故障是从一条磁盘空间告警开始的。一个不到十人的小团队,用 Synapse 自建了内部聊天服务,消息量并不夸张——每天几百条,其中夹着截图、设计稿和几段短语音。部署时给了一块几十 G 的数据盘,按负责人的估算,这点消息量撑一年都用不完。中间没人刻意往群里传大文件,也没人把它当网盘使。三个月后,监控弹出可用空间不足的告警,df 命令显示数据分区已经吃掉三十多个 G。第一反应是数据库出了问题,或者有人误传了超大附件。把目录逐个统计下来,答案有点出乎意料:真正涨得快的是媒体目录,数据库本身只占了几百兆。换句话说,盘子不是被"聊天记录"撑爆的,而是被聊天里夹带的图片和它们的各种副本吃掉的。这个场景在后文还会反复引用,它来自一份公开的个人部署记录参考值,不是某个具体客户的实测,用量与配置只作估算用。
排查过程里有个细节值得记下:这台机器的处理器长期在百分之五到百分之十之间徘徊,内存也没到报警线,唯独磁盘单调上涨。这种"算力闲着、盘子却满"的组合,几乎可以排除消息量本身的问题——文本消息的存储成本极低,几百条消息连一兆都占不到。把时间轴拉长看,增长曲线和群活跃时段高度重合,每次集中发图之后都会上一个台阶。这也提示了一个判断方法:当你遇到"用户没增加多少、磁盘却一路涨"的情况,先别去翻用户表和房间表,直接看媒体目录的按日增量,通常一眼就能定性。
排障的第一步是把写入来源分开看。Synapse 的数据大致落在两处:数据库保存房间、事件、用户与设备关系,媒体仓库保存所有上传和拉取过的文件。多数人直觉上盯数据库,但在这个故障里,媒体仓库才是增长主力。
媒体又分两类。本地媒体是本站用户自己上传的,远端媒体是联邦协作时从别的服务器拉过来的图片、文件与头像。默认配置下,远端媒体会长期缓存——别的成员在联邦房间里发一张图,你的服务器就在本地留一份,哪怕只是扫了一眼。时间一长,跨组织协作越频繁,这部分越可观。
更隐蔽的是缩略图。一张原图上传后,服务端会按配置里的尺寸规格生成若干份缩略图,常见的是几档不同宽度的小图,有的还会按格式再转一遍。原始文件加上这些派生副本,一张照片在系统里往往对应四五个独立文件。上传时看是一张图,落盘时已经翻了几倍。再加上默认都不设过期,增长就成了一条只增不减的曲线。用 du 命令统计媒体目录并配合按时间排序,通常就能看清是不是这条线在涨;把本地媒体、远端媒体、缩略图三个子目录分别计数,基本可以定位增长的来源。
再往细处拆,媒体仓库下的目录划分本身就带着答案:本地上传、远端缓存、缩略图各有自己的空间,把三者的体积分别记下来,就能判断到底是哪一类在主导增长。远端媒体还有一个容易被忽略的性质——它是按引用缓存的,别人在联邦房间里发的文件,哪怕你的用户从未点开,只要事件同步过来,附着在事件上的媒体就可能进入拉取队列。这意味着一个安静的旁观者账号,也会替你悄悄囤积大量并不需要的图片。理解了这一点,就不难明白为什么关掉联邦之后,同一批用户的磁盘曲线会立刻变得平缓:断掉的不是聊天本身,而是那些与你无关的媒体流入。
如果只把问题归结为"图片没清理",那只看到一半。真正让资源曲线变得不可预测的,是联邦。
联邦意味着你的服务器要和外部服务器同步房间状态与事件。平时这没什么,一旦本地用户加入一个规模很大的公共房间,服务器需要把该房间的完整状态集拉下来并做状态解析——冲突的事件要在不同分支间选出最终结果。大型公共房间的状态事件可能成千上万,解析过程会把事件对象整批装进内存,峰值内存冲到 2 到 4GB 是公开资料里常见的量级(参考值,具体随房间规模浮动)。一台八个人的服务器本来只按 2.5GB 内存规划,用户一进大房间就把余量吃光,甚至触发交换。
事件量本身也在涨。活跃的联邦服务器,数据库每月增长 1 到 5GB 是参考区间;远端媒体缓存更是没有天然上限,别人发多少,你就可能的缓存多少。对比之下,一台关闭联邦、只服务内部成员的服务器,资源占用几乎是平的——用户数固定、房间固定、媒体只来自内部,完全可以按人头估。这就是本文的核心判断:联邦是成本主因,媒体保留策略必须显式设置,而关掉联邦之后,资源才真正可预测。
状态解析之所以吃内存,是因为它不是简单地把事件按时间排成一列。矩阵式房间的状态允许不同服务器在不同分支上各自推进,当两条分支跨越联邦边界相遇时,服务端必须按一套确定的规则对冲突事件做归并,选出每个状态键的单一取值。大型公共房间参与方多、状态键多,这套归并要在短时间内处理成千上万个事件对象,内存占用随之抬升。这也是为什么同一台机器,服务几个内部小房间时风平浪静,用户一加入热门公共房间就出现明显尖峰。理解了这层机制就会明白,联邦的成本并不线性于用户数,而更多取决于加入了哪些房间。
把成本拆开之后,估算就有章法了。官方与社区给出的经验值可以这样读:纯个人、只做隔离部署的场景,1 核、至少 1GiB 内存就能跑起来;一旦打开联邦并加入较多房间,建议提到 2 到 4 核、2 到 4GiB;更大规模按每核约 2GiB 内存递进配置。这些是起步线,不是上限。
前面那个八人记录里,内存常驻约 2.5GB、CPU 占用 5% 到 10%,三个月媒体与数据库合计约 12GB,其中大头是媒体——这里再次强调,这是一份个人记录参考值(示例场景),不是通用基准,更不是对任何真实客户的测量。
估算方法可以这样落:先看用户数与活跃度,再看联邦开关。不开联邦时,磁盘增长主要来自本地媒体,按"人均每日消息数 × 图片比例 × 平均文件大小 × 副本数"粗算即可,乘上保留周期就是盘子容量。开联邦后,要额外加上远端媒体缓存和每月 1 到 5GB 的数据库增量(参考值),并为状态解析留一段峰值内存。五十人规模若开联邦,按每核 2GiB 配到 8GiB 量级更稳妥,同时把 Redis 提上日程。非联邦部署在同等人头下明显更省,省下的正是联邦带来的状态解析与远端缓存那两份开销。
另一条经验是,这类服务的处理器通常不是瓶颈。文本消息的收发、事件的签名与验签确实要耗一些算力,但量级远达不到把核心跑满;前面那个八人示例里处理器占用长期只有百分之五到百分之十。真正需要盯的是磁盘吞吐与内存峰值:媒体上传下载会占用磁盘输入输出,批量缩略图生成会短时拉高处理器负载,而状态解析会瞬间把内存推高。所以选机器时不必在核心数上过度堆叠,把预算优先给内存和磁盘容量更划算。若确实要承载较多并发上传,再考虑用固态盘改善随机读写,而不是一味增加核心。
清理不是去媒体目录里手动删文件,那样会破坏数据库与文件的一致性。正确做法是通过配置里的媒体保留策略,让 Synapse 自己的后台任务按规则回收。
关键参数有两个,remote_media_lifetime 和 local_media_lifetime,都以"最后访问时间"为基准计时,而不是上传时间。区别在于后果:remote_media_lifetime 管的是远端媒体缓存,清理后如果以后还要用,服务器可以回到源站重新拉取,属于可回收资源,所以设得激进一些通常没问题,七天到三十天是常见的思路。local_media_lifetime 管的是本站用户上传的本地媒体,一旦按这个规则删掉就是永久删除,源头上没有第二份,设短了会造成真实的数据丢失。
因此实践里往往给两者不同的周期:远端短、本地长,或者本地干脆不设自动过期,只靠定期备份与人工归档控制体量。还要记得缩略图也随保留策略一起回收,否则清了原图、缩略图还留着,盘子照样涨。改完配置要确认后台保留任务确实在跑,并在小范围观察一个周期,看媒体目录是否出现预期回落,再决定是否缩短周期。对历史遗留的大量文件,可以分批纳入策略,避免一次性回收对磁盘和数据库造成集中压力。
保留策略的执行还有两个细节需要留意。一是最后访问时间会在媒体被读取时刷新,所以一个频繁被点开的老文件会一直逃过清理;如果你希望严格按上传时间回收,就不能只依赖这个参数,需要配合其他手段。二是后台保留任务按自己的节奏运行,不是配置一改就立刻生效,改完应当留出观察窗口,而不是马上判断没起作用。另外,本地媒体一旦被 local_media_lifetime 删除就无法从源站恢复,这一点和远端媒体完全不同;因此对本地媒体更稳妥的做法是把保留周期设得比备份周期长,确保任何时刻都有一份可恢复的副本存在。
三个组件常被一起问到,但它们的可省程度完全不同。
数据库不能省。Synapse 的元数据、事件与设备关系都依赖 PostgreSQL,官方明确 SQLite 只适合测试环境,生产上不要用 SQLite——并发一上来就会出现锁与性能问题,数据一致性也难保障。这一条是底线。
Redis 可以省,但有条件。它主要承担缓存与部分状态的暂存,用户规模较小的时候,省掉 Redis 完全能跑,故障面反而更小;到二十人以上的量级,数据库查询与跨进程通信压力上升,加 Redis 能明显削峰,这时再上不迟。换句话说,小团队不必一开始就把 Redis 列为必装项。
TURN(语音视频转发)则看需求。如果只做文字与文件聊天,Coturn 这类 TURN 服务可以不上,省掉一组端口与证书配置;一旦要稳定的语音视频通话,尤其是在复杂网络条件下,TURN 就成了必需项,否则会出现消息通、通话却建立不起来的情况。
从容器数量也能看出取舍:Synapse 配 Element 与 PostgreSQL 通常约三个容器;Rocket.Chat 配 MongoDB 约两个容器,部署更轻,但它没有联邦能力。选哪条路,取决于要不要跨组织协作,而不是单纯去比容器数量。
把这几个组件放回部署顺序里看,逻辑会更清楚:先确认 PostgreSQL 可用并做完初始配置,再决定是否引入 Redis,最后根据有没有音视频需求决定 Coturn。很多故障并不是组件本身出错,而是顺序颠倒——数据库还没稳住就开始调缓存,或者语音已经上线却迟迟不配转发。还有一点容易被忽略:Redis 与 Coturn 虽然都可以晚些再加,但一旦加上就要纳入监控,因为它们的失效会直接表现成聊天变慢或通话失败,却往往不会在 Synapse 日志里给出直观提示。
把上面的判断压缩成一张表,便于对照自己的部署。表中内存与增长都是量级参考,不是承诺值;涉及示例场景的数字已单独标注性质,实际以自身环境与官网实时信息为准。
| 场景 | 建议配置 | 内存量级 | 数据库/媒体增长 | 说明 |
|---|---|---|---|---|
| 个人自测(隔离部署) | 1 核,至少 1GiB | 1GiB 上下 | 媒体与库增长都很慢 | 个人/测试场景;SQLite 仅适合测试,生产仍建议 PostgreSQL |
| 小团队非联邦(10 人以内) | 2 核,2 到 4GiB | 2GiB 上下 | 以本地媒体为主,可控 | 关掉联邦后资源可预测,媒体仍须显式设保留 |
| 小团队联邦(10 人以内) | 2 到 4 核,2 到 4GiB | 2 到 4GiB 峰值 | 远端缓存 + 库每月 1 到 5GB(参考值) | 加入大房间内存会尖峰,需留余量 |
| 50 用户规模 | 4 核,按每核约 2GiB | 8GiB 量级 | 媒体与库按比例放大 | 建议上 Redis,按并发预留 CPU |
| 联邦 + 桥接 | 在联邦基础上叠加 | 随桥接数增加 | 每接一个外部平台一份独立开销 | 桥接各自独立服务,存储与维护单独算 |
读表时注意两点。一是内存列里的"峰值"和"常驻"不是一回事:非联邦场景常驻可能只有 2GiB,联邦场景因为状态解析会短时冲到 4GiB,机器要按峰值留余量,不能按常驻值刚好卡满。二是增长列里的每月 1 到 5GB 是活跃联邦数据库的参考区间,媒体往往比它更猛;所以决定盘子大小的通常是媒体保留策略,而不是数据库本身。
表里没有列出网络带宽,是因为聊天服务的带宽占用通常不高:文字消息几乎可以忽略,图片按实际大小计入,真正吃带宽的是语音视频和批量媒体同步。只有在跨组织联邦频繁、或者大量成员同时收发文件时,才需要专门核算上行与下行。磁盘方面则建议预留三成以上的余量,媒体目录的清理并非随时可做,留出空间才能撑到下一次维护窗口。
下面四条不是泛泛的"选正规服务商",而是 Synapse 部署里真实会让资源失控的点。
坑一:联邦默认开着,没人主动关。新建 homeserver 若不做任何限制,联邦就是打开的,状态解析与远端媒体缓存会随外部协作不知不觉增长。判断方法是核对联邦相关配置与白名单内容。规避方式是把 federation_domain_whitelist 设为空列表,这是官方推荐的关闭联邦做法,设完还要确认没有残留的出站同步。
坑二:媒体默认永不过期。不配置保留策略时,远端与本地媒体都只增不减,前面那个三个月的故障就是这么来的。判断方法是按周记录媒体目录体量,画一条增长曲线。规避是显式设置两类保留周期,并确认后台任务真的在跑。
坑三:以为关掉 8448 端口、不发布 well-known 文件就关了联邦。这两招只挡入站连接,出站拉取远端事件与媒体照样发生。判断方法是看服务器是否还在主动拉取外部媒体。规避仍然是白名单设为空列表,而不是只在入口做文章。
坑四:低估桥接的维护成本。mautrix 系列桥接可以连 Slack、Telegram、Discord 等平台,但每个桥接都是一个独立服务,要单独部署、升级、保管凭据并存储桥接过来的媒体。判断方法是把每个桥接当作独立工作负载算进资源表。规避是只接真正需要的平台,并把它们纳入统一备份与监控。
这四条坑有个共同点:都需要主动配置才会避开,默认状态恰好都是不管。这也是聊天服务与很多无状态应用最大的不同——它把历史一直留着,默认值偏保守,资源问题往往在部署几周后才浮出水面。把联邦范围、媒体保留、端口语义、桥接清单这四项写进部署清单,在开始运行前就逐条确认,比事后清理省事得多。
聊天服务看着是软件问题,落到机器上仍是容量与交付问题。一万网络深耕 IDC 行业 19 年(成立于 2007 年),在华南、华东、华北及中国香港、海外多地整合自营节点与 BGP 多线资源,提供服务器租用、机柜托管与带宽接入的一体化交付;具体到 Synapse 这类部署,建议按并发用户与媒体增长预估磁盘和内存,机型、带宽与报价以官网实时或咨询确认为准。
看你是否需要和别的组织实时协作。如果团队只跟自己人聊天,联邦带来的状态解析峰值、远端媒体缓存和每月 1 到 5GB 的数据库增量(参考值)都是纯成本,关掉更省心。如果要跨公司、跨社区加入公共房间,联邦是这套系统的价值所在,那就接受它的资源曲线,按峰值配机器并设好媒体保留。折中做法是只与少数可信域名联邦,用白名单限定范围,既保留跨组织协作能力,又压住不可预测的那部分开销。
不要直接删媒体目录里的文件,那会让数据库记录和实际文件对不上。走配置:设置媒体保留策略下的 remote_media_lifetime 与 local_media_lifetime,前者清缓存、需要时可回源重取,可以设短;后者永久删除本站上传,要设长或不设。两个参数都按最后访问时间算。改完确认后台回收任务在运行,观察一个周期看目录是否回落,再决定是否缩短。历史遗留的大量文件可分批清理,避免一次性回收冲击磁盘。
按场景分档看。纯个人隔离部署,1 核、至少 1GiB 够用;小团队关掉联邦,2 核 2GiB 上下比较稳;打开联邦并加入较多房间,建议 2 到 4 核、2 到 4GiB,因为状态解析会短时冲高;五十人规模按每核约 2GiB 配到 8GiB 量级。那个八人记录里常驻约 2.5GB、CPU 5% 到 10%,是一份个人记录参考值(示例场景)。买机器按峰值内存留余量,别按常驻值刚好卡满,否则用户一进大房间就会触及交换。
生产环境不要用 SQLite。官方与社区口径一致:SQLite 只适合测试或极小的验证环境,正式部署请用 PostgreSQL。原因在并发——Synapse 的事件写入与状态解析会产生大量读写,SQLite 的锁模型在这种负载下容易出问题,数据规模和一致性都撑不住。省下 PostgreSQL 的那点部署成本,换来的是后期迁移的麻烦。真要图省事,可以用一体化安装包把 PostgreSQL 一起带上,而不是换掉数据库。
桥接是把别的聊天平台接进来的组件,mautrix 系列可以连 Slack、Telegram、Discord 等。它把外部平台的消息与本站房间互通,代价是每个桥接都是独立服务,要单独部署、配置凭据、升级,还会把桥接过来的媒体也存进本地仓库。所以"有没有必要"取决于你是不是真的要和这些平台互通。只在一个体系内沟通,完全不必上;确实有跨平台协作需求,再按平台逐个引入,并记入备份与监控范围。
如果你的服务器只承载文字、图片和文件,不上 TURN(语音视频转发)完全可行,还能少一组端口和证书配置。TURN 的作用是在复杂网络条件下为语音视频通话提供可用的转发路径;一旦团队依赖稳定的音视频,Coturn 这类服务就成了必需,否则容易出现消息能通、通话却建立不起来的情况。判断标准很简单:先明确要不要语音视频,要,就把它算进部署清单;不要,就先省下。
至少两块:PostgreSQL 数据库和媒体仓库,缺一不可。只备份数据库,恢复后媒体全丢;只拷媒体目录,房间、用户与设备关系没了,服务起不来。配置文档与密钥也要一并留存。另一个容易忽略的点是,媒体保留策略会主动删文件,所以备份节奏要跟保留周期匹配——保留设得越短,越依赖备份来兜住本地媒体。数据库建议用逻辑导出并定期演练恢复,媒体目录按增量同步,确认两边时间点对得上。
如果你只是想要一套开箱即用的基础环境,像 Synapse 这样的标准化服务可以直接套用现成的服务器方案参考;一万网络按常见并发与存储画像备有可选配置,具体机型带宽以咨询确认为准。
回到开头那条磁盘告警。八个人、每天几百条消息,三个月把盘子写到十几 G,根子不在用户数,而在两件被默认设置放过去的事:联邦开着,媒体永不过期。把这两件事定下来,机器规格反而好算。
所以顺序应该是:先决定要不要联邦,用白名单把范围锁死,关掉的话资源曲线立刻变平;接着定媒体保留策略,远端短周期、本地长周期,确认后台任务在跑;在这个基础上再按并发用户、状态解析峰值和媒体增量去估 CPU、内存与磁盘。反过来做——先买大机器、再慢慢调策略——往往既浪费预算,又没解决根因。
如果只记住一条:联邦决定资源的可预测性,保留策略决定磁盘的终局。把这两个开关握在手里,一台 2 核 4G 的小机器就能把小团队的聊天服务跑得很稳;握不住,再大的盘子也会被慢慢填满。
来源:Matrix / Synapse 官方文档与多方对比资料汇总(含社区部署记录参考值);文中标注"个人记录示例""参考值""示例场景"的数据仅供容量估算,实际以自身环境与官网实时信息为准。
Copyright © 2013-2020 idc10000.net. All Rights Reserved. 一万网络 科技有限公司 版权所有 深圳市科技有限公司 粤ICP备07026347号
本网站的域名注册业务代理北京新网数码信息技术有限公司的产品