改了 DNS 为什么一半人访问旧站:六层缓存、剩余 TTL 判读与过渡期的四件兜底事

改了域名、换了机房、切了 CDN,理论上「等 TTL 过期」就完事了,实际上你会遇到一个非常具体的抱怨群:一部分用户访问到旧站点,一部分用户访问到新站点,还有一部分用户打开是错误页。日志上看不出异常,因为请求根本没到你这里来。这篇文章讲怎么用命令证明问题出在 DNS 解析这一层,以及在那段 unavoidable 的过渡期里,把伤害压到最小的几条实操。

先建立一张「DNS 缓存有几层」的图

「改了记录不生效」之所以难查,是因为查询路径上的缓存不止一层,而且每一层有自己的过期规则。你本地的 dig 只看到终点,看不到经过的中间层。完整的链路大致是:浏览器自己的缓存 → 操作系统缓存(systemd-resolved 或 nscd)→ 本地路由器的转发缓存 → 运营商递归 DNS → 各级公共 DNS → 你域名的权威 DNS。

这六层里,凡是「以前查到过」的,都持有一份带过期时间的副本。而这个过期时间,取决于当初那次查询返回的 TTL,不是你今天改成的 TTL。这一点是绝大多数误解的来源:你昨天把 TTL 从 3600 改成 60,今天改记录,那些 20 小时前查询过的递归服务器手里还是 3600 秒的旧副本,它们照样会把旧地址发出去一小时。

第一步:确认权威侧已经改对了

排查永远从最上游开始。直接问权威服务器,绕开一切缓存:

# 先找权威服务器是谁
dig +short NS example.com
# 直接向权威查询,跳过递归
dig @ns1.example.com www.example.com A +norecurse
dig @ns1.example.com example.com SOA +short

如果 +norecurse 的结果还是旧的,问题在权威侧:绑定的 zone 没重新加载、有第二条旧记录没删、或者用了多台权威服务器但只更新了其中一台。第三种最常见——你有两个 NS,其中一个还挂着旧数据,那么谁被问到由递归服务器决定,表现出来就是「一部分用户正常、一部分用户异常」。

务必对所有 NS 逐台查一遍,而不是只查一台:

for ns in $(dig +short NS example.com); do
  echo "-- $ns"
  dig @$ns www.example.com A +short
  dig @$ns www.example.com AAAA +short
done

这里有个容易漏的点:不要只查 A 记录。很多「部分用户打不开」的根因是 A 记录已切、AAAA 记录还指向旧机器,而旧机器上的 IPv6 地址已经下线,于是走 IPv6 的用户全部超时,走 IPv4 的用户一切正常。所以 A 与 AAAA 必须成对检查。

第二步:用公共递归验证「缓存还没过期」

确认权威侧正确后,再去问公共 DNS,看不同递归服务给出的答案是不是一致:

for r in 8.8.8.8 1.1.1.1 223.5.5.5 119.29.29.29 114.114.114.114; do
  printf '%-16s ' "$r"
  dig @$r www.example.com A +short
  # 看剩余 TTL,判断这份副本还有多久过期
  dig @$r www.example.com A +noall +answer
done

输出里最后那一列数字就是剩余 TTL。看到 3400 这种值,说明这条缓存是在 TTL 为 3600 的时候写入的,还要再等将近一小时。看到 45 而你已经把 TTL 改成 60,说明这条是新写入的,很快就会跟上。这一步能把「是缓存还没过期」和「是权威配置漏了」干净地区分开,是整篇文章里最有价值的一条判断。

如果不同公共 DNS 之间的剩余 TTL 差异很大,比如一个剩 40 秒、一个剩 3000 秒,那说明这次切换只能等——没有任何合法手段能提前让第三方递归服务器丢掉缓存(这也是为什么「切换前先降 TTL」是标准动作)。

第三步:确认问题是不是已经不在 DNS 了

有相当多的「DNS 问题」其实是 DNS 早就对了、后面的环节有问题。最快的判断方式是把域名解析结果和实际连接分开测试。做法是让 curl 直接用 IP,但仍然带正确的 Host 头:

# 绕过 DNS,直接连 IP,验证新机器本身是否正常
NEWIP=$(dig @ns1.example.com www.example.com A +short | head -1)
curl -sS -o /dev/null -w 'ip=%{remote_ip} code=%{http_code} tls=%{time_appconnect}\n' \
     --resolve "www.example.com:443:$NEWIP" \
     "https://www.example.com/?probe=$(date +%s)"

这条命令有几个细节值得说明。--resolve 让 curl 在该域名上使用指定 IP,所以它同时验证了「新机器能连、证书对得上、应用能返回 200」三件事;-o /dev/null 是为了不打印正文、便于看指标;URL 上带一个随机参数是为了绕过新机器前面的页面缓存,否则可能拿到一份缓存副本而误判。

如果 IP 直连返回 200,而用户报的还是旧站点或打不开,问题就在链路层(CDN、防火墙、IPv6、TLS 版本)而不是 DNS。这时候再回去改 DNS 记录只是浪费时间,甚至会制造第二个问题。

第四步:模拟用户视角,区分「哪一类用户」

「部分用户」这句话信息量太低,必须先把它拆开。实际经验里,异常用户几乎总能落进下面几类之一,而每一类对应的排查手段完全不同:

第一类,运营商递归缓存特别长。某些运营商的递归服务器会忽略权威 TTL,或者自己设置了一个很长的下限。表现是「同一城市、同一运营商的人都打不开,跨运营商就正常」。验证方式是找一个该运营商的出口去查,看剩余 TTL 是否明显大于你设置的 TTL。

第二类,IPv6 走旧路。前面说过,A 与 AAAA 不一致。这类用户的表现是「手机上打不开,电脑上正常」,因为手机网络普遍启用了 IPv6。

第三类,本机缓存与 hosts。用户自己电脑上系统缓存没刷新,或者历史遗留的 hosts 条目。表现是「只有他一个人不行」。这类问题的验证要落在客户端,而不是服务器。

第四类,页面里写死的旧域名。DNS 早就生效了,但页面 HTML 里还有 http://old.example.com 的绝对链接,资源全指向一个已经不存在的地址。这类最容易误判成 DNS,因为用户看到的是「页面打开了但样式全丢」。最快的检查是抓首页看出现多少次旧域名:

curl -sS "https://www.example.com/?_=$(date +%s)" \
  | grep -o 'old\.example\.com' | wc -l
# 顺便查重定向链,看有没有绕一圈又回头的跳转
curl -sSIL --max-redirs 5 "https://www.example.com/" | grep -iE '^(HTTP/|location:)'

重定向链这条特别值得养成习惯。一个常见的坑是:新站把 www 跳裸域,裸域又跳 www,浏览器报重定向过多;或者旧站还有一条 301 指向旧站自己,形成闭环。这类问题的日志特征是「同一个 IP 在极短时间内请求同一个路径很多次」,但在 DNS 层面看不出来。

第五步:过渡期里能做的四件「减轻伤害」的事

既然第三方缓存无法强制清除,那就在能控制的地方把损失压低。这四件事按性价比排序。

一,旧机器别急着关。旧服务器至少保留一个 TTL 周期再多留一倍时间,并且把 301 指向新站。千万不要「切完就释放 IP」,因为释放之后 IP 可能被别人拿走,那些还在问旧地址的请求会落到一台陌生服务器上,那才是最坏的结果。旧站上的 301 要写成保留路径的形式,而不是全部跳到首页。

二,降 TTL 要在切换之前做,而不是切换之时。标准节奏是提前 24 到 48 小时把 TTL 降到 60 或 300,等旧的长 TTL 全部过期,再做切换,切换时几乎瞬间生效。切换完成后观察一两天,再把 TTL 逐步调回去。这个节奏不是最佳实践的口头禅,而是「TTL 是历史值」这个物理事实唯一正确的应对。

三,公告要写清楚「什么时候会好」。过渡期里用户真正需要的不是技术解释,而是一个时间。把「DNS 变更全球生效最长需要 X 小时,届时自动恢复」写在维护页上,比回十条工单有用。

四,把「抓取端」单独考虑。搜索引擎的抓取有自己的一套缓存与调度,不要用「我这边已经生效了」去推断它也一样。切换后主动提交新的站点地图,并在 robots 与 sitemap 里确认没有还写着旧域名的绝对地址——这一处错误比 DNS 本身更伤收录。

一个容易被忽略的细节:CNAME 链的长度

如果你的域名用了 CNAME 指向 CDN 提供的另一个域名,那么缓存的层数会变多:递归服务器要依次解析 CNAME 目标,每一跳都有自己的 TTL。这时会出现一种很别扭的现象:看起来「TTL 改了但不生效」,因为生效的是 CNAME 目标的 TTL,而不是你记录上的 TTL。

验证方法是看完整应答,不要只看 A 记录:

dig @1.1.1.1 www.example.com +noall +answer
# 输出里会同时出现 CNAME 行与其目标域的 A 行,两行的 TTL 是各自独立的

如果 CNAME 目标的 TTL 很长,你唯一能控制的办法是改指向新的 CNAME 目标,而不是改 TTL。这也解释了为什么用 CDN 的时候切换 IP 往往比切换自己的 A 记录还要慢。

查完之后的结论该怎么写

排查到最后,一定要形成一句可复述的结论,而不是「重启了一下就好了」。这句话的模板是:哪一层还在返回旧数据、那份数据的剩余 TTL 是多少、预计什么时候自然消失、期间我们做了什么兜底。例如:「权威侧已正确;1.1.1.1 剩余 TTL 2100 秒,预计 35 分钟后更新;运营商侧暂无异常样本;旧机保留 301 至后天,期间用户可见旧域名但正常访问新内容。」

有了这句话,下次再遇到同类投诉,你可以直接比对:是同一层、还是新的一层。DNS 的问题从不是「玄学」,只是它的状态分散在几十台你摸不到的机器上,唯一靠得住的判断依据就是剩余 TTL 这一个具体数字。

最后补一句反面提醒:不要为了「让所有人都立刻生效」而去尝试一些偏门手段,比如临时把域名解析到 IP 后在 hosts 里改回去、或者反复改记录刷 TTL。前者只影响你自己,后者只会让不同递归服务器手里的副本更杂乱,反而延长了不一致的时间。承认缓存的存在、按 TTL 安排窗口,是唯一省事的做法。

Last modification:November 19th, 2026 at 07:33 pm

Leave a Comment