# Журнал сессии — 2026-08-14 (продолжение миграции shared-sqs) **Рабочая папка:** /home/naeel/nubes/SQS-service --- ## Текущее состояние - Сервис ЗАДЕПЛОЕН и работает: `https://sqs.containerk8s.dev.nubes.ru` - `/health` → `OK` (200) - Образ: Docker Hub `naeel/shared-sqs:latest` - Репа: Gitea `gitea.services.ngcloud.ru/Nail/SQS-service` --- ## Что сделано сегодня 1. Добавлен инфо-блок «Информация о сервисе» на страницу входа `/ui` (`app/ui/index.html`). Коммит `032ca66`. Образ пересобран, запушен (`digest 4bb4f20d`). 2. **Проблема:** вход в UI с реальным JWT → `Ошибка: token rejected by cloud API (HTTP 403)`. Причина: контейнер валидировал JWT на `deck-api-test.ngcloud.ru/api/v1` (default в `app/admin/admin.go`), а production JWT туда не подходит. 3. **Поиск правильного endpoint** (в `~/tf_provider`, по указанию пользователя): - `deck-api*.ngcloud.ru` — **ЛЕГАСИ** (пользователь явно запретил этот формат) - Правильный: **API Gateway** `lk-api-gateway.ngcloud.ru` 4. Найдено в `~/tf_provider/TOOLS/config/prod/profile.env`: ``` NUBES_API_ENDPOINT="https://lk-api-gateway.ngcloud.ru/api/v1/svc" ``` (test: `...-test...`, dev: `...-dev...`) Также default в `TOOLS/yaml-generator/internal/config/config.go`: `getenvDefault("NUBES_API_ENDPOINT", "https://lk-api-gateway.ngcloud.ru/api/v1/svc")` 5. **Тест токенов против gateway** (токены из `/home/naeel/nubes/tokens_all.txt`): - БЕЗ User-Agent → **все 403** (DDoS-Guard блокирует) - С `User-Agent: Mozilla/5.0`: | Токен | gateway-PROD | gateway-TEST | |---|---|---| | tazetdinovn@gmail.com (TEST) | 401 | **200** | | tazet@narod.ru (PROD) | **200** | 401 | | ntazetdinov@nubes.ru (PROD) | **200** | 401 | --- ## Выводы (факты) 1. Правильный `NUBES_ENDPOINT` = **`https://lk-api-gateway.ngcloud.ru/api/v1/svc`** 2. **КРИТИЧНО:** наш код `PingNubesAPI` (`app/auth/jwt.go`) **НЕ шлёт User-Agent** → gateway возвращает 403 → токен всегда отклоняется. Нужна правка кода: добавить `User-Agent: Mozilla/5.0`. --- ## Предстоящие правки (СОГЛАСОВАНЫ? — нет, ждут «делай») 1. `Dockerfile`: `ENV NUBES_ENDPOINT=https://lk-api-gateway.ngcloud.ru/api/v1/svc` 2. `app/auth/jwt.go`: в `PingNubesAPI` добавить `User-Agent: Mozilla/5.0` 3. `app/admin/admin.go`: сменить default endpoint на gateway PROD После правок: пересборка → push Docker Hub → redeploy → проверка входа в UI. --- ## Правила, зафиксированные в этой сессии - Код менять ТОЛЬКО после согласования с пользователем. - deck-api*.ngcloud.ru — ЛЕГАСИ, НЕ использовать (только lk-api-gateway). - ngcloud за DDoS-Guard: curl-запросы всегда с `User-Agent: Mozilla/5.0`. - Всё документировать в HISTORY. --- ## v0.1.26 — вывод версии на экран + фикс схемы тегов (14.08.2026, утро) **Проблема**: пользователь заметил, что версии не повышаются — всё время пушился только `latest`, под мог кэшировать `latest` и redeploy подтягивал старый образ. Плюс запрос: выводить версию на экран. **Что сделано**: 1. `app/models/constants.go`: `var Version = "dev"` (переопределяется через ldflags). 2. `app/router/router.go`: публичный `/health` теперь отдаёт JSON `{"status":"ok","version":"v0.1.26"}`. 3. `app/admin/admin.go`: `adminHealthDetail` дополнен полем `version` (в /admin/health и /ui/api/health). 4. `app/ui/index.html`: - блок «Информация о сервисе» на странице входа: строка «Версия» (fetch публичного /health); - образ в инфо-блоке теперь `naeel/shared-sqs:v0.1.26`; - дашборд: карточка «Версия» (health.version). 5. `Makefile`: `VERSION=v0.1.26`, `LDFLAGS=-X shared-sqs/app/models.Version=$(VERSION)`, `docker-build` тегает `$(VERSION)` + `latest`; исправлена цель `build` (`./app/cmd/` вместо одного файла goaws.go). 6. `Dockerfile`: `ARG VERSION=dev`, ldflags при сборке. **Проверки**: make build OK; `/health` → `{"status":"ok","version":"v0.1.26"}`; go test router/admin/models — ok. **Git**: коммит `3a105de` «v0.1.26: …», пуш в Gitea (`166baa9..3a105de`). **Образ**: `naeel/shared-sqs:v0.1.26` собран и запушен на Docker Hub, digest `sha256:b4d1dccda75a67e1a5db3887576e1112993d6485504e683d0fa82a2374bca99b`, `latest` указывает на него же. **Следующий шаг**: в deck указать путь образа `naeel/shared-sqs:v0.1.26` и сделать redeploy — тогда под гарантированно стянет новый образ (код с перебором стендов NUBES_ENDPOINT + версия на экране). --- ## РАЗВЯЗКА: образ обновлён через kubectl, вход в UI работает (14.08.2026, утро) **Как выяснилось**: - Наш deck-контейнер — это deployment `containerk8s` в namespace `f1ffb134-7d16-45bd-8bef-69f6ec8ab33c` (ns = UUID инстанса), образ `naeel/shared-sqs:latest`, pullPolicy=Always. - Старый апрельский Helm-релиз `shared-sqs` (ns `shared-sqs`, v0.1.24, 122 дня) — ЛЕГАСИ, не имел отношения к живому сервису. УДАЛЁН по команде пользователя: `helm uninstall shared-sqs` + `kubectl delete namespace shared-sqs` (кластер подтвердил NotFound). - Причина «redeploy не помогает»: под с pullPolicy=Always получал из кэша платформенного зеркала `docker.io` (в kube-system всё на mirror.k8s.ngcloud.ru) старый digest `be2108fd…`, хотя в Docker Hub `latest` = `b4d1dccd…` (v0.1.26). Кэш зеркала по тегу `latest` не протухал из-за частых пушей. **Что сделано**: 1. `kubectl -n f1ffb134-… set image deployment/containerk8s app=naeel/shared-sqs:v0.1.26` (внимание: контейнер в поде называется `app`, а не `containerk8s`). Уникальный тег обошёл кэш зеркала → под `containerk8s-cc5849c-8rx6l` с digest `b4d1dccd…`. 2. Проверка: `GET /health` → `{"status":"ok","version":"v0.1.26"}`. 3. Вход в UI с JWT `tazetdinovn@gmail.com` — УСПЕШНО: тенант auto-provisioned (`SSAK-0f00384dc3cdc9ca18a50e3a10`), на дашборде карточка «Версия: v0.1.26». **Наблюдения по gateway (важно на будущее)**: - TEST-токен: с рабочей станции (python urllib) TEST-стенд = 200; с ВМ (curl) = 401; из пода (wget) = 401. При этом Go-клиент сервиса (crypto/tls) проходит и получает 200 — DDoS-Guard/шлюз различает клиентов по TLS-фингерпринту/IP. Тесты curl/wget из пода НЕ показательны для Go-клиента сервиса. - Перебор стендов PROD→TEST→DEV в `PingNubesAPI` работает как задумано. **Правила этой сессии** (дополнено): - Deck-контейнер «Простой HTTP контейнер» = deployment `containerk8s`, контейнер `app`, ns = UUID инстанса. Правки образа через kubectl НЕ откатываются (ownerReferences нет). - `latest` в этом кластере кэшируется зеркалом → обновлять только уникальным тегом через `kubectl set image`. --- ## v0.1.27 — страница-описание сервиса на корне `/` (14.08.2026) **Задача**: на `https://sqs.containerk8s.dev.nubes.ru/` разместить описание сервиса и список команд в дизайне Nubes (`~/nubes/design/nubes-design-system.md`). **Что сделано**: 1. `app/ui/info.html` — публичная страница: топбар с лого, hero с бейджем «тестирование», карточка «Подключение» (endpoint, SigV4, регион us-east-1, /ui, /health, /metrics, Redis), таблица всех 17 Actions, примеры AWS CLI. Версия подставляется через `{{VERSION}}`. 2. `app/ui/static/{logo, favicon}.svg` — SVG-файлы из design-системы (лого ТОЛЬКО файлом, не inline). 3. `app/ui/embed.go`: `InfoHandler(version)`, `StaticHandler()`; embed расширен (`info.html static`). 4. `app/router/router.go`: `GET /` без Action → info-страница; POST/GET с Action → SQS API как раньше. Маршрут `/static` — публично. SQS API не задет (проверено: POST Action=ListQueues → 403 без сигнатуры, как было). **Инцидент rsync (важно!)**: rsync с ДВУМЯ источниками (`app/` + `Makefile`) в dest `~/terra/SQS-service/` высыпал содержимое `app/` в КОРЕНЬ репо на ВМ (`~/terra/SQS-service/ui/`, `router/` и т.д.), а настоящий `app/` остался старым → первый образ v0.1.27 (digest e69807fe) собрался из СТАРОГО кода (v0.1.26). Исправлено: повторный rsync с ОДНИМ источником `app/` → `~/terra/SQS-service/app/`, пересборка. **Итог**: правильный образ v0.1.27, digest `sha256:51c94894…`. В кластер поставлен ПО DIGEST (`set image app=naeel/shared-sqs@sha256:51c94894…`) — digest обходит кэш зеркала по тегу. Под `containerk8s-7985cd4985-gwkc6`, Ready. Проверки на проде: `/health` → v0.1.27, `GET /` → 200 text/html (страница), `/static/logo.svg` → 200, SQS POST → 403 (норма без сигнатуры). **Незакрытый хвост**: на ВМ в корне `~/terra/SQS-service/` остался мусор от ошибочного rsync (топ-уровневые `ui/`, `router/` и др. с новым содержимым). На сборку не влияет (Dockerfile берёт `./app/`). Удаление — по команде пользователя. ## Зачистка мусора на ВМ (14.08.2026) По команде пользователя удалены untracked топ-уровневые каталоги в `~/terra/SQS-service/`, оставшиеся от ошибочного rsync (дубли содержимого `app/`): `admin auth billing conf gosqs interfaces metrics models persistence router tenant ui utils`. `app/` не тронут (проверено: rootHandler на месте, app/ui/static и info.html целы). Оставлено: app, cmd, doc, Dockerfile, go.mod, go.sum, HISTORY, Makefile, README.md, secrets. --- ## Архитектурный разбор (Claude Sonnet) — переход идентичности на email (14.08.2026) **Запрос к Sonnet**: файлы только `app/auth/jwt.go`, `app/tenant/tenant_store.go`, `app/admin/admin.go`, `app/gosqs/tenant_helpers.go`, `app/persistence/redis.go`, `app/cmd/goaws.go`, `app/auth/auth_middleware.go`, `app/ui/index.html`. **Ответ Sonnet (выводы)**: 1. Сломается: `TenantIDFromSub()` в jwt.go; вызов в `jwtAuth` (admin.go ~236); `access_key/secret_key` в ответе jwtAuth; `GetBySub` в `jwtMiddleware` (~288); `bySub` → `byEmail` в TenantStore (NewTenantStore, CreateFromJWT, Delete, LoadTenant, GetBySub). 2. Пересчёт легаси при 0 очередях безопасен, но ОБЯЗАТЕЛЬНО: удалить старый тенант из Redis (`ssq:tenants` по старому ID) и сохранить новый — иначе после рестарта старые рандомные ключи оживут. Весь пересчёт — под `s.mu.Lock()`. 3. Детерминированные функции — в jwt.go; byEmail-индекс — в tenant_store.go; LoadTenant индексирует по Email только при `Email != ""` (защита от коллизии `byEmail[""]` с демо-тенантом CreateFixed). 4. Дыра — orphan AccessKey в byAccessKey: при пересчёте удалять из byAccessKey ДО добавления нового. 5. Критичное неучтённое: (a) email может быть пустым → проверка в jwtAuth (400), не в ParseJWTClaims; (b) QueueUrl содержит TenantID — при смене ID URL меняется, у клиентов захардкоженные URL сломаются (сейчас очередей нет — не критично); (c) демо-тенант без Email не должен попадать в byEmail. **Решение (принято)**: все пункты включаем в v0.1.28. Токен — только аутентификация; email из JWT детерминированно задаёт TenantID/AccessKey/SecretKey; рандома нет; ключи на экране не светятся — только по кнопке в модалке с подсказкой; `POST /ui/api/auth` перестаёт отдавать ключи; новый `GET /ui/api/credentials` под JWT-сессией. --- ## v0.1.28 — email-идентичность, детерминированные креды, credentials-эндпоинт (14.08.2026) **Что сделано**: 1. `app/tenant/tenant_store.go`: индекс `bySub` → `byEmail`; `GetByEmail` вместо `GetBySub`; `CreateFromJWT(sub, email, maxQueues)` — ID/AccessKey/SecretKey детерминированы из email (SHA256, соль `shared-sqs:secret-key:v1` для секрета). Рандом остался только для manual-тенантов. Легаси-тенант (старые ключи/ID) при входе полностью пересчитывается: старые индексы и Redis-запись удаляются под мьютексом. 2. `app/auth/jwt.go`: `TenantIDFromSub` (sless) УДАЛЁН — связей с внешними сервисами больше нет. 3. `app/admin/admin.go`: `jwtAuth` требует email (400 без него), НЕ возвращает access/secret key; новый `GET /ui/api/credentials` отдаёт ключи под JWT-сессией; jwtMiddleware по email. 4. `app/ui/index.html`: Access Key убран из таблицы и карточки тенанта; кнопки «Credentials» (дашборд + тенант) открывают модалку с ключами и подсказкой (зачем ключи, export-команды, пример aws cli). Логин-страница: образ v0.1.28. 5. `Makefile`: VERSION=v0.1.28. **Проверки**: build OK, vet OK, тесты admin/models OK. Локально через мок-gateway: auth без ключей ✓, credentials отдаёт ключи ✓, без токена 401 ✓. Хеши сверены с python: tenant_id `t-fec713a719ad0b33`, AK `SSAK-fec713a719ad0b33c91fa54a`, SK `e898ed410a…`. **Деплой**: образ v0.1.28 digest `sha256:c6b63f4c…`, поставлен по digest (`set image … app=naeel/shared-sqs@sha256:c6b63f4c…`), под `containerk8s-86df69bfb-drv9x` Ready. `/health` на проде → `{"status":"ok","version":"v0.1.28"}`. **⚠ ПРОБЛЕМА (не наш код)**: TEST-gateway теперь отдаёт 401 на запросы с датацентровых IP (кластер iot-naeel И ВМ 5.172.178.213) — с рабочей станции тот же токен даёт 200. Ранее (~09:00) под успешно валидировался. Похоже на rate-limit/бан DDoS-Guard по egress-IP платформы после сегодняшних частых запросов. Вход в UI будет 403, пока шлюз не отпустит. SQS API, /health, /, /metrics не затронуты. --- ## v0.1.29 — светлый Nubes-дизайн консоли, читаемая модалка Credentials (14.08.2026) **Проблема (жалоба юзера)**: консоль была на тёмной палитре старого iot-дизайна (чёрный фон, мелкий шрифт), модалка Credentials нечитаемая. Требование: Nubes-дизайн, читаемо. **Что сделано** (`app/ui/index.html`): 1. Палитра → светлая design-system Nubes: bg #fafafa, поверхности #ffffff, border #d1d5db, primary #2563eb, muted #6b7280, карточки белые с radius 12 + тень. 2. Логотип без invert-фильтра (тёмный лого на белом), шрифт system-ui 14px, заголовки 20-22px, бейджи/кнопки в светлых тонах, textarea/input белые. 3. Модалка Credentials переделана: читаемый блок подсказки — зачем ключи + ДВА способа (env-export И файл ~/.aws/credentials) + пример с --profile sqs. Ширина модалки 560px, скролл. **Деплой**: v0.1.29 digest `sha256:d1ccb53d…`, `set image` по digest, под `containerk8s-75f766b9d7-82wl7`. Проверки: /health → v0.1.29; /ui отдаёт светлую тему (#fafafa/#ffffff/#2563eb, тёмных цветов нет). **Остаётся открытым**: gateway 401 с датацентровых IP (см. раздел v0.1.28) — вход в UI заработает, когда шлюз отпустит egress платформы. --- ## v0.1.30 — локальные логотип и favicon в консоли (14.08.2026) В консоли /ui были внешние ассеты `terra.k8c.ru/.../logo.svg` и `favicon.png` — не грузились (битый лого в шапке, нет фавикона). Заменены на локальные вшитые `/static/logo.svg` и `/static/favicon.svg` (embed в образ, раздаются с корня роутером). Деплой: digest `sha256:deab2979…`, под готов. Проверки: /health → v0.1.30, /ui отдаёт 2× static/logo.svg + 1× static/favicon.svg, оба файла отвечают 200. --- ## v0.1.31 — админский UI /admin + юзерский UI без слова «тенант» (14.08.2026) **Сделано**: 1. Новый `app/ui/admin.html` — админская консоль: вход по admin-токену, таблица тенантов (имя, ID, Access Key, лимит, статус, создан), создание тенанта с показом ключей в модалке, удаление с подтверждением. Светлый Nubes-дизайн, /static/logo.svg + favicon, версия через {{VERSION}}. 2. `app/ui/embed.go`: embed admin.html + `AdminHandler(version)`. 3. `app/router/router.go`: GET /admin и /admin/ → админская страница (зарегистрированы ДО admin subrouter, чтобы PathPrefix("/admin") с bearer-auth их не перехватил). 4. Юзерский UI: из видимого текста убрано слово «тенант» — «Мой аккаунт», «Аккаунт не найден», убрана карточка-счётчик «Тенанты», «креды вашего аккаунта», «Создать аккаунт», ссылка на /admin в инфо-блоке логина. **Проверки**: build OK, vet OK, тесты admin OK. Локально: /admin → 200 (страница), /admin/tenants без токена/с неверным токеном → 401, с верным → []. Прод: /health → v0.1.31, /admin → 200 (SQS Admin, v0.1.31), /ui содержит «аккаунт» 3× и не содержит «Тенанты». **Инциденты по пути**: - Пуш на Docker Hub спотыкался об IPv6 (network unreachable) и 502 — добил ретраями, digest v0.1.31 = `sha256:34c3619d…`. - Токен kubeconfig на ВМ истёк в 09:14 MSK (24ч) — юзер обновил, деплой добит: `set image …@sha256:34c3619d…`, под `containerk8s-768668b9d4-stcgv` Ready. --- ## v0.1.32 — главная с пошаговым стартом, примеры на /examples (14.08.2026) **Жалобы юзера**: главная не объясняет с первого раза, как войти/где креды/что делать; примеры засоряли главную мелким шрифтом; в консоли лишняя хлебная крошка и таблица из одной строки. **Сделано**: 1. `app/ui/info.html`: блок «Как начать — 3 шага» (1. Открыть консоль → кнопка, 2. Получить ключи через Credentials, 3. Подключить клиент с быстрым примером + ссылка на /examples). Таблица команд и примеры убраны с главной, вместо них — карточка-ссылка на /examples. Слово «тенант» убрано из текста главной. 2. Новый `app/ui/examples.html` (GET /examples): крупный шрифт 15px, команды 14px, пошагово: ключи (env И файл ~/.aws/credentials) → создать очередь → отправить → получить/удалить, плюс таблица всех 17 Actions. 3. `app/ui/embed.go`: ExamplesHandler; `app/router/router.go`: маршрут /examples. 4. `app/ui/index.html`: enterApp сразу открывает аккаунт (showTenant первого тенанта), дашборд с таблицей — только запасной вариант; хлебные крошки «Мой аккаунт › email» удалены. **Проверки**: локально root → «Как начать/Открыть консоль», /examples → 200 (Шаг 1..4, таблица). Прод: /health → v0.1.32, / → 200, /examples → 200. digest `sha256:4834b999…`. --- ## v0.1.33 — строгий нейтральный стиль текстов (14.08.2026) Жалоба: фамильярный тон на главной («Войди», «Получи», «Подключи свой клиент»). Заменено на нейтральный официальный стиль: - «Порядок действий — 3 шага»: «Вход в консоль», «Получение ключей доступа», «Подключение клиента». - Примеры (/examples): «Шаг 1. Указание ключей доступа», «Шаг 2. Создание очереди», «Шаг 3. Отправка сообщения», «Шаг 4. Получение и удаление сообщения»; формулировки без повелительных форм. Деплой: v0.1.33 digest `sha256:196283c1…`, проверено: /health → v0.1.33, корень отдаёт новые заголовки. --- ## ✅ Полный цикл подтверждён: email-креды работают на проде (14.08.2026) Юзер залогинился (gateway отпустил egress платформы), легаси-тенант пересчитан, в модалке Credentials показаны детерминированные ключи: - Access Key: `SSAK-fec713a719ad0b33c91fa54a` - Secret Key: `e898ed410a20ff166f51a52ba39a2954fb87e2da200b1648c3975772bfe9e2b4` Совпадают с расчётным SHA256(email) — email-идентичность v0.1.28 работает. Smoke-тест: `aws sqs list-queues --endpoint-url https://sqs.containerk8s.dev.nubes.ru` с этими ключами → 200, `{"QueueUrls": []}`. SigV4-аутентификация на проде подтверждена. --- ## Q&A с Claude Sonnet — кэш валидации JWT (14.08.2026) **Запрос**: файлы только `app/auth/jwt.go`, `app/admin/admin.go`; задача — кэш успешной валидации токена (TTL 5 мин) из-за нестабильного шлюза Nubes. **Ответ Sonnet**: 1. Кэш — в auth (новый `app/auth/cache.go`): `PingNubesAPICached`, `WarmTokenCache`, `StartTokenCacheCleanup`. В admin.go: jwtMiddleware → PingNubesAPICached; jwtAuth → свежая проверка + WarmTokenCache; NewHandler → cleanup. 2. Ключ `hex(sha256(token))`; `map[string]tokenCacheEntry{validUntil}` + `sync.RWMutex` (не sync.Map — нужна итерация при очистке); уборщик — ticker 5 мин. 3. `ErrTokenRejected` (sentinel, `%w`) — отличать 401/403 от сетевых ошибок; сигнатура PingNubesAPI не меняется. 4. Таблица: HIT → nil; MISS+2xx → записать; MISS+401/403 → удалить, вернуть ошибку; MISS+сетевая → ошибка; протухший+сетевая → опция grace +2 мин (принято). 5. Гонки: параллельные MISS безвредны (singleflight избыточен); запись в кэш до проверки ctx; рестарт пода сбрасывает кэш (норма); exp проверяется локально ДО кэша/шлюза. **Решение (принято)**: всё выше + grace-продление 2 мин при сетевой ошибке для ранее валидного токена. TTL 5 мин; отозванный токен умирает максимум через 5 мин; изоляция тенантов не затрагивается. --- ## v0.1.34 — кэш валидации JWT (14.08.2026) **Проблема**: jwtMiddleware валидировал токен через Nubes-шлюз на КАЖДЫЙ запрос консоли; шлюз нестабильно отвечает с IP платформы (то 200, то 401) → консоль периодически падала. **Реализовано** (по плану Sonnet): 1. `app/auth/cache.go`: кэш успешной валидации в памяти: `map[hex(sha256(token))]{validUntil}` + `sync.RWMutex`, TTL 5 мин, grace +2 мин при сетевой ошибке для ранее валидного токена, фоновая очистка (ticker 5 мин, sync.Once). 2. `app/auth/jwt.go`: sentinel `ErrTokenRejected` (`%w`) для 401/403 — отличие от сетевых ошибок. 3. `app/admin/admin.go`: `jwtAuth` — всегда свежая проверка + `WarmTokenCache` после успеха; `jwtMiddleware` — `PingNubesAPICached`; `NewHandler` — старт очистки. **Проверено локально (мок-шлюз)**: логин с живым моком → 200; мок убит → логин 403 (свежо, правильно), CREDS → 200 по кэшу (шлюз не нужен), неизвестный токен → 403. Vet/тесты OK. **Smoke на проде**: 11 PASS, 1 FAIL — только логин (шлюз режет IP платформы; по дизайну логин всегда свежо). SQS-цикл create→send→receive→delete→delete-queue — PASS. **Особенность платформы**: GET /ui через ingress не закрывает соединение (~150с, curl exit 28), внутри пода мгновенно. В smoke /ui проверяется range-запросом (206, 0.2с). Браузеру не мешает (HTML приходит сразу). **Деплой**: v0.1.34 digest `sha256:17f9bbdb…`, под Ready, /health → v0.1.34. --- ## Программная проверка SQS API — CLI и SDK, локально и с ВМ (14.08.2026) Добавлены тесты: - `tests/api_test.sh` — aws cli, 22 проверки (полный цикл + FIFO + теги + purge). - `tests/sdk_test.py` — boto3 (как реальное приложение), 15 проверок, таймауты на уровне SDK. Результаты: - Локально, CLI: 22/22 PASS; SDK (boto3 1.43.71): 15/15 PASS. - С ВМ, CLI: 22/22 PASS; SDK (boto3 1.34.46): 15/15 PASS. Единственный разовый FAIL (DeleteMessage после ChangeMessageVisibility) при первом прогоне не воспроизвёлся — повторный прогон и ручная проверка: exit=0. Случайный сбой сети. --- ## Нагрузочный тест 30 мин (tests/load_test.py) — результаты и находки (14.08.2026) **Прогон**: 1800с, 4 воркера, против прода. Итог: 776 операций. - Корректных: 75; ожидаемых отказов: 0; НЕОЖИДАННЫХ отказов: 653 (коды: 400×549, 404×44, ReadTimeoutError×60); - Некорректные условия приняты без ошибок: 47; сбоев /health: 1 (разовый таймаут); под НЕ рестартовал. - Латентность: min 0.08s, avg 2.63s, max 54.4s. Вердикт: ЕСТЬ ПРОБЛЕМЫ. **Критично — потери сообщений**: send возвращает успех, receive не отдаёт сообщение. Воспроизведено БЕЗ нагрузки: 3 из 25 циклов (и 2 из 25 под нагрузкой). Зависания receive >10с. **Недостатки обработки ошибок (пробы)**: на некорректные запросы сервис отдаёт сырые HTTP 400/404 без AWS-XML (SDK получает Code=None) или молча принимает недопустимое: - SetQueueAttributes: VisibilityTimeout=43201 принят; неверное имя атрибута принято; нечисловое значение → сырой 400. - SendMessage: пустое тело → сырой 400; 300КБ → сырой 400; несуществующая очередь → сырой 400. - Batch: 11 записей / дубли Id / пустой список → сырой 400. - DeleteMessage с битым ReceiptHandle → сырой 404. - ReceiveMessage MaxNumberOfMessages 11/0/-1 — принято (клэмпится). - Повторный PurgeQueue (<60с) — принят; DeleteQueue несуществующей — принят. - FIFO SendMessage без MessageGroupId — принят. **Мой предварительный анализ кода** (для Sonnet): - models.go IsReadyForReceipt(): showAt = SentTime + randomLatency(конфиг, сейчас 0/0) + DelaySecs. - gosqs.go PeriodicTasks (1с): сброс видимости, dedup, DLQ; LockGroup держится до UnlockGroup. - send_message.go: добавление в SyncQueues.Queues[key].Messages + SaveMessage(Redis); память — единственный источник для receive (Redis не читается) — при 2+ подах/редиплое сообщения, принятые одним подом, невидимы другому. - receive_message.go: skip сообщений с ReceiptHandle != "" и не готовых; long poll 100ms тик. - ReadTimeout 60× и max latency 54с — подозрение на платформенный ingress (аналог /ui 152с). --- ## Q&A с Claude Sonnet — разбор дефектов по итогам нагрузочного теста (14.08.2026) **Ответ Sonnet (по файлам из промпта)**: Q1 Потери сообщений: TOCTOU в long-poll (receive_message.go:82-99) — два потока видят сообщение, один забирает, второй возвращает пусто; включается при WaitTimeSeconds>0 (клиент или атрибут очереди). Вторично для FIFO: LockGroup (models.go:82-89) пересоздаёт FIFOMessages map целиком — теряются локи групп. Q2 Receive >10с: (а) атрибут очереди ReceiveMessageWaitTimeSeconds без гарда (receive_message.go:62-66); (б) SaveMessage/SaveQueue внутри глобального Lock (send_message.go:97-103) — медленный Redis блокирует всех; (в) PeriodicTasks держит Lock на весь обход всех очередей (gosqs.go:18-58). Q3 Сырые 400/404: actionHandler пишет "Bad Request" текстом (router.go:199-201); encodeResponse для JSON-протокола не пишет тело при GetResult()==nil (router.go:110-113). Q4 Валидации: VisibilityTimeout clamp→bounds-check (queue_attributes/set_queue_attributes.go:29); whitelist имён атрибутов (IgnoreUnknownKeys в utils.go:29 пропускает всё); MaxNumberOfMessages clamp→ошибка (receive_message.go:41); PurgeQueue повторный<60с→PurgeQueueInProgress (LastPurgeTime в Queue); FIFO без MessageGroupId→MissingParameter (send_message.go:46-49); actionHandler→AWS-XML GeneralError. Q5 Сервис сам может держать запрос >25с: Redis-записи под Lock + PeriodicTasks с полным обходом. Q6 Дополнительно: SetQueueAttributes обнуляет не переданные атрибуты (zero-value >= 0); unprotected map read (receive_message.go:51) — data race; NumberOfReceives не инкрементируется; DeleteQueue всегда успешен; NextSequenceNumber пересоздаёт map (models.go:62-70). **ПЛАН v0.1.35 (принят)**: 1. TOCTOU: выборка сообщений — единая критическая секция под Lock. 2. Redis-сетевые вызовы — вне глобального Lock (снапшот под локом, запись после). 3. PeriodicTasks: сузить критическую секцию. 4. RLock для Queues[key] в receive_message.go:51. 5. SetQueueAttributes: применять только явно переданные атрибуты. 6. LockGroup/NextSequenceNumber: не пересоздавать map (вставлять ключ). 7. actionHandler: AWS-XML GeneralError вместо текста. 8. encodeResponse (JSON): тело ошибки при GetResult()==nil; проверить CreateErrorResponseV1. 9. Валидации: VisibilityTimeout bounds; whitelist атрибутов; MaxNumberOfMessages 1–10 ошибка; PurgeQueueInProgress (LastPurgeTime); FIFO MissingParameter; SendMessage пустое тело/размер — AWS-коды. 10. NumberOfReceives инкремент при выдаче. После: 25-цикловая проверка целостности, smoke, повторный 30-мин нагрузочный тест. --- ## v0.1.35 — реализация фиксов по итогам нагрузочного теста (14.08.2026) **Изменённые файлы** (правки с подробными комментариями каждой функции и логики): 1. `app/router/router.go`: - `resolveProtocol`: заголовок `x-amzn-query-mode: true` (AWS CLI v2/boto3) → принудительно Query-протокол (XML-ответы). Раньше query-mode запросы получали JSON-ошибки → botocore Code=None («сырые 400/404»). - `extractAction`: Action берётся сначала из `X-Amz-Target` (JSON и query-mode клиенты), затем из form `Action` — для query-mode раньше Action не находился. - `encodeResponse` (JSON): ошибки — в формате AWS-JSON `{"__type":"com.amazonaws.sqs#","message":"..."}` (раньше голый ErrorResult). - `actionHandler`: неизвестный Action → GeneralError в формате протокола клиента (раньше текст "Bad Request"). Убран импорт `io`. 2. `app/gosqs/receive_message.go`: - TOCTOU устранён: проверка готовности И пометка in-flight — под одним Lock (`receiveMessagesUnderLock`). Раньше два параллельных receive видели одно сообщение, второй получал пусто → «потери». - MaxNumberOfMessages: 1–10, выход → InvalidParameterValue (был clamp). - Проверка существования очереди — под RLock (была гонка чтения map). - `msg.NumberOfReceives++` при выдаче (счётчик доставок). 3. `app/gosqs/send_message.go`: - FIFO без MessageGroupId → MissingParameter (было: принималось). - Док-схема функции; Redis-записи асинхронны, под Lock только marshal. 4. `app/gosqs/gosqs.go`: - `PeriodicTasks`: снапшот указателей под RLock + обработка каждой очереди под отдельным Lock (раньше глобальный Lock на весь обход всех очередей). 5. `app/models/models.go`: - `LockGroup`/`NextSequenceNumber`: map больше НЕ пересоздаётся (терялись блокировки/счётчики остальных групп). - Новое поле `Queue.LastPurgeTime`. 6. `app/gosqs/queue_attributes.go` + `set_queue_attributes.go` + `create_queue.go`: - Применяются только явно переданные атрибуты (!= 0) — раньше zero-value обнулял непереданные атрибуты. - Bounds-check → InvalidParameterValue (был clamp). - Whitelist имён → InvalidAttributeName (Query-протокол). 7. `app/gosqs/purge_queue.go`: повторный purge < 60 с → PurgeQueueInProgress. 8. `app/gosqs/delete_queue.go`: удаление несуществующей очереди → QueueNotFound. 9. `app/models/errors.go`: добавлены `InvalidAttributeName`, `PurgeQueueInProgress`. **Проверки**: go build OK (v0.1.35), go vet чистый (кроме известной некомпиляции тестов gosqs — пакет fixtures), go test app/models OK. **Ход деплоя и эмпирические уточнения**: - Первый вариант фикса resolveProtocol («query-mode → XML») оказался НЕВЕРНЫМ: эмпирика показала, что AWS CLI v2 в query-mode парсит именно JSON-ответы (list-queues на XML вернул None, на JSON — список). Откачено: протокол ответа по Content-Type, как было; дефект «Code=None» закрыт правильным форматом JSON-ошибок {"__type":"com.amazonaws.sqs#Code","message":"..."} в encodeResponse и GeneralError в actionHandler. - Whitelist имён атрибутов для JSON-протокола реализован через QueueAttributes.UnmarshalJSON (единый список models.AttrNameWhitelist); в whitelist включены FifoQueue/ContentBasedDeduplication (иначе CLI v2 не мог создать FIFO — регрессия была поймана api_test). - Прод v0.1.35, digest `sha256:7d1c82e9…` (по digest). **Проверки против прода (v0.1.35)**: - Пробы ошибок: пустое тело → MissingParameter; max=11 → InvalidParameterValue; VisibilityTimeout=43201 → InvalidParameterValue; FooBar=1 → InvalidParameterValue; повторный purge → PurgeQueueInProgress; delete несуществующей → NonExistentQueue; FIFO без MessageGroupId → MissingParameter. Все с AWS-кодами (Code=None устранён). - api_test.sh (CLI v2): 22/22 PASS. sdk_test.py (boto3): 15/15 PASS. - Целостность 25 циклов: с ВМ 25/25 PASS (lost=0, mismatch=0, errors=0). С локальной машины периодически ReceiptHandleIsInvalid — анализ логов пода показал: это retry-дубли (первый delete успешен, ответ теряется на пути клиент→шлюз; сообщение фактически удалено и подбирается следующими циклами). Инфраструктурная потеря ответов (DDoS-Guard/Nubes gateway), не дефект сервиса. - smoke.sh: 11/11 PASS. - 30-мин нагрузочный тест с ВМ — в процессе. ## Лимит очередей 50 + очистка (14.08.2026) **Нагрузочный тест (1-й прогон v0.1.35, с ВМ)**: 217440 операций, но 214683 «неожиданных» = LimitExceeded. Причина: у JWT-тенанта лимит 10 очередей (CreateFromJWT хардкод 10), а 9 мусорных очередей от прежних тестов заняли почти весь лимит — 4 воркера теста упирались в лимит на create-queue. Некорректное принято: 0. /health сбоев: 0. max latency 77.6с = ReadTimeoutError (25с × 3 ретрая бото3) — потери ответов на пути, не сервис. **Изменения (по команде пользователя)**: - `app/tenant/tenant_store.go`: константа `DefaultTenantMaxQueues = 50`; `CreateFromJWT` теперь обновляет `MaxQueues` существующего тенанта до актуального значения при КАЖДОМ логине + персистит в Redis (иначе после рестарта пода из Redis восстановился бы старый лимит). - `app/admin/admin.go`: `CreateFromJWT(..., tenant.DefaultTenantMaxQueues)`. - Деплой v0.1.35 digest `sha256:72f11c67…`. - Удалены все мусорные очереди тенанта (11 штук: probe-*, err-test*, integr-*, vt-check-*, load-*, int-*): осталось 0. **Осталось**: логин в консоль для применения лимита 50 к существующему тенанту, затем повторный 30-мин нагрузочный тест. ## Фиксы гонок map — под падал под нагрузкой (14.08.2026) **Инцидент**: 30-мин прогон показал 4 сбоя /health; под перезапускался 2 раза (Exit Code 2). Логи упавшего контейнера: `fatal error: concurrent map read and map write`, горутина `ChangeMessageVisibilityV1`, `change_message_visibility.go:50` — чтение `SyncQueues.Queues[key]` БЕЗ блокировки; писатель — DeleteQueueV1 (delete под Lock), массово вызываемый тестом. **Анализ Соннета** (подтверждён): 3 файла читают map до Lock; смежный риск nil-deref (очередь удаляется между проверкой и Lock); receive_message.go имел два RLock с окном nil-deref; рекомендован перенос проверки внутрь Lock + defer Unlock. **Исправлено (v0.1.35, digest `sha256:7436efd8…`)**: - `change_message_visibility.go`: проверка существования внутри Lock, defer Unlock. - `change_message_visibility_batch.go`: то же. - `delete_message_batch.go`: то же. - `send_message.go`: nil-guard под Lock + повторная проверка OOM-лимита под Lock. - `send_message_batch.go`: nil-guard под Lock. - `receive_message.go`: один RLock вместо двух (nil-deref окно закрыто). - `errors.go`: добавлен код ошибки `OverLimit` (раньше отсутствовал — zero SqsErrorType). **Проверки**: go build/vet OK, models-тесты OK; короткий прогон 120с: неожиданных 2 (оба сетевые ReadTimeout), сервисных 0, health_fail 0; под restarts 0. 30-мин прогон запущен 18:52:18 +04 — в процессе. ## Сетевые сбои на ВМ и фикс DNS (14.08.2026) **Факт**: 30-мин прогон после фиксов гонок: неожиданных 19 (17 ReadTimeout + 2 EndpointConnection), health_fail 8, НО под restarts 0 (гонки устранены). Замер 30 × /health с ВМ: 4 сбоя `[Errno -3] Temporary failure in name resolution` — DNS ВМ. Проверки ВМ: resolv.conf = один `8.8.8.8`; dig 20/20 ок, python 60/60 ок — сбои периодические (потери UDP к резолверу). **Фикс (по команде пользователя)**: 1. В `/etc/resolv.conf` ВМ добавлен резерв `nameserver 1.1.1.1` — сбои остались (2/60). 2. В `/etc/hosts` ВМ добавлено `185.247.187.151 sqs.containerk8s.dev.nubes.ru` — резолв из файла, 100/100, 0–5 мс. Зависимость от DNS устранена. **Финальный 30-мин прогон**: запущен 18:30:52 +03 (ВМ) — в процессе. ## Q&A Соннета — какие ещё тесты провести (14.08.2026) **Вопрос (кратко)**: достаточен ли набор проверок; какие сценарии не покрыты; норма ли ReadTimeout 0.04%; серверные таймауты; нужен ли CLI v2 в нагрузке; что ещё до релиза. **Ответ Соннета (ключевое)**: - Не покрыто, но критично: рестарт пода с in-flight сообщениями (asyncWrite до смерти пода → двойная доставка); unbounded goroutines при деградации Redis (OOM на 512Mi); long-poll goroutine leak; FIFO-порядок под конкурентными receive; DLQ e2e; dedup-окно e2e. - Восстановление очередей из Redis после рестарта — обязательный тест. - ReadTimeout 0.042% — граница, снижать до <0.01%: проверить кластеризацию ошибок во времени (lock contention vs gateway), keep-alive/RST на шлюзе, TCP retransmits пода. - Серверные таймауты добавить: ReadHeaderTimeout 10s, WriteTimeout 35s (20с long-poll + буфер), IdleTimeout 90s, MaxHeaderBytes 8192. ReadTimeout НЕ ставить (рвёт long-poll). - AWS CLI v2 (query-mode JSON) в нагрузке — обязательно, другой путь сериализации. - Память (RSS 2+ часа), billing-счётчики, JWT-истечение mid-request, лимит 50 очередей (граница включительно), /metrics корректность после прогона. - Приоритеты: P0 серверные таймауты + рестарт с in-flight; P1 Redis chaos + long-poll leak; P2 CLI v2 нагрузка + FIFO dedup/DLQ e2e; P3 RSS. ## План диагностики САМОЙ платформы (HTTP контейнер), независимо от SQS (14.08.2026) Пользователь: проверить, как HTTP-контейнер платформы сбоит сам по себе (аналогия: managed flask/nodejs/lucee не пропускают большие файлы с локали). Отделяем транспорт от логики SQS. A. Через /health (минимум логики): burst 500 параллельных; большие заголовки 8–16KB; медленный запрос (1 байт/с); keep-alive 50 запросов на одном соединении; HTTP/1.0, HEAD, POST. B. Через SQS API, смотрим транспорт: SendMessage 256KB (с ВМ И с локальной машины); chunked-тело; Receive 10×256KB (~2.5MB ответ); long-poll 20с (локаль vs ВМ). C. Известные аномалии: GET /ui через ingress висит ~150с (внутри пода мгновенно); ReadTimeout-кластеры; max latency 52с. D. TCP: retransmit-счётчики пода (/proc/net/snmp) до/после. Итог: таблица «локаль vs ВМ vs внутри пода» — что режет платформа, а что сервис. ## РЕЗУЛЬТАТЫ диагностики платформы (tests/platform_probe.py, 14.08.2026) **ГЛАВНАЯ НАХОДКА — большие POST-тела зависают на ~51с (защитный слой платформы):** - send 2–48KB — 0.09–0.22с; 56–64KB — то быстро, то виснет (порог плавает); 80KB/100KB — первый запрос 50–52с, следующие 0.03с. - Воспроизводится и с ВМ, и с локальной машины → общий узел DDoS-Guard/WAF. - 100KB с БИТОЙ SigV4 — тоже 50.4с (висит путь, не наш auth/сервис). - /health параллельно зависшему запросу — 0.02–0.05с (сервис жив). - TCP connect+TLS мгновенны всегда (в т.ч. после idle 60/120с). - Большие ОТВЕТЫ не режутся: receive 10×256KB (2.5MB) — 0.26с. - Long-poll 20с держится честно (20.01с) — платформа не режет до 20с. **Прочие ограничения платформы:** - Заголовки >16KB → 400 Bad Request (8KB проходит). - Chunked Transfer-Encoding → 400. - POST /health → 400; HEAD /health → 405 (наш mux); HTTP/1.0 → ок (апгрейд). **Нагрузка на под**: burst 500 × /health: 500/500 ok, p50=2.54с, p95=3.43с — это CPU-лимит пода 500m, а не платформа (внутренние запросы мгновенны). **Следствие**: клиенты с сообщениями >~64KB и read_timeout < 51с получают ReadTimeout на первом запросе в окне (это объясняет кластеры ReadTimeout и max latency 52с в нагрузочных тестах). Рекомендации: клиентам read_timeout ≥ 60с и retries; вопрос про WAF-инспекцию больших POST — в поддержку платформы. ## УТОЧНЕНИЕ ПРИЧИНЫ 51с — это MTU, как в drhider (14.08.2026) **Гипотеза WAF выше — НЕВЕРНА.** Найдено в `~/nubes/drhider`: - `PROBLEM-AND-SOLUTION.md` «Проблема 1: 51-секундная задержка (MTU)»: POST из внешней сети — пауза 51с; внутри кластера — мгновенно. Причина: underlay Nubes MTU 1450, Cilium Geneve +50, MTU пода 1500 → cross-node пакет 1550 → фрагментация → дроп → retransmit ~51с. Решение: `cilium mtu: 1400` (1400+50=1450). - `docs/about1500.md`: готовый текст обращения в поддержку Nubes. - VIP drhider — тот же `185.247.187.151`, что у `sqs.containerk8s.dev.nubes.ru`. **Проверено у нас (факты)**: - Cilium кластера iot-naeel: `mtu: 1400` — внутренний участок УЖЕ исправлен; под eth0 MTU 1400 ✓. - ВМ: ens192 MTU **1500** → сегменты 1460 не влезают в underlay 1450 на участке ВМ→шлюзы платформы (traceroute: 10.10.102.1 → 100.64.x.x → 10.200.x.x → 5.181.12.1). - Локальная машина (интернет → DDoS-Guard): та же 51с. - Большие ОТВЕТЫ (под→клиент, 1400-байтные сегменты) проходят быстро. - Порог зависания плавает ~56–64KB: зависит от необходимости полных 1460-байтных сегментов. **РЕШЕНИЕ ПОЛЬЗОВАТЕЛЯ (14.08.2026)**: - КОД НЕ МЕНЯТЬ (лимит размера остаётся 262144/AWS). - kubectl — только для диагностики; прод — кластер облака БЕЗ нашего доступа (править MTU можем только там через поддержку Nubes). - ТЕСТЫ — без больших сообщений: valid-тела ≤48KB; сценарий «превышение лимита» через очередь с MaximumMessageSize=1024 и телом 2KB (граничное условие сохраняется, большое тело не шлётся). - Ограничение платформы (51с на большие POST) остаётся для реальных клиентов — адресовать в поддержку Nubes текстом из drhider/docs/about1500.md. ## Тесты без больших тел (14.08.2026) **Правки тестов (код сервиса НЕ менялся)**: - `load_test.py`: `rand_body` ≤48KB; сценарий «превышение лимита» переделан — очередь с `MaximumMessageSize=1024` + тело 2KB (граничное условие MessageTooBig сохраняется, большое тело по сети не шлётся, MTU-зависаний нет). - `platform_probe.py`: B6/B8 — 32KB вместо 256KB. - Коммит `96f55be`, запушен, синхронизирован на ВМ. **Короткий прогон 120с**: expected 3691, unexpected 2 (оба сетевые ReadTimeout), soft_warn=0, health_fail=0. Новый граничный сценарий работает (InvalidParameterValue 246). **30-мин прогон**: запущен 19:56:34 +03 (ВМ) — в процессе. **ИТОГИ 30-мин прогона (завершён 20:26:52 +03)**: - Операций 105 810 (рекорд серии); корректных 12 433; ожидаемых отказов 93 362; неожиданных **15 = все ReadTimeoutError (сеть, 0.014%)**; сервисных 0. - Некорректное принято: 0. Сбоев /health: 0. Рестарты пода: 0 (157 мин работы). - Латентность: min 0.004с, avg 0.045с, max 51.9с (один потерянный ответ + ретраи). - MTU-зависаний нет (большие тела исключены из тестов). - Все граничные сценарии работают: NonExistentQueue 24 896, InvalidParameterValue (AWS) 18 672, MissingParameter 12 448, ReceiptHandleIsInvalid 6 226, Purge ×2, batch 11/дубли/пустой — по 6 224, превышение лимита (очередь 1024) 6 224. **ИТОГ СЕРИИ v0.1.35**: сервис под нагрузкой стабилен (0 падений, 0 сервисных ошибок, 0 принятых недопустимых условий). Остаточные неожиданные — только сетевые потери ответов (0.01–0.04%). Ограничение платформы (большие POST ~51с, MTU) — в поддержку Nubes. ## СУРОВЫЙ ТЕСТ: 3 тенанта одновременно (14.08.2026) **Подготовка**: токены 3 юзеров (`~/nubes/tokens_all.txt`); email из JWT; детерминированные креды вычислены алгоритмом сервиса; логин `POST /ui/api/auth` по всем трём токенам — 200, max_queues=50 (PingNubesAPI перебирает стенды PROD/TEST/DEV — токен от любого стенда принимается). Мусор вычищен до старта. **Прогон**: три `load_test.py` параллельно, 12 воркеров на один под (CPU 500m), 30 мин, запуск 21:18:21 +03, завершение ≈ 21:48 +03. **Итоги по тенантам** (неожиданные — только ReadTimeout, сеть): | Тенант | Операций | ok | Ожид. отказов | Неожиданных | soft_warn | /health | avg | |---|---|---|---|---|---|---|---| | tazetdinovn@gmail.com | 60 792 | 7 148 | 53 640 | 4 | 0 | 0 | 0.097с | | tazet@narod.ru | 56 083 | 6 593 | 49 485 | 5 | 0 | 0 | 0.104с | | ntazetdinov@nubes.ru | 51 716 | 6 075 | 45 632 | 9 | 0 | 0 | 0.107с | Суммарно 168 591 операция (×1.6 одиночного прогона). Некорректное принято: 0 у всех. Под: restarts 0 (4ч13м работы). После прогона очереди вычищены до 0/0/0. В `load_test.py` добавлена авточистка очередей до и после прогона (коммит `77b8586`). ## Локализация 51с — финальные факты (15.08.2026) **Топология входа** (kubectl, только чтение): - Все домены (sqs/drhider/pythonk8s/…) — один `shturval-ingress-controller` (nginx) в ns `ingress`, Service LoadBalancer externalIP **185.247.187.151**, NodePort 443:32391; kube-vip (DaemonSet `shturval-vip-*`, hostNetwork) — по поду на каждую из 4 нод. - Наш сервис: ClusterIP 10.104.111.239:4100 → под 172.16.2.226 (нода bhbvs). - Ingress-поды: control-plane + v8zq4, MTU 1400; наш под MTU 1400 — внутри кластера чисто. **Решающие замеры с ВМ**: - MSS от VIP = **1448** (платформа клампит, но недостаточно: сегменты 1448 → IP-пакеты 1488 > underlay 1450 → дроп при DF). - Большой POST (100KB) через VIP → ответ 403 через **51.08с** (воспроизведено сырым сокетом). - Ноды кластера с ВМ НЕ доступны напрямую (`No route to host` на 10.10.102.4:32391) — L2-обхода нет, ВМ→ноды идёт тем же платформенным маршрутом. **ВЫВОД**: дроп — на платформенном участке «клиент → VIP» (underlay 1450, MSS clamp 1448, PMTUD мёртв). Кластером (kubectl) НЕ чинится — чинится только: 1) поддержкой Nubes (clamp MSS ≤1400 на шлюзах / починить PMTUD); 2) обходным прокси на ВМ с MTU 1400 на ens192 (вход на ВМ чист — факт drhider; выход ВМ→кластер починится уменьшением MTU ВМ); 3) временным лимитом размера в сервисе. ## План Соннета — выполнение (15.08.2026) **Backup**: ветка `backup-v0.1.35-2026-08-15` (запушена в Gitea), работа в `main`. **P0.1 Серверные таймауты — СДЕЛАНО** (коммит `af0325e`, digest `sha256:4385597f…`): `http.Server{ReadHeaderTimeout:10s, WriteTimeout:35s, IdleTimeout:90s, MaxHeaderBytes:8192}`, `ReadTimeout` убран (не рвать большие/медленные тела и long-poll). **P0.2 Рестарт с in-flight — СДЕЛАНО, PASS** (`tests/reboot_probe.py`): 10 очередей × 20 сообщений + 100 сообщений (50 in-flight) → `kubectl delete pod --grace-period=0 --force` → после подъёма: /health ok; restore 10×20 OK; main: получено 100, уникальных 100, пропущено 0, дублей 0. **НАЙДЕН ДЕФЕКТ (критичный)**: после деплоя таймаутов под рестартовал — и у тенанта «воскресли» 50 удалённых ранее очередей (лимит 50 → LimitExceeded). Причина: `DeleteQueue` пишет удаление в Redis АСИНХРОННО (asyncWrite); при SIGKILL/рестарте пода запись не успевает → очередь остаётся в Redis → `LoadAllQueues` восстанавливает её. Удаления должны быть синхронными (хотя бы DEL очереди) — НЕ ИСПРАВЛЕНО, задокументировано. ## P2.6 FIFO/DLQ e2e — результаты (15.08.2026) `tests/fifo_dlq_probe.py`: - **FIFO порядок**: PASS — 10 сообщений группы выданы строго m0..m9. - **FIFO dedup** (дубль с тем же MessageDeduplicationId внутри окна): PASS — в очереди одно сообщение («first»). - **DLQ (RedrivePolicy)**: **FAIL — найден баг**: `setQueueAttributesV1` ищет DLQ по ГОЛОМУ имени `models.SyncQueues.Queues[queueName]`, а ключи в map tenant-scoped "{accessKey}:{queueName}" → DLQ не находится → CreateQueue с RedrivePolicy всегда InvalidAttributeValue. RedrivePolicy не работает. НЕ ИСПРАВЛЕНО, задокументировано. **Истечение dedup-окна (5 мин) не проверено** — тест быстрый, только «внутри окна». ## ИСПРАВЛЕНИЯ дефектов (15.08.2026, коммит `7467ecc`, digest `sha256:b81f855a…`) 1. **Воскрешение удалённых очередей/сообщений** (critical): все УДАЛЕНИЯ из Redis переведены в синхронный режим (DeleteQueue, DeleteMessagePersist, DeleteMessagesPersist, PurgeMessagesPersist; таймауты 3–5с). Записи (SaveMessage/SaveMessages/SaveQueue/SaveTenantRaw) остались асинхронными. Причина дефекта: удаления шли через asyncWrite и терялись при SIGKILL/рестарте. 2. **RedrivePolicy (DLQ) не работал**: `setQueueAttributesV1` искал DLQ по голому имени, а ключи очередей tenant-scoped → InvalidAttributeValue всегда. Теперь DLQ ищется по `{tenantAccessKey}:{queueName}`; в вызовы передан t.AccessKey. **Верификация после деплоя**: - `fifo_dlq_probe.py`: FIFO порядок PASS, FIFO dedup PASS, **DLQ PASS** (сообщение после 2 попыток ушло в DLQ, в основной пусто). - Тест «воскрешение»: 3 очереди созданы и удалены → SIGKILL пода → после подъёма удалённые НЕ вернулись (осталась только сирота от первого FAIL-прогона DLQ — удалена вручную). Фикс работает. ## 2026-08-15 (продолжение) — план Соннета: P1.4, P2.5, P3.7, P3.8, фикс api_test **Регрессия api_test после фиксов удалений (найдена и закрыта)**: - После деплоя синхронных удалений api_test стал 21/22: FAIL на DeleteMessage (ReceiptHandleIsInvalid), стабильно 2 прогона. - Диагностика: тест делал receive → ChangeMessageVisibility(timeout=**1с**) → delete. По AWS-семантике через 1с сообщение снова видимо и handle сбрасывается → delete по старому handle → ReceiptHandleIsInvalid. Сетевые задержки >1с (в т.ч. шум MTU-проблемы платформы) приводили к случайному FAIL. - Замеры: CV=1с → run1 FAIL, runs 2-3 OK; CV=5с → **5/5 OK (fails=0/5)**. Сервис корректен (AWS-семантика), тест использовал слишком агрессивный таймаут. - Фикс: `tests/api_test.sh` — `--visibility-timeout 1` → `5` + комментарий. - Прогон после фикса: **22/22**. Коммит bdc7336, запушен. **P1.4 long-poll leak (200 клиентов)**: - 200 одновременных receive с WaitTimeSeconds=20 (boto3, без ретраев), очередь longpoll-leak-*, после — cleanup. Ошибок клиента: 0. - Threads пода: 12 до → **13 после**. Утечки горутин/потоков НЕТ. PASS. **P2.5 CLI v2 в нагрузке** (`tests/cli_load_test.py`, на ВМ): - 50 циклов aws cli send/receive/delete = 150 операций, failed=0. - Латентность: send p50=775мс p95=936мс; receive p50=761мс p95=826мс; delete p50=761мс p95=839мс. PASS. **P3.8 граница лимита очередей (DefaultTenantMaxQueues=50)**: - Создание до отказа: ровно **50** создаются, **51-я → LimitExceeded** (AWS.SimpleQueueService.LimitExceeded). После cleanup 0 очередей. PASS. **P3.7 RSS 2+ часа (запущен фоновый мониторинг)**: - nohup на ВМ: каждые 60с пишет VmRSS/Threads в `rss_monitor.log` (125 сэмплов). - Стартовый сэмпл 08:16 +0300: VmRSS=16588 kB, Threads=13. - Результат — после завершения мониторинга. ## 2026-08-15 (вечер) — финальная полная регрессия на ВМ + флап fifo_dlq_probe **Запуск**: всё на ВМ (пользователь оффлайн), `tests/run_full_regression.sh` в nohup → `full_regression.log`. Длительность 24с. **Результаты**: - api_test.sh: **22/22** (PASS=22 FAIL=0) - sdk_test.py: **15/15** (PASS=15 FAIL=0) - fifo_dlq_probe.py: **флап** — 3 прогона: PASS / FAIL / PASS (dlq: count=0). **Разбор флапа dlq (сервис корректен, гонка в тесте)**: - Механика сервиса: возврат видимости и перенос в DLQ делает тик PeriodicTasks (период 1с) при истечении VisibilityTimeout. Перенос — при Retry >= MaxReceiveCount. - Тест: VisibilityTimeout=1с, sleep 1.5с между receive, после 3-й попытки СРАЗУ drain(dlq). При рассинхроне фазы тика (attempt 2 empty — тик не успел вернуть сообщение за 1.5с) вторая доставка случается в attempt 3, и проверка DLQ выполняется до тика переноса → dlq пуст → FAIL. Через ~2с сообщение всё равно ушло бы в DLQ. - Доказательство: `tests/dlq_deterministic_probe.py` — тот же сценарий, но с ожиданием 2.5с после каждой доставки: **5/5 PASS** (r1=1 r2=1 r3=0 dlq=1 main_left=0 во всех 5 прогонах). - Вывод: перенос в DLQ работает стабильно; флап — исключительно тайминг теста. **Предложенная правка** `tests/fifo_dlq_probe.py` (жду «делай»): после цикла попыток — опрос DLQ до 10с (drain каждые 1с) вместо мгновенного drain. **RSS-мониторинг P3.7**: продолжает писаться в `rss_monitor.log` (старт 08:16 +0300, VmRSS=16588 kB, Threads=13). ## 2026-08-15 — фикс fifo_dlq_probe применён, финальная регрессия зелёная **Правка** (`tests/fifo_dlq_probe.py`, по команде «делай»): после цикла попыток DLQ опрашивается до 10с (drain каждые 1с) вместо мгновенной проверки — устранена гонка с тиком PeriodicTasks (период 1с). **Проверка**: 5/5 PASS подряд, включая «тяжёлые» фазы (attempt 2 empty / attempt 3 received), которые раньше флапали. **Финальная полная регрессия на ВМ** (`full_regression2.log`, 26с): - api_test.sh: **PASS=22 FAIL=0** - sdk_test.py: **PASS=15 FAIL=0** - fifo_dlq_probe.py: fifo_order PASS, fifo_dedup PASS, dlq PASS, exit=0 ВСЕ тесты зелёные. План Соннета выполнен: P0.1, P0.2, P1.4, P2.5, P2.6, P3.8 — PASS; P3.7 (RSS 2ч) — мониторинг в процессе. ## 2026-08-15 — P3.7 (RSS 2ч) завершён: PASS Мониторинг отработал полные 125 сэмплов (каждые 60с), 08:16 → 10:21 +0300: - VmRSS: старт 16588 kB → финал **15648 kB** (не растёт, даже −940 kB после стабилизации GC). Плато 15648 kB держится последние сэмплы. - Threads: стабильно **13** на всём интервале. - Утечки памяти/потоков НЕТ. План Соннета выполнен полностью. ## 2026-08-15 (день) — сравнение shared-SQS vs Yandex YMQ (очередь newsqs) **Скрипт**: `tests/compare_ymq_vs_shared.py` (новый, локально + ВМ). N=50, тело 512 байт, последовательно: send x50 → receive+delete x50. retries=0. **Прогон 1** (ВМ): - shared-SQS: send p50=6мс p95=17мс **max=12648мс**; receive p50=7мс; delete p50=8мс; 50/50, errs=0, total=13.9с. - YMQ: send p50=62мс p95=76мс max=84мс; receive p50=60мс; delete p50=62мс; 50/50, errs=0, total=9.4с. **Прогон 2** (ВМ, повтор): - shared-SQS: send p50=8мс p95=16мс **max=25446мс**; receive p50=6мс; delete p50=7мс; 50/50, errs=0, total=26.6с. - YMQ: send p50=62мс p95=69мс max=72мс; receive p50=60мс; delete p50=62мс; 50/50, errs=0, total=9.5с. **Выводы (факты)**: 1. По p50 наш сервис в ~8–10 раз быстрее YMQ (6–8мс против 60–62мс). 2. У shared-SQS в КАЖДОМ прогоне ровно один send зависает на 12.6с / 25.4с (тело 512 байт — размер ни при чём; errs=0, ответ приходит). YMQ — без выбросов, стабилен. 3. Гипотеза выброса: платформенные «паузы» сети к поду Nubes (ранее фиксировали зависания ~51с на больших POST из-за MTU/MSS 1448) — но при 512 байтах причина требует отдельного расследования (tcpdump/тайминги платформы). ## 2026-08-15 — ДЛИННОЕ сравнение с ЛОКАЛИ (30 мин), shared-SQS vs YMQ **Скрипт**: `tests/long_compare_local.py` (ping-pong: пул K=10, раунды попеременно shared→ymq→shared..., receive→delete→send; retries=0, read_timeout=30с; лог `tests/long_compare.log`). Локаль (WSL), 12:27–12:57. **Итог (317 раундов):** - shared-SQS: send n=302 p50=90мс p95=269мс max=2785мс; receive n=293 p50=89мс p95=279мс max=2577мс; delete n=293 p50=90мс p95=103мс max=2462мс; **errors=49 ReadTimeoutError (30с)**. - YMQ: send n=327 p50=138мс p95=157мс max=355мс; receive n=316 p50=150мс p95=421мс max=2473мс; delete n=316 p50=138мс p95=152мс max=2105мс; errors=1 ProxyConnectionError. **Выводы (факты):** 1. По p50 наш быстрее: 89–90мс против 138–150мс (~1.5–1.7 раза). 2. НО у нас **49 запросов из 888 (5.5%) вообще не получили ответ за 30с** (каждый таймаут — 30с простоя); у Яндекса 1 ошибка из 959. 3. Полезной работы за 30 мин: наш 888 операций, Яндекс 959 — таймауты съели преимущество по скорости. 4. Тренд: таймауты равномерны весь тест (~1 в 37с) — системная проблема сетевого пути локаль→шлюз Nubes, не код сервиса (с ВМ их нет). 5. Выбросы max (2.5–2.8с) есть у ОБОИХ: наш send max=2785мс, YMQ receive max=2473мс — сетевые, не сервисные. ## 2026-08-15 — план сетевых экспериментов от DeepSeek V4 Flash (НЕ Соннет) Пользователь по ошибке задал вопрос DeepSeek V4 Flash вместо Соннета. План сохранён: `doc/thinking/nubes-network-bug-plan.md` с пометкой о слабом агенте и поправками основного агента. Оценка плана (основной агент): в целом сильный — верно выделяет ДВА явления (MTU для больших + независимые потери для малых 512 байт), верная декомпозиция по request_time/upstream_response_time nginx. Но: ошибка в команде cilium monitor (через cilium-operator — неверно, надо cilium-под), echo-сервис переоценён (проблема между интернетом и внутренней сетью — echo внутри неё), tcpdump на WSL требует sudo/интерфейс, шаг 7 (матрица размеров) слишком дорогой. Рекомендованный старт: nginx-логи → tcpdump → cilium monitor. ## 2026-08-15 — план v2 от DeepSeek V4 Pro (новый чат, НЕ Соннет) + сравнение Сохранён: `doc/thinking/nubes-network-bug-plan-v2-deepseek-pro.md`. Оценка: план Pro сильнее Flash. Плюсы: сырые TCP с критерием доставки по TCP ACK (не HTTP), PMTU-зонд ping -M do с порогами 1372/1422/1460/1472, второй клиент с другого ISP, kubectl port-forward как изоляция приложения, таблица «что считается доказательством», верное наблюдение что 51с — прикладной таймер а не TCP-backoff. Минусы: kube-proxy может отсутствовать (Cilium replacement), debug-контейнеры на managed скорее всего запрещены (план сам оговаривает), эхо-NodePort требует открыть NodePort на платформе (проверяемо). Сравнение Flash vs Pro: Flash — декомпозиция по nginx-логам, но ошибка cilium-operator, echo переоценён, нет PMTU/port-forward/второго ISP. Pro — методологически полнее, грубых ошибок нет. Рекомендованный синтез-порядок: nginx-логи → PMTU-зонд → сырые TCP → port-forward → tcpdump клиента → второй ISP → cilium monitor → echo → тикет. ## 2026-08-15 — план v3 от СОННЕТА + сравнение трёх планов Сохранён: `doc/thinking/nubes-network-bug-plan-v3-sonnet.md`. Оценка (основной агент): план Соннета — лучший из трёх. Ключевые достоинства: явное разделение явлений A (MTU/PMTUD, 51с = экспонента RTO 1-2-4-8-16) и B (регулярность 1/37с = таймер gateway/kube-vip/conntrack), port-forward первым kubectl-тестом, точный список размеров ping-зонда, корреляция по TCP seq. Поправки: fallback если ICMP закрыт (mtr --tcp/TCP-порог), добавить второй ISP и контрольный канал YMQ, port-forward идёт через API-сервер (исключает приложение, но не доказывает шлюз), точный интервал таймаутов мерить новым тестом с timestamp на каждый таймаут. Сравнение: Flash — ошибки и недооценка; Pro — силён, но без явного разделения явлений; Соннет — принять за основу с поправками. ## 2026-08-15 — план v4 от ОПУС 4.8 + ответы на его уточнения Сохранён: `doc/thinking/nubes-network-bug-plan-v4-opus.md` (план + ответы). Опус изучил репозиторий и три предыдущих плана; его план согласуется с Соннетом (разделение A/B, port-forward первым, tcpdump по seq, cilium monitor на поде). Ответы основного агента на уточнения Опуса: 1) второго ISP нет, полагаемся на контрольный канал YMQ (1 ошибка на 959 против 49 таймаутов Nubes — локальный интернет исключён); 2) debug-под с NET_RAW скорее всего запрещён, серверный tcpdump не получится — nginx-логи + cilium monitor + echo А/Б; 3) echo деплоить только если фазы 0–2 не хватят (риск: NodePort на managed). Поправка: port-forward идёт через API-сервер — доказывает невиновность приложения, но не вину шлюза. Все 4 плана сохранены в doc/thinking/: Flash, Pro, Sonnet, Opus. ## 2026-08-15 — финал плана (Опус) + сравнение ЧЕТЫРЁХ агентов Финал дописан в `doc/thinking/nubes-network-bug-plan-v4-opus.md` (решения зафиксированы: YMQ-канал вместо второго ISP; NET_RAW — одна попытка; echo отложить; port-forward = только невиновность приложения). Мнение основного агента о четырёх ответах на один промпт: условия не равны (Соннет читал Flash/Pro, Опус читал все + репозиторий — накопленный контекст). Вклады: Flash — первым увидел явление B; Pro — инструменты (PMTU-зонд, второй ISP, port-forward, таблица доказательств); Sonnet — структура (A/B, RTO, таймер 37с); Opus — интеграция и фиксация решений. Конвергенция на одной цепочке = план устойчив. Итог — продукт всех участников. План готов к исполнению: Фаза 0 → 1 → 2 → 3 → 4. ## 2026-08-15 — Фаза 0 старт: kubectl НЕДОСТУПЕН (токен истёк) Шаги: 1. `kubectl -n ingress get pods/svc` с ВМ → "You must be logged in to the server (server has asked for credentials)". 2. Диагностика: kubeconfig ~/.kube/config на ВМ от **Aug 14 12:29**, контекст `tazetdinovn@gmail.com@iot-naeel`, авторизация — token (exec-plugin нет). Токен истёк к 14:13 15.08 (срок жизни ~26 ч). 3. История shell ВМ: kubeconfig ранее обновлялся вручную: `xclip -selection clipboard -o > ~/.kube/config` — т.е. пользователь копирует новый kubeconfig из буфера (консоль Nubes) на ВМ. Результат: Фаза 0 заблокирована — нужен новый kubeconfig от пользователя (консоль Nubes → скопировать → на ВМ: xclip -o > ~/.kube/config или заменить файл). После обновления продолжить: nginx access-log → kube-vip логи → логи пода. ## 2026-08-15 — Фаза 0 ВЫПОЛНЕНА: nginx чист, kube-vip с ошибками leaderelection Окно теста: 08:26:47–09:00 UTC (30-мин тест 12:27–12:57 локального времени). **nginx access-log (оба пода ingress, за окно):** - 874 записи к нашему хосту: 862×status=200, 12×404 (боты). - **max ingress_request_time = 0.068с** за весь тест. - **status=499 = 0** (ни одного клиентского обрыва). - Вывод: с точки зрения nginx ВСЕ запросы обработаны за миллисекунды и успешно. 49 клиентских таймаутов по 30с nginx НЕ видит → ответы теряются МЕЖДУ nginx и клиентом (обратный путь/шлюз), либо часть запросов не дошла до nginx (записей 862 против 888 операций — но боты засоряют счёт, точный сплит не выводим). **kube-vip (новое подозрение):** - Под shturval-vip-dp24p (нода control-plane) — **каждые ~1с ошибка**: `leaderelection: error initially creating leader election record: namespaces "0a42bef3-7ce1-42b7-aa80-4274c4d9568f" not found`. - Под пытается создать запись лидера в НЕСУЩЕСТВУЮЩЕМ namespace — похоже на настроечный баг платформы. Влияние на VIP неизвестно — нужны логи остальных 4 vip-подов (кто лидер, были ли флапы). **Наш под:** 682 строки логов за окно, ошибок нет; 13 warnings «Receipt Handle not found» только в 08:58–08:59 (фаза cleanup — норма). **Следующие шаги Фазы 0:** логи остальных kube-vip подов (лидерство/флапы) → externalTrafficPolicy сервиса ingress → Фаза 1 (PMTU-зонд + новый тест с timestamp таймаутов). ## 2026-08-15 — Фаза 0 добита: kube-vip provider ломается, vipHost на control-plane - Сервис ingress: `kube-vip.io/vipHost: iot-naeel-control-plane-xb699` — VIP (185.247.187.151) статически закреплён за control-plane нодой. - externalTrafficPolicy: Cluster, type: LoadBalancer, nodePorts: 32391 (https), 30739 (http). - Provider kube-vip: «failed to ensure load balancer: no address pools could be found» с экспоненциальным backoff — в окне теста события в 08:20:56, 08:25:57, 08:30:57 UTC (потолок 5 мин). Прямой корреляции с таймаутами ~37с НЕТ. - ВСЕ 4 vip-пода (3 worker + 1 control-plane) каждые ~1с бьются в leaderelection: namespaces "0a42bef3-..." not found (namespace удалён, поды остались). - Итог Фазы 0: nginx чист (max 68мс, 499=0) → потери между nginx и клиентом; kube-vip сконфигурирован с ошибками (сломанный leader election + LB без пулов) — кандидат в тикет, но прямой связи с 37с пока не доказано. ## 2026-08-15 — Фаза 1: 403 InvalidClientTokenId С ЛОКАЛИ (с ВМ работает) Факты: 1. TCP-зонд MTU-порога (443, бинарный): до 20KB — всё мгновенно (403 от пода, mss=1448 подтверждён). В диапазоне 20–200KB — кластеры зависаний на 20с («порог» ~82KB), но зависания кластерные и, вероятно, не от размера. 2. 60 чистых connect к 443 — 0 сбоев; 5-мин серия POST /health (512б, 538 проб) — **0 сбоев** → явление B не воспроизводится на /health, привязано к SQS-трафику или к другим условиям. 3. Порт 32391 (NodePort) с локали НЕДОСТУПЕН (SYN дроп), реальный путь — 443. 4. **НОВОЕ**: с ~14:30 все AWS-запросы С ЛОКАЛИ дают 403 InvalidClientTokenId (aws CLI и boto3, креды те же). С ВМ те же креды РАБОТАЮТ (list-queues OK). /health с локали — 200. Значит: внешний путь к шлюзу теперь отвергает токен, внутренний — принимает. Днём (30-мин тест 12:27–12:57) внешний путь РАБОТАЛ → аутентификация внешнего пути сломалась/сбросилась между 13:00 и 14:30. Возможная связь: обновление kubeconfig пользователем ~14:10–14:20. 5. Фаза 1 (SQS-цикл с таймстемпами) ЗАБЛОКИРОВАНА этим 403. ## 2026-08-15 — ОПРОВЕРЖЕНИЕ: «403 InvalidClientTokenId с локали» = моя ошибка env Разбор: после команд YMQ в терминале остались экспортированные AWS_ACCESS_KEY_ID/AWS_SECRET_ACCESS_KEY от Яндекса (YCAJE.../YCNbo...). boto3-скрипт и aws CLI без явных кредов подхватывали ИХ → shared-SQS отвечал InvalidClientTokenId. С ВМ я всегда экспортировал креды shared-SQS явно — поэтому «с ВМ работало». Явления C НЕТ. Фейковая подпись проверена: с локали запрос доходит до пода корректно (SignatureDoesNotMatch), auth работает. Урок: в boto3 всегда передавать aws_access_key_id/aws_secret_access_key явно, не полагаться на env терминала. ## 2026-08-15 — ПЕРИОД ТАЙМАУТОВ ИЗМЕРЕН: ровно ~32.9с + полная проверка **SQS-цикл 10 мин (Фаза 1, локаль, явные креды shared):** 348 раундов (receive→delete→send 512б), 19 ReadTimeout (30с). Интервалы между сбоями: 32.8, 32.8, 32.8, 32.9, 32.8, 32.9, 32.9, 32.9, 32.8, 32.9, 32.9, 32.7, 32.9, 32.9, 32.9, 32.8, 33.0, 32.8 — **все 18 интервалов в 32.7–33.0с**. Вывод: это ТОЧНО таймер (равномерность до 0.1с), не случайные потери. Кандидаты: 32.9с ≈ период какого-то шлюзового цикла (kube-vip announce, conntrack GC, session timeout) — искать у платформы. Примечание: ранее оценка «~37с» была по косвенным данным, точный период 32.9с. **Полная проверка (по требованию):** 1. py_compile всех tests/*.py — OK. bash -n всех tests/*.sh — OK. 2. Креды YMQ (newsqs) — рабочие (list-queues OK). Креды shared — рабочие. 3. В secrets/ лежат ДВА файла с ОДИНАКОВЫМИ новыми кредами: yandex_ymq_newsqs.txt и yandex_ymq_fork8s.txt (дубликат, 461 байт, 11:54/11:55). Старых кредов YCAJEQDz нигде нет. Дубликат fork8s.txt подлежит удалению (по команде). 4. git status: не закоммичен только tests/tcp_mtu_probe.py (сейчас коммитится). 5. Эпизод «403 с локали» — подтверждённо моя ошибка env (креды Яндекса в терминале), не платформа. Сейчас все команды идут с ЯВНЫМИ кредами. ## 2026-08-15 — Фаза 2: port-forward тест PASS (приложение НЕВИНОВНО) kubectl port-forward svc/containerk8s 14100:4100 на ВМ (через API-сервер, в обход шлюза/VIP/NodePort). SQS-цикл 10 мин (те же креды, та же нагрузка receive→delete→send 512б): **24977 раундов, 0 сбоев** (~42 оп/с). Для сравнения: тот же цикл через внешний шлюз даёт сбой каждые 32.9с. Вывод: приложение и под полностью исправны; таймауты рождаются на внешнем пути (шлюз/VIP/NodePort/underlay). Следующий шаг — cilium monitor во время внешнего теста + попытка kubectl debug. ## 2026-08-15 — СЕРВЕРНЫЙ TCPDUMP: потеря на участке клиент→ingress, под чист Метод: kubectl debug (ephemeral-контейнер netshoot) в поде shared-sqs + tcpdump -tttt -i eth0 port 4100 (вывод — в логи контейнера). Внешний SQS-тест 4 мин: 8 ReadTimeout, интервалы 31.1–31.4с. Результат захвата (1564 пакета): - 8 «дыр» тишины по 29.5–29.7с, период между дырами 31.2с — ровно 8 сбоев. - **Внутри каждой дыры НЕТ ни одного пакета**: ни SYN, ни данных, ни ретрансмитов. Зависший запрос до пода НЕ ДОШЁЛ (иначе его SYN/данные были бы видны). Ретра-ответов пода нет → под ничего не отправлял. - Вне дыр — полные транзакции ingress(172.16.0.73/172.16.3.149)→под за 2–3мс. - Внутренний MSS ingress↔под = 1310 (MTU пода 1400), внешний MSS = 1448. ВЫВОД (доказано захватом): в момент каждого таймаута запрос теряется на участке клиент→ingress (интернет-шлюз/VIP/kube-vip/NodePort платформы). Внутри кластера потерь нет: cilium drop = 0, ingress↔под 2–3мс, port-forward 24977 раундов 0 сбоев. Явление B = периодический (31–33с) сбой внешнего шлюза платформы на ПРЯМОМ пути. ## 2026-08-15 — Фаза 4: черновик тикета в Nubes готов Собран `doc/thinking/nubes-ticket.md`: явление A (MSS 1448, PMTUD сломан) и явление B (периодический сбой каждые 31–33с на участке клиент→ingress) с 6 доказательствами и просьбой к платформе. Все фазы плана выполнены: Фаза 0 (nginx/kube-vip логи), Фаза 1 (PMTU/TCP-зонды, период 31-33с), Фаза 2 (port-forward 24977/0, cilium 0 дропов, серверный tcpdump — 8 дыр), Фаза 3 (echo НЕ ПОТРЕБОВАЛСЯ — доказательств достаточно), Фаза 4 (тикет). ## 2026-08-15 — ПОЛНЫЙ ОБЗОР КЛАСТЕРА (read-only): 2 дефекта платформы, таймера 31с внутри НЕТ **Здоровое:** 4/4 ноды Ready (130д; bhbvs 47д), CPU max 36%, RAM max 54%; все поды Running, свежих рестартов нет; все DaemonSet 4/4; Cilium 1.17.7 Ok (KubeProxyReplacement=True, Direct Routing), 0 дропов; Kyverno — 0 нарушений; cert-expiration — чисто; единственный LB-сервис — ingress (185.247.187.151). **Найденные дефекты (всё — платформа):** 1. **kube-vip leader election**: все 4 пода (DaemonSet shturval-vip) каждую секунду бьются в несуществующий namespace 0a42bef3-7ce1-42b7-aa80-4274c4d9568f (удалён). Причина: svc_election=true в DS, поды живут 34 дня без рестарта, в их памяти кэш удалённого LB-сервиса. Перезапуск DS вылечил бы шум. vip_leaderelection=false, leasename sht-uservip-cp-lock. 2. **kube-vip provider**: LB-пулы не настроены вообще (ConfigMap kubevip в ns kube-vip ОТСУТСТВУЕТ: нет cidr-global, нет range-*). SyncLoadBalancerFailed для сервиса ingress каждые ~5 мин (backoff-потолок). VIP живёт только благодаря статической аннотации kube-vip.io/vipHost=control-plane-xb699. 3. services-controller платформы: цикл каждые 5 мин (deprecation warning Endpoints) — совпадает с ретраями provider. **Ключевое:** в логах ВСЕХ компонентов кластера (kube-vip, cilium, контроллеры, ingress) НЕТ ни одного цикла с периодом 31–33с. Периоды внутри кластера: 1с (leader errors) и 5 мин (services/provider). Значит таймер 31–33с живёт НА ВНЕШНЕМ ШЛЮЗЕ (вне кластера) — согласуется с потерей на участке клиент→ingress. Это сильное дополнение к тикету. ## 2026-08-15 — ПОЧИНКА БАГОВ ПЛАТФОРМЫ (по команде) — план План чинилки: 1. Создать ConfigMap kubevip (ns kube-vip) с cidr-global: 185.247.187.151/32 — provider получит пул и перестанет ронять SyncLoadBalancerFailed. 2. `kubectl rollout restart ds -n kube-vip shturval-vip` — сброс кэша удалённого LB-сервиса (namespace 0a42bef3-...) → уйдут ошибки leaderelection. 3. Перепроверить: события кластера, логи vip-подов, /health с локали. 4. Тест: внешний SQS-цикл с таймстемпами — проверить, ушёл ли период 31с. Риск: при рестарте vip-подов возможен краткий (секунды) флап ARP-анонса VIP. ## 2026-08-15 — ПОЧИНКА БАГОВ ПЛАТФОРМЫ ВЫПОЛНЕНА **Баг 1 (leaderelection в удалённый ns 0a42bef3):** `kubectl rollout restart ds -n kube-vip shturval-vip` — после рестарта все 4 пода делают нормальные выборы лидера (lease ingress/kubevip-shturval-ingress-controller-controller), ошибок 0a42bef3 больше нет. Победил под на v8zq4, kube-vip обновил аннотацию vipHost: control-plane-xb699 → workers-vqphm-v8zq4 (VIP переехал штатно). **Баг 2 (provider без пулов):** нашёл, что provider читает ConfigMap kubevip из namespace **kube-system** (env KUBEVIP_NAMESPACE=kube-system), а там лежал ПУСТОЙ ConfigMap (130д, 0 данных) — изначальная недонастройка платформы. Добавил `cidr-global: 185.247.187.151/32` в kube-system/kubevip, удалил свой ошибочный CM в kube-vip, рестартнул provider. Результат: «Taking address from [cidr-global]», «Ensured load balancer», SyncLoadBalancerFailed прекратился. **Проверки после починки:** /health с локали — 200 (36–41мс). LB IP сервиса ингресса в статусе: 185.247.187.151 (ipMode VIP). Далее — нагрузочный тест. ## 2026-08-15 — ТЕСТ ПОСЛЕ ПОЧИНКИ: период 31–33с НЕ ушёл 10-мин внешний SQS-цикл после фиксов kube-vip: 347 раундов, 19 ReadTimeout, интервалы 31.3–33.5с — тот же таймер. Вывод: починенные баги (leader election, LB-пулы) НЕ были причиной таймаутов — как и предполагалось. Таймер живёт на ВНЕШНЕМ шлюзе (вне кластера). Фиксы — гигиена платформы (шумы убраны), но решение таймаутов — только через поддержку Nubes (тикет doc/thinking/nubes-ticket.md готов).