阿里云UDP不通时怎么排障:8项检查对照3个案例
业务迁到阿里云之后,TCP往往已经通了,UDP却时通时断。游戏位置同步、DNS查询、NTP对时、实时音视频和物联网心跳,都依赖UDP的低时延和无连接特性。这里说的阿里云UDP,指ECS、安全组、网络ACL、负载均衡、NAT网关以及全球加速共同决定的一条转发路径。任意一环丢包或超时,外面看到的都是端口不通,或延迟抖动。

先确认业务是否适合走UDP
UDP不保证到达、顺序和重传,只适合时延敏感、且应用自己能处理丢包的流量。迁云时常见下面几类,丢包怎么补,并不一样。
- 实时互动:语音、视频、云游戏可以接受单包丢失,盲目重传反而会把卡顿放大。
- 查询类:DNS、NTP的请求和响应都很短,超时后由客户端重试即可。
- 状态同步:游戏坐标、传感器心跳,过期的旧包即便到达,也已经没有意义。
- 自定义协议:在UDP之上自建序号、确认和速率控制,可靠性由应用负责。
业务不能容忍丢包,应用层又没有补偿,就不要因为“UDP更快”改协议。阿里云网络不会替应用把可靠性补上。
阿里云UDP路径上的8项检查
从客户端追到进程。先把规则、监听和路由对完,避免一上来就改业务代码。
安全组入方向
ECS安全组默认拒绝未授权的入向流量。UDP要单独放行:协议选择UDP,端口填写真实监听端口或连续范围,来源收窄到办公网、对端VPC或已知网段。不要长期对全网开放。
网络ACL
交换机若绑定网络ACL,按无状态来看。入向放行UDP之后,出向也必须放行回包。只开入向、不开出向,就会出现请求到了、响应回不去,这是阿里云UDP排障里的高频原因。入向和出向的端口范围保持一致。
负载均衡监听
四层负载均衡支持UDP监听。监听端口、后端端口和健康检查协议必须一致。健康检查若仍使用TCP,后端UDP进程正常,也会被判定为不健康;实例被摘除后,访问就会间歇失败。按源地址做会话保持,适合有状态的游戏房间,不适合纯查询。
进程是否真正监听
到ECS上确认进程绑定的是0.0.0.0或业务网卡地址。若只绑127.0.0.1,外部流量进不来,安全组放行也没用。系统防火墙和安全组各管一层,云上放行之后,还要看操作系统有没有放行。容器再核对端口映射,确认指到宿主机的正确端口。
NAT网关会话超时
经NAT网关出公网时,UDP会话有空闲超时。心跳间隔大于超时时间,映射会被回收,下一包可能从新端口发出。对端若绑定了原来的源端口,连接就会中断。心跳应短于会话超时,应用侧也要能处理地址变化。
带宽与突发丢包
按流量或按固定带宽,突发都可能丢包。UDP没有TCP那样的拥塞退避,应用若以固定速率持续猛发,阿里云侧或对端都会丢包。上线前用接近峰值的流量压测,把丢包率记下来。带宽平均值可以留作对照,不能代替丢包记录。
路由与多网卡
多网卡、IPv6和私网对等连接并存时,回包可能走错网卡。未配置策略路由,流量从网卡A进入、从网卡B离开,中间设备会丢弃这种不对称路径。
两端抓包对照
在客户端、负载均衡后端和ECS上分别抓UDP。只有一端看到请求,丢在中间设备;两端都有请求、没有响应,先查进程和业务逻辑;有响应但客户端收不到,先查ACL出向、NAT映射和路由。
三个可复用案例
案例一:游戏服安全组已放行仍连不上
某竞技游戏使用UDP 7000至7010同步位置。安全组已经放行,玩家仍然超时。抓包显示请求到达ECS,响应也已发出,玩家却收不到回包。交换机上的网络ACL只放了入向UDP,出向没有放行同一端口范围。补齐出向规则后立即恢复。此后上线清单固定增加一项:ACL与安全组成对检查。
案例二:音视频经NAT网关数分钟后变为单通
内部会议系统通过NAT网关访问公网中继,大约数分钟后只剩单向媒体。UDP映射在空闲后被回收,客户端仍向旧映射发送。处理时把保活间隔降到超时阈值以内,重连逻辑允许地址变更。媒体和信令拆到不同端口,避免保活包被突发媒体流量淹没。
案例三:DNS权威服务被错误的健康检查摘除
权威DNS挂在四层负载均衡后面,业务端口是UDP 53,健康检查却照搬成TCP 53。后端并没有监听TCP,实例被连续摘除,解析出现间歇失败。改为UDP健康检查,并保留一台不经过负载均衡的ECS作对照,摘除就停了。健康检查必须与真实协议一致,不能把TCP模板套到阿里云UDP监听上。
上线前最小清单
- 明确端口、对端网段,以及回包是否要求端口一致。
- 安全组入向只放行UDP,来源按最小范围授权。
- 如果存在网络ACL,入向和出向同时放行。
- 负载均衡使用UDP监听,健康检查也使用UDP。
- 核对系统防火墙、容器映射和进程绑定地址,排除只监听127.0.0.1。
- 经过NAT时把心跳设得比会话超时更短,并处理映射变化。
- 用接近峰值的流量压测,记录丢包率,带宽均值只作对照。
- 保留两端抓包方法和日志字段,方便按同一口径复盘。
安全与稳定性边界
UDP容易被滥用于反射和放大,开放端口应只服务真实业务。DNS、NTP等容易被放大的服务,不要无限制对公网开放;能走内网或限定来源,就不要全网暴露。业务侧要有速率限制,也要有异常流量告警。
遇到大规模异常UDP流量,启用云厂商防护,并按应急流程处理。生产机器上临时堆砌的丢弃规则很难维护,不适合当常规手段。跨地域实时业务可以评估全球加速或就近接入,用来降低公网抖动。加速改善的是可达和时延,丢包与超时仍要应用自己处理。
排查时先画完整路径
排查阿里云UDP时,先把路径画出来:客户端、公网或NAT、负载均衡、安全组、网络ACL、系统防火墙、进程。三个案例的断点分别是ACL出向遗漏、NAT会话超时、健康检查协议用错。工单里“安全组已放行仍不通”,多数就落在这几处。8项检查放进上线门禁,比故障后逐台改规则省时间。