配置项作用 #
network.tcp.keep_alive 配置项控制是否启用 TCP 的 SO_KEEPALIVE 选项。启用后，操作系统会定期发送保活数据包来检测连接是否仍然有效，防止长时间空闲连接被中间设备（如防火墙、NAT 路由器）断开。
配置项类型 #
该配置项为静态配置，需要在启动时设置，修改后需要重启节点才能生效。
默认值 #
true（启用保持连接）
是否必需 #
可选配置项（有默认值）
取值范围 #
true - 启用 TCP keep-alive
false - 禁用 TCP keep-alive
配置格式 #
# 默认配置（启用保持连接）
network.tcp.keep_alive: true
# 禁用保持连接
network.tcp.keep_alive: false
相关配置项 #
| 配置项 | 默认值 | 说明 |
|---|---|---|
network.tcp.keep_alive | true | TCP 保持连接开关 |
network.tcp.keep_idle | -1 | 空闲时间（秒） |
network.tcp.keep_interval | -1 | 心跳间隔（秒） |
network.tcp.keep_count | -1 | 心跳次数 |
transport.tcp.keep_alive | true | 传输层保持连接 |
工作原理 #
TCP Keep-Alive 机制：
┌─────────────────────────────────────────────────────────────────┐
│ TCP Keep-Alive 工作流程 │
└─────────────────────────────────────────────────────────────────┘
建立连接
│
├── 正常数据传输
│
└── 连接空闲
│
├── 启用 keep_alive
│ │
│ ├── 等待 keep_idle 时间
│ │
│ ├── 发送 keep-alive 探测包
│ │
│ ├── 等待响应
│ │ │
│ │ ├── 收到 ACK → 连接正常
│ │ │
│ │ └── 未收到 ACK
│ │ │
│ │ ├── 重试 keep_count 次
│ │ │ 间隔 keep_interval
│ │ │
│ │ └── 仍无响应 → 关闭连接
│ │
│ └── 通知应用层连接断开
│
└── 禁用 keep_alive
│
└── 永不主动探测
连接可能被中间设备断开
中间设备断开连接问题 #
常见断开连接的场景:
1. 防火墙/NAT 超时
- 连接空闲时间过长
- 防火墙自动断开
- 双方不知道连接已断开
2. 负载均衡器超时
- 空闲连接超时
- 连接被删除
- 后续请求失败
3. 网络设备重启
- 交换机/路由器重启
- TCP 连接状态丢失
- 连接实际已断开
启用 keep_alive 的好处:
✓ 定期检测连接状态
✓ 及时发现断开连接
✓ 防止资源泄漏
✓ 提高集群稳定性
使用场景 #
1. 默认配置（强烈推荐） #
network.tcp.keep_alive: true
适用场景：
- 所有生产环境
- 跨地域部署
- 有防火墙的网络
- 有 NAT 的网络
2. 禁用保持连接 #
network.tcp.keep_alive: false
适用场景：
- 不推荐使用
- 特殊调试场景
- 内网无防火墙环境
推荐设置建议 #
| 网络环境 | 推荐值 | 说明 |
|---|---|---|
| 所有生产环境 | true | 必须启用 |
| 跨地域集群 | true | 防止长连接断开 |
| 有防火墙 | true | 防止超时断开 |
| 测试环境 | true | 保持一致 |
| 特殊调试 | false | 仅调试时使用 |
Keep-Alive 参数详解 #
TCP Keep-Alive 相关参数:
1. network.tcp.keep_alive
- 是否启用 keep-alive
- 默认: true
- 开关控制
2. network.tcp.keep_idle
- 首次探测前的空闲时间
- 默认: -1（使用系统默认）
- 通常系统默认: 7200 秒（2 小时）
3. network.tcp.keep_interval
- 探测包发送间隔
- 默认: -1（使用系统默认）
- 通常系统默认: 75 秒
4. network.tcp.keep_count
- 探测失败重试次数
- 默认: -1（使用系统默认）
- 通常系统默认: 9 次
探测总时间 = keep_idle + keep_interval × keep_count
系统默认: 7200 + 75 × 9 = 7875 秒（约 2.2 小时）
调整 Keep-Alive 参数 #
# 默认配置（使用系统默认）
network.tcp.keep_alive: true
network.tcp.keep_idle: -1
network.tcp.keep_interval: -1
network.tcp.keep_count: -1
# 快速检测配置
network.tcp.keep_alive: true
network.tcp.keep_idle: 60 # 1 分钟后开始探测
network.tcp.keep_interval: 10 # 每 10 秒探测一次
network.tcp.keep_count: 3 # 最多探测 3 次
# 总检测时间: 60 + 10 × 3 = 90 秒
配置示例 #
# 场景 1: 标准生产集群
cluster.name: prod-cluster
network.tcp.keep_alive: true
# 场景 2: 快速故障检测集群
cluster.name: fast-failover-cluster
network.tcp.keep_alive: true
network.tcp.keep_idle: 60
network.tcp.keep_interval: 10
network.tcp.keep_count: 3
# 场景 3: 跨地域集群
cluster.name: geo-cluster
network.tcp.keep_alive: true
network.tcp.keep_idle: 300
network.tcp.keep_interval: 30
network.tcp.keep_count: 5
监控建议 #
# 查看当前配置
GET /_nodes/settings?filter_path=nodes.*.network.tcp.keep_alive
# 查看连接状态
GET /_nodes/stats/transport
# 查看节点信息
GET /_cat/nodes?v
# 系统层面检查（Linux）
# 查看系统默认值
sysctl net.ipv4.tcp_keepalive_time
sysctl net.ipv4.tcp_keepalive_intvl
sysctl net.ipv4.tcp_keepalive_probes
故障排查 #
连接异常断开问题排查:
1. 检查 keep_alive 是否启用
GET /_nodes/settings?filter_path=*.network.tcp.keep_alive
2. 检查系统参数
sysctl net.ipv4.tcp_keepalive_*
3. 检查防火墙超时设置
# 防火墙连接超时应大于 keep-alive 时间
4. 检查网络设备
# 交换机/路由器/负载均衡器超时设置
5. 抓包分析
tcpdump -i any host <目标节点> and port 9300
常见问题:
- 防火墙超时太短 → 调整防火墙或减少 keep_idle
- keep_idle 太长 → 减少以更快检测断开
- 网络不稳定 → 增加 keep_interval 和 keep_count
与故障检测的关系 #
Keep-Alive vs 故障检测:
1. TCP Keep-Alive (network.tcp.keep_alive)
- 操作系统层面
- 检测连接是否有效
- 周期较长（分钟/小时级）
- 自动处理
2. 集群故障检测
- 应用层面
- 检测节点是否存活
- 周期较短（秒级）
- 触发选举
两者配合:
- Keep-Alive 作为基础保障
- 故障检测作为快速检测
- 共同确保集群稳定性
注意事项 #
- 静态配置：修改需要重启节点
- 默认推荐：生产环境必须启用
- 系统依赖：参数值为 -1 时使用系统默认
- 合理设置：过短的空闲时间可能增加网络负载
- 防火墙配合：确保防火墙超时大于 keep-alive 时间
- 与故障检测配合：Keep-Alive 不能替代集群故障检测
