从现象到本质
为什么客户端先发送FIN，然后才发送POST body？
回到Wireshark窗口，再关注6号报文：
离上个报文相差了2s。
往前看4号报文：
离3号报文相差3s。加起来，6号报文离TCP握手完成，正好隔 5s整。
一般出现这种整数，就越可疑，因为如果是系统或网络错乱导致，时间分布应 随机，不可能卡在整数时间。经验看， 这和人为设置有关。于是客户仔细查看微信网关使用文档，发现5s超时设置。即若一个HTTP事务无法在5s内完成，就关闭这连接。
啥叫无法完成？
在这抓包里即：HTTP header报文发过去了，但HTTP body报文没一起过去（网络原因导致）。而由于初始阶段报文少， 无法凑齐3个DupAck，所以快速重传没有启动，只好依赖超时重传（12 讲），且这多次超时重传也失败，服务端只好持续等待这丢失的报文。5s后，客户端没收到服务端响应，就主动关闭这次连接（可以下次再试，这次就不继续干等）。
即该场景里Nginx 499错误日志主因：
- 消息网关—>服务器 方向上的一个TCP包丢失（案例里是HTTP POST body报文），引起服务端空闲等待
- 消息网关有5s超时设置，即连接达到5s，消息网关就发FIN关闭连接
逻辑链：
- 要解决499报错的问题，就需要解决5s超时
- 要解决5s超时，就要解决丢包
- 要解决丢包，就要改善网络链路质量
最根本解决方案，如何确保客户端到服务端的 网络连接 可靠稳定，使类似的报文延迟现象降到最低。只要不丢包不延迟，HTTP事务就能在5s内完成，消息网关就不会启动5s超时断开连接机制。
跟客户还有网关工程师配合，确实发现网关到公有云的一条链路有问题。更换为另外一条链路后，丢包率大幅降低，问题极大改善。虽然还是有极小比例的错误日志（约万分之一），但对客户已在可接受范围。
因为丢包，客户端FIN报文跟HTTP POST body报文一样，也可能丢失。不过，无论这FIN是否被服务端及时收到，这次HTTP事务本身也已在客户端记为失败。
链路丢包这种问题挺明显，为啥没及时发现？
- 虽然对主要链路的整体状况有细致的监控，但这里的网关到客户的公有云服务属于“点到点”的链接，本身也属于客户自身的业务，公有云难以对这种情况做监控，理想情况是客户自己来实现监控。
- 客户的消息量很大，哪怕整体失败比例不高，但乘以绝对的消息量，产生的错误的绝对数也就比较可观了。
至于Nginx为何“创造”499状态码， Nginx源码 注释写得清楚。并非标新立异，而确实是为了弥补标准HTTP协议不足：
/*
* HTTP does not define the code for the case when a client closed
* the connection while we are processing its request so we introduce
* own code to log such situation when a client has closed the connection
* before we even try to send the HTTP header to it
*/
#define NGX_HTTP_CLIENT_CLOSED_REQUEST 499
6 总结
Nginx 499是Nginx定义状态码，不是RFC中定义HTTP状态码。表示“Nginx收到完整的HTTP request前（或者已经接收到完整的request但还没来得及发送HTTP response前），客户端试图关闭TCP连接”这种反常情况。
超时时间跟499报错数量也有直接关系。如果我们有办法延长消息网关的超时时间，比如从5秒改为50秒，那么客户端就有比较充足的时间去等待丢失的报文被成功重传，从而在50秒内完成HTTP事务，499日志也会少很多。
关注网络延迟对通信的影响。比如客户端发出的两个报文（报文3和报文4）间隔了3秒钟，这在网络通信中是个非常大的延迟。而造成这么大延迟的原因，会有两种可能：
- 消息网关端本身是在握手后隔了3秒才发送了这个报文，属 应用层问题
- 消息网关在握手后立刻发送了这个报文，但在公网上丢失了，微信消息网关就根据“超时重传”的机制重新发了这个报文，并于3秒后到达。属 网络链路问题。
由于上面的抓包是在服务端做的，所以未到达服务器的包自然也不可能抓到，也就是无法确定是具体哪一种原因（客户端应用层问题或网络链路问题）导致，但这并不影响结论。
公网丢包现象不可能完全消失。千分之一左右公网丢包率是正常范围。由于：
- 客户发送量较大（主因）
- 微信消息网关设置5s超时相对较短（次要原因）
问题就会在这个案例中被集中暴露。
设置更长超时阈值（如50s）能解决？出错率会降低不少，但新问题：
- 消息网关会有更多的资源消耗（内存、TCP源端口、计算能力等）
- 消息网关处理事务的平均耗时会增加
所以，5s是权衡后的合适方案。
排查的方法论，对更广泛的应用层报错日志的排查，推荐：
-
先查应用文档，初步确定问题性质，大体确定排查方向
-
对比应用日志和抓取的报文，在传输层和网络层寻找可疑报文。这步，可采用比对策略找到可疑报文：
- 日志中的IP跟报文中的IP对应
- 日志和报文的时间戳对应
- 应用层请求信息和报文信息对应
-
结合协议规范和报文现象，推导出根因
FAQ
- 第7个报文是DupAck，为什么没触发快速重传？
- 消息网关那头的应用日志应该不是499，那会是啥样日志？
本文由博客一文多发平台 OpenWrite 发布！