外网打不开、本机却正常:一次 IPv6 静默断网三小时的完整复盘

liulinhai 2026.10.27 20:20 26 0
Django技术 网站迁移 IPv6 DDNS 阿里云DNS PowerShell 故障排查

收录于《把博客搬回家》第 4 篇

引子

2026 年 10 月 27 日傍晚,网站出现了种最让人挠头的故障:外网访问不了,但自己电脑上打开一切正常。手机切到 5G 能访问,笔记本的浏览器却一直转圈超时。

这种"内外有别"的现象几乎必然指向 DNS——因为服务器在公网上是同一个,无内外之分。既然要查 DNS,就顺着这条线一路挖了下去,结果挖出了两个独立的故障叠加:一个是阿里云 API 签名在 PowerShell 上踩了坑,导致 DDNS 静默失败三小时;另一个是家宽光猫的 DNS 缓存不讲 TTL,一直在喂旧地址。

这篇把完整过程记下来:每一步的定位命令、两次根因分析、以及那份事后清单。运维的价值不在于"没出事",而在于出事时能不能用十分钟内可复现的证据把范围缩到一行日志。

现场勘查

先做无争议的排除法,把三层分开看。

第一层:服务本身

# 容器状态
docker ps --format "table {{.Names}}\t{{.Status}}\t{{.Ports}}"
# NAMES            STATUS            PORTS
# deploy-web-1     Up 37 hours
# deploy-nginx-1   Up 37 hours        0.0.0.0:80->80/tcp, [::]:80->80/tcp

# 本机用域名 + Host 头访问
curl -s -o /dev/null -w "%{http_code}\n" -H "Host: siliu.online" http://127.0.0.1/
# 200

结论:Django、nginx、反代全好,服务层无罪。

第二层:DNS 解析

解析来源返回的 AAAA 地址判断
权威 DNS(dns9.hichina.com)240e:3bd:23b:c080:...:363c新地址,正确
223.5.5.5 / 8.8.8.8 / 119.29.29.29240e:3bd:23b:c080:...:363c新地址,正确
光猫 192.168.3.1240e:3bd:233:1c0:...:898a旧地址,已失效

于是矛盾出现了:权威和所有公共 DNS 都是对的,唯独家里那台光猫还在发旧地址。这台电脑的 DNS 正是指向光猫的。

第三层:DDNS 日志

顺着"地址为什么没更新"往下查,翻 DDNS 日志尾部,每半小时一条、整齐得让人心疼:

2026-10-27 18:11:57 ddns start
2026-10-27 18:11:59 site is up locally - current IPv6: 240e:3bd:23b:c080:b713:1b6a:b049:363c
2026-10-27 18:12:00 ERROR: update failed for www.siliu.online: 远程服务器返回错误: (400) 错误的请求。
2026-10-27 18:12:00 ERROR: update failed for siliu.online: 远程服务器返回错误: (400) 错误的请求。

任务在跑、站点探测通过、地址也取到了,只有最后一步 API 更新一直在失败。从 16:42 第一条 ERROR 算起,到 19:42 整整三个小时,DNS 里的 AAAA 一直指向旧地址——而此时光猫还在忠实地把这份过期缓存转发给家里的每一台设备。

顺带一个关键事实:本机的 IPv6 前缀在这期间换过。

旧: 240e:3bd:233:1c0:a544:e23c:96a4:898a
新: 240e:3bd:23b:c080:b713:1b6a:b049:363c

电信会定期给家宽重颁 IPv6 前缀,这是常态而非故障。而 DDNS 的全部意义就是接住这次变化——它接住了变化,却在最后一步摔了。

根因一:阿里云 API 的字节序陷阱

脚本只记了「(400) 错误的请求」这种通用文案,看不出所以然。改用 curl 重放请求,直接把响应体打出来,真相立刻清楚了:

{"RequestId":"01A17D36-CF18-...","Code":"SignatureDoesNotMatch",
 "Message":"Specified signature is not matched with our calculation.
  server string to sign is:GET&%2F&AccessKeyId%3D...%26RR%3Dwww
  %26RecordId%3D2113249874791070720%26SignatureMethod%3DHMAC-SHA1..."}

不是权限问题,不是余额问题,是签名算错了。而服务端回显的"它认为应该签的字符串"里,有一个细节要命:

参数服务端期望的顺序(字节序)PowerShell 实际排出的顺序(文化排序)
RR 与 RecordIdRR 在前RecordId 在前

原因在 PowerShell 5.1 的 Sort-Object Name:它用的是当前区域设置下的语言排序,比较 "RR" 和 "RecordId" 时按字母序走(e < r),于是 RecordId 排到了前面;而云端要求的是按字节序,'R'(82) < 'e'(101),RR 必须在前面。参数顺序不同,拼接出的待签名字符串就不同,签名自然对不上。

这里最值得玩味的是为什么这个坑埋了五天都没炸。把五个 API 调用按参数摊开一看:

API 动作是否同时带 RR 和 RecordId结果
DescribeSubDomainRecords否成功
AddDomainRecord否成功
DeleteDomainRecord否(只传 RecordId)成功
UpdateDomainRecord是SignatureDoesNotMatch

只有 UpdateDomainRecord 同时带这两个参数,才是唯一会踩到排序冲突的调用。而从 10 月 22 日迁移完成到 27 日,IPv6 地址一直没变过,DDNS 每轮都走"地址没变、缓存新鲜"的快速路径直接退出,连一次 Update 都没执行过。迁移那天的记录还写着 added www.siliu.online AAAA -> ...——那是 Add,也躲过了。

换句话说:这个 bug 从写出来那天就在,只是直到 IPv6 前缀第一次轮换、脚本第一次真的需要 Update 时才现形。一次环境变化,把潜伏的代码缺陷逼了出来。

修复

把排序换成显式的字节序比较:

# 修复前(文化敏感排序,Windows 中文/英文区域下都会错)
$canon = (($all.GetEnumerator() | Sort-Object Name) | ForEach-Object {
    (PercentEncode $_.Name) + "=" + (PercentEncode $_.Value)
}) -join "&"

# 修复后(Ordinal = 逐字节比较,与区域设置无关)
$keys = New-Object System.Collections.ArrayList
[void]$keys.AddRange([string[]]$all.Keys)
$keys.Sort([System.StringComparer]::Ordinal)
$canon = ($keys | ForEach-Object {
    (PercentEncode $_) + "=" + (PercentEncode $all[$_])
}) -join "&"

手动跑一次,两条记录立刻更新成功:

2026-10-27 19:57:03 updated www.siliu.online AAAA -> 240e:3bd:23b:c080:b713:1b6a:b049:363c
2026-10-27 19:57:04 updated siliu.online AAAA -> 240e:3bd:23b:c080:b713:1b6a:b049:363c

教训一:任何云厂商的 API 签名实现,参数排序一律用字节序,别用系统默认排序。Windows 上 PowerShell 的语言排序会在"大小写 + 前缀包含"这类组合上翻车,而这类组合恰恰是真实 API 参数名的常态(RR vs RecordId、Type vs TTL)。

根因二:光猫的 DNS 缓存不讲 TTL

签名修好后,公共 DNS 立刻返回新地址,可这台电脑还是打不开。继续查,发现系统解析仍然拿到旧地址——即使刚 ipconfig /flushdns 过。这说明旧记录不是本机缓存的,是上游给的,而本机的 DNS 服务器正是光猫 192.168.3.1。

用 Resolve-DnsName -Server 逐个点名,立刻看出分层:

223.5.5.5        -> 240e:3bd:23b:c080:b713:1b6a:b049:363c
8.8.8.8         -> 240e:3bd:23b:c080:b713:1b6a:b049:363c
119.29.29.29    -> 240e:3bd:23b:c080:b713:1b6a:b049:363c
dns9.hichina.com-> 240e:3bd:23b:c080:b713:1b6a:b049:363c
192.168.3.1     -> 240e:3bd:233:1c0:a544:e23c:96a4:898a   <-- 旧地址

家宽光猫的 DNS 转发缓存有个众所周知的脾气:不严格遵守 TTL,有的甚至缓存到几小时甚至更久才刷新。而且不同名字的刷新时序是独立的——这次就撞上了"裸域还是旧的、www 已经是新的"的诡异局面:

Resolve-DnsName siliu.online      -> 240e:3bd:233:1c0:...  TTL 101   (旧)
Resolve-DnsName www.siliu.online  -> 240e:3bd:23b:c080:...  TTL 576   (新)

同一条链路、同一台 DNS 服务器,两个结果。手机走 5G 有自己的解析路径,所以完全正常——"手机能开、电脑不能开"这个现象,恰恰是 DNS 问题的典型指纹。

修复

最直接的办法是让本机绕开光猫,直接问公共 DNS:

netsh interface ipv4 set dnsservers name="WLANX" source=static address=223.5.5.5 primary validate=no
netsh interface ipv4 add dnsservers name="WLANX" address=223.6.6.6 index=2 validate=no
netsh interface ipv6 set dnsservers name="WLANX" source=static address=2400:3200::1 primary validate=no
netsh interface ipv6 add dnsservers name="WLANX" address=240c::6666 index=2 validate=no
ipconfig /flushdns

这里有两个小坑值得记:

  • 网卡名不是 "WLAN"。netsh 里的名称是 WLANX,而 WLAN 只是 Windows 的无线配置文件名。写错会静默不生效。
  • 用 netsh 而不是 Set-DnsClientServerAddress。后者在 PowerShell 里报"无法从客户端中访问 CIM 资源",看起来像 WMI 坏了,其实只是进程没有管理员令牌(中完整性级别)。判断方法:看窗口标题有没有"管理员:"前缀,或者 net session >nul 2>&1 的返回码。netsh 走的是自己的配置路径,不碰 WMI,成功率最高。

改完之后,浏览器立刻恢复正常。

教训二:把 DDNS 的"权威端"修好只是修好了一半。DDNS 更新的是权威 DNS,而真正给用户发地址的是递归解析器——中间的每一台递归(光猫、移动、宽带公司自己的)都可能有自己的缓存脾气。客户端侧的 DNS 选择,和服务端侧的 DDNS 一样重要。

怎么才算"真的通了"

这次排查里有几个坑,专门说说验证方法本身。

不可信:自己在本机访问公网地址

本机 curl 直连自己的公网 IPv6 地址会返回 200,但这不能证明外网可达——操作系统协议栈会把发往本机地址的流量本地截获,压根不经过网卡和光猫。这条链路是"抄近路"抄到自己了。

不可信:本地代理当外网探针

本机有个走代理的环境变量,原本打算用它当"外网视角"去访问网站,结果对 baidu、example.com 同样失败——代理本身是坏的,对所有目标都失败,这种情况下它对目标站点的失败没有任何信息量。

不可信:第三方抓取服务

试了三个公网抓取服务(allorigins、codetabs、jina),都返回 Cloudflare 522。仔细看错误页里的 zone 字段才发现——522 的域名是它们自己的服务域名,是那些服务挂了,不是目标站点挂了。看清错误来自哪一层,是解读代理类错误的第一步。

可用:旧云服务器当探针

最靠谱的外网视角,本来是那台还没关机的云服务器:

ssh root@42.194.147.212 "curl -s -o /dev/null -w '%{http_code}\n' \
  --noproxy '*' -H 'Host: siliu.online' http://[240e:3bd:23b:c080:...]/"
# 200

可惜这台机器在排查当天已经关机,这条腿断了。

最终证据:nginx 访问日志

最后落地的证据,是服务器自己的访问日志,它记录的是"谁真的连上了":

172.18.0.1 - - [27/Oct/2026:12:15:07 +0000] "GET / HTTP/1.1" 499 0 "-" "Mozilla/5.0 (Windows NT 10.0; ... Edg/156.0.0.0"
172.18.0.1 - - [27/Oct/2026:12:15:08 +0000] "GET / HTTP/1.1" 200 25862 "-" "Mozilla/5.0 (Windows NT 10.0; ... Edg/156.0.0.0"

12:15:07 那次是 499(客户端在等待旧地址超时后主动断开),12:15:08 就是 200——正好是改完 DNS 后的一秒。服务器日志里的这一对相邻记录,是"浏览器终于通了"最硬的证据,比任何外部探测都直接。

事后清单

措施状态
阿里云 API 签名改用 Ordinal 排序(ddns-ipv6.ps1、delete-a-records.ps1)已完成
本机 DNS 改为公共解析器(223.5.5.5 / 2400:3200::1),绕开光猫缓存已完成
提供 set-public-dns.cmd / restore-router-dns.cmd,自动探测网卡名并自举提权已完成
DDNS 脚本与 DNS 脚本同步进备用机一键部署包已完成
给域名加外部健康检查(定时从外部探活,异常即告警)待办
定期抽查 ddns.log 尾部的 ERROR 行待办(建议)
家里其他走光猫 DNS 的设备(手机、电视盒子)也改用公共 DNS建议

其中第二条待办最关键:这次故障持续了三小时才被用户发现,而技术上的失效是完全静默的——DDNS 任务照常触发、站点照常探测通过、状态码照常是 Ready,只有日志里躺着一行 ERROR。任何一个"静默失败"的组件,都应该配一个会喊的监控。

结语

这次故障的两个根因,技术难度都不高:一个排序函数的区域设置差异,一个家用路由器的缓存策略。但它们的组合效应很典型——权威 DNS 正确、系统解析正确、服务完全正常,唯独"客户端拿到的地址"是过期的,这种现象在排查时极易被误判成"网站挂了"或"网络故障"。

真正管用的排查动作其实只有两条:一是逐层点名 DNS(Resolve-DnsName -Server 逐个问过去,差异出现的那一层就是现场),二是看服务器自己的访问日志(谁真的连上了,连上的是哪个地址,返回了什么)。这两招能把绝大多数"内外有别"的问题在三分钟内定位到具体一行。

而真正的教训藏在那三小时里:一个从没被执行过的代码路径,缺陷会一直潜伏,直到环境第一次变化把它逼出来。IPv6 前缀会变、DNS 缓存会拖、API 兼容性会坏——唯一可靠的做法,是让监控替你盯着那些"平时没人看"的日志。

Last Modified·2026年10月27日 20:20

暂无评论

您尚未登录,请先才能评论。