Nginx 又双叒叕 502 了?从内核参数到上游链路,一次把根因挖干净

做站长这些年,被问得最多的问题之一就是:“网站突然打不开了,满屏 502 Bad Gateway,重启 Nginx 就好了,但过一会儿又犯,到底咋回事?”

如果你也遇到这种情况,那说明你碰上的多半不是 Nginx 本身的问题。502 这个状态码,本质上是一个“背锅信号”——Nginx 作为反向代理,它老老实实把请求转发给了上游(PHP-FPM、Tomcat、Node、Gunicorn 等),结果上游没给出合法响应,于是 Nginx 只能对客户端说:网关坏了。

所以排查 502,核心思路从来不是“重启大法”,而是顺着请求链路,从 Nginx 到上游进程,再到系统内核,一层层把根因揪出来。这篇 SOP 型的排查指南,是笔者在生产环境里反复验证过的完整套路,希望能帮你彻底摆脱“重启续命”的循环。

一、先搞懂 502 到底是谁的锅

💡 推荐阅读:别再让服务器裸奔了:从密码登录到密钥认证,一次把 SSH 加固聊透

Nginx 报 502,意味着它成功连接到了上游,但读取响应失败。注意,是“连接成功但响应异常”。如果连连接都建立不了,报的是 502 还是 504,取决于超时类型。理解这一点的价值在于:它直接帮你排除了“Nginx 配置写错 upstream 地址”这类低级问题。

常见的触发场景有这几类:

  • 上游进程崩溃、被 OOM Killer 杀掉,或正在重启;
  • 上游进程还在,但工作进程(worker)耗尽,无法处理新请求;
  • 上游响应超时,被 Nginx 的 proxy_read_timeout 判定为失败;
  • 上游返回的响应头过大,超出 Nginx 缓冲区限制;
  • 系统层面文件描述符、连接数、端口耗尽。

你会发现,真正的问题几乎都藏在上游和系统层。接下来我们按顺序排查。

二、第一现场:从 Nginx 错误日志锁定方向

💡 延伸阅读:云服务器定时自动备份实战:网站文件和数据库脚本到底该怎么配?这几个报错你肯定遇到过

别急着改配置,先看日志。Nginx 的 error.log 会明确告诉你失败原因,这是最高效的入口。

tail -f /var/log/nginx/error.log

对照下面这张表,可以快速定位问题层级:

日志关键词 含义 排查方向
connect() failed (111: Connection refused) 上游端口没监听 上游进程是否存活、端口是否正确
upstream timed out 上游响应超时 脚本执行时间、proxy_read_timeout
no live upstreams 所有上游节点被标记为不可用 健康检查、上游整体负载
upstream sent too big header 响应头超过缓冲区 调大 proxy_buffer 相关参数
worker_connections are not enough 连接数耗尽 Nginx 并发配置、系统 fd 限制

如果你看到的是 Connection refused,那基本可以确定上游进程挂了。这时请立刻去查上游服务的日志,以及系统日志里有没有 OOM 记录:

dmesg | grep -i "killed process"

一旦发现 OOM Killer 出手,问题就从“Nginx 配置”升级为“内存管理”了,需要检查上游进程的内存上限和服务器整体内存水位。

三、上游服务层的深度排查

💡 深度技术指南:WordPress 一开 HTTPS 就白屏、样式全丢还提示重定向过多?站长手把手带你把这坑填平

1. PHP-FPM 场景

PHP-FPM 是 502 的重灾区。核心看两个东西:进程池状态和慢日志。

开启 FPM 的 status 页面后,观察 max children reached 是否频繁触发。如果触发了,说明 pm.max_children 设置过小,请求排队等不到 worker,Nginx 等超时后就报 502。

; php-fpm.conf 关键调优
pm = dynamic
pm.max_children = 50      ; 按内存反推:可用内存 / 单进程内存
pm.start_servers = 10
pm.min_spare_servers = 5
pm.max_spare_servers = 20
pm.max_requests = 500     ; 防止内存泄漏累积
request_terminate_timeout = 60s

同时开启慢日志,找出真正拖垮进程池的元凶脚本:

request_slowlog_timeout = 5s
slowlog = /var/log/php-fpm/slow.log

2. Java / Node / Python 场景

思路一致:确认进程存活、确认线程/连接池是否打满、确认 GC 或事件循环是否卡死。对于 Java 应用,重点看 Full GC 频率;对于 Node,重点看是否被同步阻塞操作卡住事件循环。这些上游问题不解决,Nginx 配置调得再漂亮也是治标不治本。

四、Nginx 与系统层的加固调优清单

当上游确认健康,但 502 仍然偶发,问题往往出在 Nginx 与内核参数上。下面这份清单建议逐项核对。

Nginx 关键参数

proxy_connect_timeout 5s;
proxy_send_timeout 60s;
proxy_read_timeout 60s;      # 与上游最大处理时间匹配

proxy_buffer_size 16k;
proxy_buffers 8 16k;
proxy_busy_buffers_size 32k;
large_client_header_buffers 4 16k;

upstream backend {
    server 127.0.0.1:9000 max_fails=3 fail_timeout=30s;
    keepalive 32;            # 复用长连接,降低握手开销
}

系统内核参数

# /etc/sysctl.conf
net.core.somaxconn = 65535
net.ipv4.tcp_max_syn_backlog = 65535
net.ipv4.ip_local_port_range = 1024 65535
fs.file-max = 1000000

别忘了 ulimit -n,Nginx worker 和上游进程的文件描述符上限如果还是默认的 1024,在高并发下几乎必然出问题。在 systemd 服务里显式设置 LimitNOFILE=65535 才是稳妥做法。

另外提醒一句:如果你的业务量已经上来了,别再用那种超售严重、内存虚标的廉价 VPS 硬扛。选择内存真实、IO 稳定的云服务器,是避免 OOM 和连接耗尽最根本的一步。域名也建议选正规注册商,避免解析层面的抖动被误判为服务故障。

五、验证测试与 SOP 固化

改完配置,不要凭感觉说“应该好了”。用压测和监控来验证:

  • 用 ab 或 wrk 对核心接口施压,观察 502 是否复现;
  • 持续观察 error.log 和上游进程的 worker 使用率;
  • 接入监控(Prometheus + Grafana 或简单的 Zabbix),对 502 数量、上游存活、内存水位做告警。

最后,把整套流程固化成一份可执行的 SOP:

  1. 出现 502,第一时间看 Nginx error.log 关键词;
  2. 根据关键词判断是上游崩溃、超时还是连接耗尽;
  3. 上游崩溃查 OOM 与进程日志,超时查慢日志与超时参数;
  4. 上游健康则核对 Nginx 缓冲与内核参数;
  5. 调整后用压测验证,并纳入监控告警。

说到底,502 从来不是 Nginx 一个组件的问题,它是整条请求链路的健康体检报告。把上游、Nginx、系统三层都照顾到,你才能真正和“重启续命”说再见。

相关技术专题与延伸阅读

滚动至顶部