telnet 测试MySQL时通时不通问题分析

MySQL运维实战(3.2) 常见数据库连接失败问题排查 作者:俊达我们经常会遇到一些数据库连接失败或访问报错的问题。收集并分析具体的报错信息,可以帮助我们迅速定位问题。 阅读详情
AI摘要

本文围绕MySQL 5.7.25版本,分析telnet测试连接时有时成功、有时报错的问题。通过分析数据库源码,指出可能导致‘Got packets out of order’报错的多种情况。抓包发现telnet能连上但偶尔前端不显示。结论是telnet探测不准确,建议用MySQL客户端或符合协议的方式探测。

版本:MySQL 5.7.25

现象:

        通过过 telnet ip port测试连接成功有时成功,有时直接报错connect失败,报错:got packets out of order 和 connection closed by foreign host,业务怀疑数据库server有问题。

第一次测试业务认为没问题,第二次没连接上被Ctrl+c中止了,业务认为有问题。 

分析:

        数据库中报 Got packets out of order,是收到的包乱序,或者包内容截断丢失等,相关源码如下:

        客户端和服务端的net->pkt_nr都从0开始, 接受包时比较packet number和net->pkt_nr是否相等,不相等就报错本次看到的这个错误。相等pkt_nr自增,发送包时把net->pkt_nr作为packet number发送,然后对net->pkt_nr进行自增保持客户端服务端一致,新查询会清0这个值。数据库这边就是对收到的包做简单校验,比方一个新查询开始,数据库和客户端都清0,为了保证顺序,客户端把每个包按次序编号1、2、3、4放在包里面,数据库每收一个包就+1,和收到的包里的次序做比较,相等就认为没问题,不相等就会报错退出了,数据库后端不编排次序。

结合代码分析可能有以下情况导致报这个错:

1,乱序了,后面的包被先到了,校验不过报错。

2,多发了,这种可能性小,得符合协议。

3,少发了,这有可能,客户端发了5个,后端收了3之后直接收到了第5个,少了一个就会报错。

4,mysql本身协议有bug,这可能性小,毕竟大范围验证过,也不会在这上面有改动。

5,客户端没有发,MySQL认为少发了。

        tcp协调可以保证1、3不会出现,关联上下代码继续分析,只要朝MySQL端口发送数据包,就一定会尝试建立连接,就一定会connect成功,然后再解析数据库包,有问题就报错断开,理论上不存在无法建立连接情况,协议不对也会尝试直到报错,与前面无法connect成功的表现存在冲突。

        抓包分析发现,telnet每次都是能连上的,TCP链接建立没有问题。telnet连上以后,每次MySQL都发了server端信息,但telnet有时候会不显示在前端,大多数都显示,但不管显示还是没显示,从抓包来看,都连上了,而没显示的时候会让人误以为没连上,按ctrl+c强制中止,或等MySQL端超时结束这个tcp连接。

结论:

        所以是每次都连上了,这也符合的MySQL源码中的逻辑,但是不知道为什么telnet偶尔没提示连上,这时候不管是按ctrl + c,还是按回车,都会发一些数据给MySQL,由于不是MySQL协议,MySQL会报错。再进一步分析需要深入telnet源码,此处不再发散深入。

         telnet探测MySQL服务端并不准确,应该用MySQL 客户端,或者符合MySQL通信协议的方式来探测。

Telnet工具测试端口连通性的原理与实践 端口连通性测试是网络故障排查的基础环节,通过TCP协议验证目标端口是否开放。Telnet作为经典的网络诊断工具,利用其客户端-服务器架构可以快速检测端口状态,特别适合在SSH不可用时进行基础网络层验证。在微服务架构和容器化环境中,端口测试能有效区分网络层与应用层故障,配合traceroute和tcpdump等工具可形成完整的排查链路。实际运维中,掌握telnet测试技巧能快速定位防火墙策略、服务监听状态等典型问题,大幅提升故障处理效率。 阅读详情

相关推荐

Ping通但接口不通?网络分层排查与端口连通性实战指南

网络通信基于分层模型构建,从物理层到应用层,每一层都有其特定的协议和职责。理解TCP/IP模型是排查网络问题的基石,其中传输层负责端到端的可靠通信,而应用层则承载具体的业务逻辑。在分布式系统和微服务架构中,服务间的网络连通性是系统稳定性的生命线。当出现服务器间能Ping通但应用无法连接目标服务端口(如数据库、Redis或微服务API)的典型故障时,往往意味着问题隐藏在传输层或应用层。这通常涉及防火墙规则、安全组配置、服务监听状态或网络策略等核心环节。掌握telnet、netstat、ss和tcpdump等工

weixin_30516429的博客 226

关于MySQL 的Packets out of order 问题

简要描述: 出现这个问题是因为packets 超过了MySQL配置的值; 解决方法: 首先 show variables like 'max_allowed_packet',默认是1048576 意味着是1M 然后my.cnf 中将max_allow_packet= 1M 改大一些,最大可以改成128M; 一般差不多20M左右就好; 再去 set global max_allowed_pack...

Nicholas的专栏 1万+

Telnet连接秒断?5种常见原因排查指南(附MySQL/Nacos实例分析)

本文深入解析Telnet连接建立后立即断开(显示Connection closed by foreign host)的常见原因与排查方法。通过分析TCP握手、抓包技巧,并结合MySQL的connect_timeout机制、Nacos等HTTP服务超时配置等具体实例,提供了一套从网络层到应用层的系统性排查指南,帮助运维和开发人员快速定位并解决端口连通性问题。

yoga7的博客 875

got packets out of order mysql_mysql 5.1.6版本报”Got packets out of order”

(ConnectionImpl.java:718)use | at com.mysql.jdbc.JDBC4Connection.(JDBC4Connection.java:46)use | at sun.reflect.GeneratedConstructorAccessor41.newInstanc...

weixin_35914724的博客 1847

CentOS 7离线安装telnet完整指南:内网无外网环境实操

在服务器运维中,离线安装软件包是内网隔离环境下的常见需求。其核心原理是通过RPM包管理机制,在联网机器上预先下载依赖包,再借助本地yum源实现依赖自动解析。针对CentOS 7系统,当无法使用yum install直接安装时,结合telnet工具包,可以高效完成端口测试与远程调试。本文围绕内网无外网场景,梳理了从下载RPM、搭建本地仓库到启动xinetd服务的完整流程,并给出依赖缺失、防火墙拦截等典型问题的排查方法,为运维人员提供一套可复用的离线装包方案。

weixin_34321753的博客 974

汽车标定知识整理(一):标定简介与CCP报文协议简介

CCP标定知识整理

不吃鱼的猫的博客 5146

DriverManager.getConnection异常和izmysql_native_passwor!#08S01Got packets out of order错误解决

遇到DriverManager.getConnection异常,其实有很多原因: 比如,你的库是不是可用, 我的一个微信小程序的实例代码在: 说明网址在:https://blog.youkuaiyun.com/qinglingLS/article/details/83792777 如果库没有问题,试试下面的方法: 1.检查数据库语法,在运行数据库的主机上telnet一下,看能不能联通。 运行后结果如下:...

清凌的博客 9807

最佳量化交易的计算机操作系统

本文在Creative Commons许可证下发布   我经常被问到的一个问题是:用哪种计算机操作系统和计算软件进行量化交易的理论研究和代码实现?   我想把这个问题简化,从挑选的计算软件和计算库来反推最佳使用的计算机操作系统。简而言之,就是在本文撰写的时候而言,如果你想进行基于任何严肃的数学理论和金融量化交易研究理论,这里特指机器学习或者深度学习。并且需要在本地研究机器上使用桌面版本,...

evilqliang的博客 2309

MySql报错“Packets out of order . Got: 0 Expected: *“如何解决

MySql报错"Packets out of order . Got: 0 Expected: *"如何解决

qq_52481494的博客 4461

2026年数据中心运行与管理专业人才培养基地建设方案(高职、数据中心运行与管理新专业、人才培养、专业代码:510310)

摘要: 为响应国家“东数西算”战略和数字经济需求,我校拟联合行业领军企业建设数据中心运行与管理人才培养基地。项目基于国家政策引导和产业快速发展背景,针对行业10万人才缺口,对标教育部新设专业标准(510310),分三阶段实施五年规划:专业奠基(2026-2028)、内涵深化(2028-2029)、辐射引领(2030-2031)。建设内容涵盖校企协同岗位能力分析、模块化课程开发(如网络管理、自动化运维等)、实训基地搭建及“课证融通”培养模式,重点培养基础设施、网络服务、运维托管三类岗位技能人才,目标建成区域性

啊碧根果的博客 1691

SAP MTS计划策略40实战:如何配置‘带最终组装的计划‘提升定制化生产效率

本文深入解析SAP计划策略40(带最终组装的计划)的核心机制与实战配置。该策略通过“需求消耗”与“组装灵活性”,有效融合按库存生产(MTS)与按订单生产(MTO)的优势,帮助制造企业在保持通用组件库存稳定的同时,快速响应客户的定制化需求,从而提升生产效率与客户满意度。

ruby5的博客 974

linux怎么看mysql地址端口通不通_telnet命令判断端口是否通不通

以上得出结论80端口不通如果连接成功,想要退出telnet的话,ctrl+],然后输入quit查看iptablesvi /etc/sysconfig/iptables#编辑防火墙配置文件-A INPUT -m state --state NEW -m tcp -p tcp --dport 80 -j ACCEPT(允许80端口通过防火墙)-A INPUT -m state --state N...

weixin_33308507的博客 2749

YOLOv11【第六章:模型压缩与极致优化篇·第4节】Lamp 剪枝算法:无需超参的自动化剪枝策略!

🏆 本文收录于专栏 《YOLOv11实战:从入门到深度优化》。本专栏围绕 YOLOv11 的改进、训练、部署与工程优化 展开,系统梳理并复现当前主流的 YOLOv11 实战案例与优化方案,内容目前已覆盖 分类、检测、分割、追踪、关键点、OBB 检测 等多个方向。

**My Coding Family** 1217

关于telnet Linux MySQL 3306 提示乱码 遗失对主机的连接 的问题

在 Windows 中的命令行窗口中,telnet 虚拟机Linux的MySQL 3306端口,提示如下: 这个问题,网上鲜有答复, 今天是在看了‘百度知道’上大神的回答才恍然大悟,原来这个操作根本就是行不通的做法, telnet 192.168.xxx.xxx 3306 的目的,不是使用telnet 远程访问 MySQL,而是测试 linux中MySQL的端口是否可用, 真正要远程连接并使用MySQL数据库的手段一般有两种: 1.)使用 secureCRT这种软件,通过SSH2这个安全协议,访问远程主机

m0_47505062的博客 1万+

101、LLC谐振变换器的传递函数推导

文章摘要 LLC谐振变换器的传递函数推导是电源设计的关键环节。作者通过一次炸管事故案例,揭示了忽视传递函数计算的严重后果。LLC传递函数复杂的根源在于其三个谐振元件(Lr、Cr、Lm)的变频工作特性,导致增益曲线非单调变化。文章详细介绍了采用扩展描述函数法的建模思路,指出Lm对增益曲线的重要影响,并给出了传递函数的数学表达式及频率响应特性。通过实际调试案例,作者对比了错误补偿器设计(Type II)与优化方案(Type III)的效果差异,强调了实测验证的重要性。最后总结了5条实用经验,包括留足裕度、关注启

Jack010169的博客 154

c# 如何使用S7NET 读取汇川H5U的数据

本文介绍了两种使用C#读取汇川H5U PLC数据的方法。第一种通过ModbusTCP协议(推荐),使用NModbus库实现,步骤包括配置PLC的Modbus服务器功能、安装库及编写读取保持寄存器的代码。第二种针对兼容西门子S7协议的型号,使用S7NetPlus库直接读取。文章强调需注意地址映射关系、协议配置及网络设置,并建议优先采用ModbusTCP方案以确保稳定性。两种方法均提供了完整的代码示例,帮助开发者快速实现在C#环境下与汇川H5U PLC的通信。

StevenChen的博客 457

linux怎么看mysql地址端口通不通_linux 测试端口通不通(四种方法)

针对Linux系统:有1、2、3、4四种方法针对Windows系统:有2、5两种通用方法一般情况下使用"telnet ip port"判断端口通不通,其实测试方法不止这一种,还有很多种方法,下面小编给大家分享了几种方法,具体内容请往下看:准备环境启动一个web服务器,提供端口.[wyq@localhost ~]$ python -m SimpleHTTPServer 8080Serving HTT...

weixin_34268856的博客 2177

LeRobot 入门教程(十七)NVIDIA IsaacLab Arena 集成

LeRobotEnvHub现已集成IsaacLabArena实现GPU加速仿真,支持GR1/G1/伽利略人形机器人实体和多种操作任务。安装需满足CUDA GPU、Ubuntu系统和IsaacSim 5.1.0要求,通过conda环境配置依赖项。系统提供SmolVLA和PI0.5等预训练策略评估功能,支持视频录制和并行环境配置。环境配置选项涵盖机器人实体、任务类型、观测维度等参数,并包含针对CUDA内存、视频录制等常见问题的解决方案。此外,LightWheel AI还通过LW-BenchHub引入了包含268

2506_90492529的博客 1250

网络诊断的“双剑客”:一文看懂 ping 和 telnet 的原理、区别和常见问题

ping 和 telnet 是网络开发和运维中常用的两个命令,分别用于检测网络连通性和测试端口服务状态。ping 基于 ICMP 协议,通过发送和接收数据包来测试主机之间的连通性和延迟,适合快速判断主机是否在线。telnet 基于 TCP 协议,用于测试目标主机的特定端口是否开放及服务是否正常运行,适合验证服务的可用性。两者的核心区别在于协议层和功能:ping 在网络层工作,telnet 在传输层工作。实际应用中,ping 和 telnet 可以互补使用,先通过 ping 确认主机在线,再用 telnet

JakeMa1024的博客 1655

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

如何查看mysql端口通不通_如何测试端口通不通(四种方法)

一般情况下使用"telnet ip port"判断端口通不通,其实测试方法不止这一种,还有很多种方法,下面小编给大家分享了几种方法,具体内容请往下看:准备环境启动一个web服务器,提供端口.用其它web服务器提供端口也一样,由于python比较方便,这里就用它1、使用telnet判断telnet是windows标准服务,可以直接用;如果是linux机器,需要安装telnet.用法: telnet ...

weixin_42317115的博客 3222

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

解决CentOS 7安装mysql后3306端口不通

CentOS 7安装mysql后,localhost可以正常连接登录mysql,但远程访问会连接不上。 尝试ping发现可以ping通; 尝试telnet端口,发现3306端口不通。 解决方法: 需要在防火墙配置将3306端口开放。 firewall-cmd --zone=public --add-port=3306/tcp --permanent (--permanent永久生效,...

weixin_30502965的博客 1070

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

mysql 3306 不通_3306端口不通,不一定是网络的问题

今天,开发需要申请一个账号:test@192.168.84.88 。连接时报了以下错误:Warning: Using a password on the command line interface can be insecure.ERROR 2003 (HY000): Can't connect to MySQL server on '192.168.84.87' (111)遇到连接失败,首先就...

weixin_42524762的博客 3205

linux服务器telnet端口命令怎么用?端口不通时真正要看的三类返回

linux服务器telnet端口命令几乎是每份运维笔记里的第一条,但多数笔记只写了命令,没写返回怎么读。这篇讲的是,不是端口怎么放行。放行属于配置动作(安全组规则、系统防火墙规则怎么写),那是另一条线;本文只关心一件事——从这台机器发一个 TCP 连接出去,对面到底有没有响应,以及不同的响应分别意味着什么。把这件事想清楚之后,你会发现排查速度快很多:网络问题最怕的是"不知道卡在哪一层",而 telnet 这类工具给出的三类返回,恰好把范围直接切掉一半。

vibecode的博客 333

ping 和 telnet 到底有什么区别?

ping:测“能不能到达”(网络层 ICMP,只看 IP 是否通)telnet:测“端口能不能连上”(应用层 TCP,看服务是否活着)ping 通 ≠ 服务可用;telnet 通 = 服务真的能连。

weixin_68021070的博客 777

服务器网络不通的排查方法

服务器网络不通是一类常见问题,就好比一个人,也有生病不舒服的时候,服务器也有可能出现各种状况。技术同事经常自诩为医生,只不过是为服务器看病的医生,对于大家最关心的服务器网站/应用是否正常,有如下关系: 1、服务器通,应用或者网站不一定正常 2、服务器不通,则应用或网站肯定不正常 今天主要讲服务器不通的问题,小编根据“医生”同事的讲解,对服务器不通做了排查总结,大体流程为:测试→登录→排查→重启。 一、测试 服务器不通我们首先需要确认服务器是否真的不通,此时使用工具为ping,telnet,tcping (

qq_780662763的博客 6775

Telnet端口测试:原理、应用与排障指南

端口连通性测试是网络运维的基础技能,TCP协议通过三次握手建立可靠连接。Telnet作为系统内置工具,通过模拟TCP会话实现端口状态检测,无需安装即可快速验证80、443等常见服务端口。其响应结果能直观反映防火墙规则、服务运行状态等关键信息,特别适合排查云服务器安全组配置、端口冲突等典型问题。在实际工程中,结合netstat、ss等命令可快速定位类似80端口被system占用的异常场景,而自动化脚本则能提升批量测试效率。对于HTTP/HTTPS等应用层协议,通过发送特定请求头还能进一步验证服务可用性。

cunfuteng7334的博客 539
上一篇: Postgresql MVCC机制源码初探
下一篇: MySQL 未提交XA 事务如何处理?
postgres20
博客等级 码龄10年 100粉丝 25原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值