万字长文：手把手教你实现一套高效的IM长连接自适应心跳保活机制

本文作者“Carson”，现就职于腾讯公司，原题“高效保活长连接：手把手教你实现自适应的心跳保活机制”，有较多修订和改动。

1、引言

当要实现IM即时通讯聊天、消息推送等高实时性需求时，我们一般会选择长连接的通信方式。

而真正当实现长连接方式时，会遇到很多技术问题，比如最常见的长连接保活问题。

今天，我将通过本篇文章，手把手教大家实现一套可自适应的心跳保活机制，从而能高效稳定地维持诸如IM聊天这类需求的长连接。

2、相关文章

1. 《为何基于TCP协议的移动端IM仍然需要心跳保活机制？》
2. 《一文读懂即时通讯应用中的网络心跳包机制：作用、原理、实现思路等》
3. 《一种Android端IM智能心跳算法的设计与实现探讨（含样例代码）》
4. 《自已开发IM有那么难吗？手把手教你自撸一个Andriod版简易IM (有源码)》
5. 《跟着源码学IM(一)：手把手教你用Netty实现心跳机制、断线重连机制》
6. 《跟着源码学IM(五)：正确理解IM长连接、心跳及重连机制，并动手实现》

3、什么是长连接

认识长连接：

长连接的主要作是通过长时间保持双方连接，从而：

• 1）提高通信速度；
• 2）确保实时性；
• 3）避免短时间内重复连接所造成的信道资源和网络资源的浪费。

长连接与短连接的区别：

PS：对于IM这类的开发者而言，通常大家都把HTTP协议称“短连接”、把直接基于TCP、UDP或WebSocket的socket称为“长连接”。

4、导致长连接断开的原因

4.1 基本概念

从上节可知，在使用长连接的情况下，双方的所有通信都建立在1条长连接上（比如1次TCP连接）。所以，长连接需要持续保持双方连接才可使得双方持续通信。

然而，实际情况是，长连接会存在断开的情况。

这些断开原因主要是：

• 1）长连接所在进程被杀死（这主要说的是移动端）；
• 2）NAT超时；
• 3）网络状态发生变化；
• 4）其他不可抗因素（网络状态差、DHCP的租期等等 ）。

下面，我将对每种原因进行分析。

4.2 具体分析

1）原因1：进程被杀死

当进程被杀死后，长连接也会随之断开。进程被杀在Andriod端是最常见的问题，限于篇幅就不在此展开这个话题，有

2）原因2：NAT 超时（重点关注）

NAT超时现象如下：

各运营商和地区的NAT超时时间如下：

PS：上述数据来源于微信团队的《移动端IM实践：实现Android版微信的智能心跳机制》一文，随着4G、5G的普及，这些数据有可能已发生变化，请以实际测试结果为准。

特别注意：排除其他外因（网络切换、NAT超时、人为原因），TCP长连接在双方都不断开连接的情况上，本质上是不会自动中断的（也就是不需要心跳包来维持，可以验证一下：让2台电脑连上同1个Wifi，其中1台做服务器, 另1台做客户端连接服务器（无设置KeepAlive）。只要电脑、路由器不断网断电，那么，2台电脑的长连接是不会自动中断的）。

Jack Jiang注：上述论述可能不太准确，有新兴趣的读者可以详读《拔掉网线再插上，TCP连接还在吗？一文即懂！》。

3）原因3：网络状态发生变化

当移动客户端网络状态发生变化时（如移动网络 & Wifi切换、断开、重连），也会使长连接断开。

4）原因4：其他不可抗因素

如网络状态差、DHCP的租期到期等等，都会使得长连接发生 偶然的断开。DHCP的租期到期：对于 Android系统， DHCP到了租期后不会主动续约（继续使用过期IP），从而导致长连接断开。

5、高效维持长连接的解决方案

5.1 基本介绍

在了解长连接断开原因后，针对这些原因，此处给出我的高效维持长连接的解决方案（如下图所示）。

为此，若需有效维持长连接，则需要做到：

说得简单点，高效维持长连接的关键在于：

• 1）保活：处于连接状态时要做到尽量不要断；
• 2）重连：连接断了之后要能继续重连回来。

5.2 具体措施

1）措施1：进程保活

整体概括如下：

2）措施2：心跳保活机制

这是本文的重点，下节开始会详细解析

3）措施3：断线重连机制

原理就是：检测网络状态变化并及时判断连接的有效性。

具体实现：这个其实跟心跳保活机制是一套完整的逻辑，所以下面会在心跳保活机制中一起讲解。

6、心跳保活机制简介

心跳保活机制的整体介绍如下：

不过，很多人容易混淆把心跳机制和传统的HTTP轮询机制搞混。

下面给出二者区别：

7、主流IM的心跳机制分析和对比

对国、内外主流的移动IM产品（WhatsApp、Line、微信）进行了心跳机制的简单分析和对比。

具体请看下图：

PS：以上数据来自于微信团队分享的《移动端IM实践：WhatsApp、Line、微信的心跳策略分析》一文。

8、心跳保活机制方案总体设计

下面，我将根据市面上主流的心跳机制，设计了一套心跳机制方案。

心跳机制方案的基本流程：

对于心跳机制方案设计的主要考虑因素是：

• 1）要保证消息的实时性；
• 2）要考虑耗费设备的资源（网络流量、电量、CPU等等）。

从上图可以看出，对于心跳机制方案设计的要点在于：

• 1）心跳包的规格（内容 & 大小）；
• 2）心跳发送的间隔时间；
• 3）断线重连机制 （核心 = 如何 判断长连接的有效性）。

在下面的方案设计中，将针对这3个问题给出详细的解决方案。

9、心跳机制方案的详细设计

9.1 心跳包的规格

为了减少流量并提高发送效率，需要精简心跳包的设计。

主要从心跳包的内容和大小入手，设计原则具体如下：

设计方案：

心跳包 = 1个携带少量信息 & 大小在10字节内的信息包

9.2 心跳发送的间隔时间

为了 防止NAT超时并减少设备资源的消耗（网络流量、电量、CPU等等），心跳发送的间隔时间是整个心跳机制方案设计的重点。

心跳发送间隔时间的设计原则如下：

9.3 最常用的心跳间隔方案

一般，最直接且常用的心跳发送间隔时间设置方案多采用：“每隔估计 x 分钟发送心跳包1次”。其中，x ＜5分钟即可（综合主流移动IM产品，此处建议 x= 4分钟）。

但是，这种方案存在一些问题：

9.4 自适应心跳间隔方案

下面，我将详细讲解自适应心跳间隔时间的设计方案。

基本逻辑：

该方案需要解决的有2个核心问题。

1）如何自适应计算心跳间隔 从而使得心跳间隔 接近 当前NAT 超时时间？

答：不断增加心跳间隔时间进行心跳应答测试，直到心跳失败5次后，即可找出最接近 当前NAT 超时时间的心跳间隔时间。

具体请看下图：

注：只有当心跳间隔 接近 NAT 超时时间 时，才能最大化平衡 长连接不中断 & 设备资源消耗最低的问题。

2）如何检测 当前网络环境的NAT 超时时间 发生了变化 ？

答：当前发送心跳包成功 的最大间隔时间（即最接近NAT超时时间的心跳间隔） 发送失败5次后，则判断当前网络环境的NAT 超时时间 发生了变化。

具体请看下图：

注：在检测到 NAT 超时时间 发生变化后，重新自适应计算心跳间隔 从而使得心跳间隔 接近 NAT 超时时间

总结一下：统筹以上2个核心问题，总结出自适应心跳间隔时间设计方案为下图：

10、断线重连机制的实现

技术上来说：长连接的心跳保活依赖于心跳机制，在心跳机制起作用的情况下，适时启动断线重连机制，在心跳机制和断线重连机制的共同作用下才能实现真正的心跳保活。但为了让逻辑更清晰，我把断线重连机制跟心跳机制单独各作为一节来讲解。本节讲的是断片线重连机制。

该机制的核心在于：如何判断长连接的有效性。即：什么情况下视为长连接断线？

1）设计原则：

基本逻辑就是：判断长连接是否有效的准则 = 服务器是否返回心跳应答。

此处需要分清长连接的“存活 & 有效“状态的区别：

2）具体方案：

实现思路：通过计数计算，若连续5次发送心跳后，服务器都无心跳应答，则视为长连接无效。

判断流程：

3）网上流传的方案：

在网上流传着一些用于判断长连接是否有效的方案，具体介绍如下： 

至此，关于心跳保活机制已经讲解完毕。

11、方案小结

有必要总结一下我在上两节分享的心跳机制和断线重连机制，这两个机制组成了本文的长连接心跳保活完整逻辑。

设计方案： 

流程设计：

注：标识 “灰色” 的判断流程参考上文描述。

12、进一步优化和完善心跳保活方案

12.1 基本情况

上两节中的方案依然会存在技术缺陷，从而导致长连接断开（比如：长连接本身不可用（此时重连多少次也没用））。

下面将优化和完善上述方案，从而保证 客户端与服务器依然保持着通信状态。

优化点主要是：

• 1）确保当前网络的有效性和稳定性再开始长连接；
• 2）自适应计算心跳包间隔时间的时机。

12.2 确保网络的有效性和稳定性后再开始长连接

问题描述：

解决方案：

加入到原有的心跳保活机制主流程：

12.3 自适应计算心跳包间隔时间的时机

问题描述：

方案设计：

加入到到原有的心跳保活机制主流程：

12.4 小结一下

13、额外思考：TCP协议自带的KeepAlive机制能否替代心跳机制？

很多人认为，TCP 协议自身就有KeepAlive机制，为何基于它的通讯链接，仍需在应用层实现额外的心跳保活机制？

• 结论是：无法替代；
• 原因是：TCP KeepAlive机制的作用是检测连接的有无（死活），但无法检测连接是否有效。

注：“连接有效”的定义 = 双方具备发送 & 接收消息的能力。

先来看看KeepAlive 机制是什么：

KeepAlive 的机制不可替代心跳机制的具体原因如下：

特别注意：

• 1）KeepAlive 机制只是操作系统底层的一个被动机制，不应该被上层应用层使用；
• 2）当系统关闭一个由KeepAlive 机制检查出来的死连接时，是不会主动通知上层应用的，只能通过调用相应IO操作的返回值中发现。

小结一下就是：KeepAlive机制无法代替心跳机制，需要在应用层 自己实现心跳机制以检测长连接的有效性，从而高效维持长连接。

14、本文总结

看完本文后，相信在高效维持长连接的需求下，你可以完美地解决了！

本文方案的主体设计就是：

方案的优化和完善内容就是：