短信接口的高可用:主备切换、回执对账和那 3% 送不到的消息

admin 验证码与短信 2026-11-20 7 0

先给一个不太好听但真实的数字:即使是头部云厂商的短信通道,端到端到达率也在 95% 到 99% 之间浮动。也就是说,你每发一万条,注定有几十到几百条到不了。

这条链路上没有任何一段是你完全控制的:供应商的网关、运营商的审核、用户的终端。所以工程上的目标从来不是「保证 100% 送达」,而是三件事——能看清、能切换、能对账。

短信接口的高可用:那 3% 送不到的消息
图 1:到达率的天花板不在代码里,在运营商侧

一、先认清:失败其实分三类

把失败混成一类处理,是所有短信系统最早踩的坑。三类失败的性质完全不同:

类型典型原因该不该重试处理方式
提交失败参数错、签名未报备、余额不足、触发限流部分可以参数错直接拒,限流延后重试
运营商侧失败空号、停机、黑名单、内容被拦截不该标记终态,换通道也没用
状态未知回执超时、回调丢失、供应商无状态码谨慎先挂起,靠对账收敛

最容易出事故的是第三类。很多系统把「超时」直接记成失败然后重发,用户就收到两条验证码——第一条还在有效期内,第二条已经让他怀疑人生。

二、一条短信要走六步

一条短信的完整链路与六个丢消息的位置
图 2:一条短信的完整链路——六个环节,每一环都可能丢

从图 2 能看出,链路里真正由你控制的只有前三格:业务应用、队列、发送服务。后面三格全是外部变量,所以设计要点是在前三格里把所有不确定性收敛掉:

  • 队列:削峰。突发流量直接打到供应商接口,换来的是一批 429 和限流封禁。
  • 发送服务:模板渲染、签名选择、限速、幂等,全在这一层做完,不要让业务代码各写一遍。
  • 通道适配层:把不同供应商的错误码归一成你们的内部枚举。这一步不做,后面所有重试策略都是瞎猜。

错误码归一建议至少分出五档:参数错 / 内容被拦 / 号码无效 / 限流 / 通道故障。前两类重试没意义,后三类才值得动手。

三、状态机:为什么「未知」必须独立存在

短信发送状态机:未知态为什么要单独存在
图 3:把「超时未回执」记成失败,会让正常消息被重复发送

五个状态里,状态未知是最容易被省掉的一个,也是最该有的一个。它的作用是:在回执回来之前,不许系统做「重发」这个决定。

  • 已提交:供应商已受理,拿到 message_id。这时候只能等,不能重发。
  • 已送达:收到回执且状态为成功,落终态。
  • 发送失败:明确错误码。是否重试取决于错误码档位,最多两次,第三次直接降级到备通道。
  • 状态未知:超过回执窗口(一般 5 到 30 分钟)还没回调。挂起,等对账。

降级这一步要写死规则:同一条消息在同一通道最多重试 2 次。不设上限的系统,在供应商侧故障时会把队列打成雪崩,还会因为重复提交被供应商判定为攻击。

四、幂等:重复提交比丢消息更常见

网络抖动、超时重试、用户连点两下,都会让同一件事提交两次。做法很简单:业务侧生成一个唯一键,规则是业务类型 + 手机号 + 模板 + 时间窗,把它当幂等键落到库里,重复提交直接返回上次的结果。

不要用「手机号 + 内容」当键——同一个验证码模板发给同一个人,内容是一样的,第二次正常请求会被误判成重复。时间窗给 60 秒,既挡住连点,又不影响「用户一分钟后再要一次」的正常场景。

五、主备切换:什么条件切,切了要不要切回来

判断依据只有两类,别凭感觉:

  1. 连续失败次数:同一通道连续 N 次(建议 5 到 10 次)提交失败,切;
  2. 滑动窗口成功率:最近 5 分钟成功率低于阈值(比如 90%),切。

切过去之后不要立刻切回来。设一个观察期(15 到 30 分钟),观察期内主通道的成功率恢复且稳定,再按比例灰度回切——一次性把所有流量打回去,等于给故障通道补一刀。

多渠道编排这件事有现成轮子可参考:easy-sms(3,336 星,MIT)就是国内生态里比较成熟的一套,主备切换、网关分组、失败重试都有现成实现,思路可以直接借鉴。

六、限速要分四个维度

  • 通道维度:每个供应商的 QPS 上限不同,按通道单独设桶;
  • 号码维度:同号码 60 秒 1 条、一天 10 条;
  • IP 维度:一个 IP 一小时内请求的不同号码数要设上限,这是防枚举的关键;
  • 业务维度:注册、登录、营销用不同的池子,别让营销把验证码的额度吃掉。

前三个维度是标准动作,第四个维度最常被忽略——营销短信一批发出去,验证码开始排队,用户在登录页干等,这就是典型的内耗。

七、对账:三类差异,逐个查

每天跑一次对账,把「供应商账单」和「本地记录」按 message_id 对上,差异无非三种:

  1. 本地记成功、账单里没有:供应商侧丢单,或者你提交到了它不认的通道。这类要找出规律。
  2. 账单有、本地记失败:说明回执丢了。把状态改成已送达,别重复计费给用户。
  3. 条数一致但金额不一致:价格阶梯或计费口径不同(长短信按 67 字一条拆分成多条计费,这是最常见的)。

对账不只是财务的事。第二类差异的数量,直接反映你的回执链路健康度;这个数长期居高,说明回调地址不稳定或者没做签名校验被丢弃了。

八、五个必看的指标

  1. 提交成功率:被供应商受理的比例,衡量你的参数和余额;
  2. 到达率:回执成功的比例,衡量通道质量;
  3. P95 提交延迟:供应商接口的健康度,超过 1 秒就该告警;
  4. 回执缺失率:未知态占比,超过 2% 要查回调链路;
  5. 单条成本:把长短信拆分、失败重发都算进去的真实成本。

这五个数凑在一张看板上,出问题时能一眼定位是哪一段坏了。成本口径怎么算见短信成本核算,失败原因的分类见验证码短信发送失败的原因。

九、选供应商时该问的五个问题

  1. 回执(DLR)的到达比例和延迟分布是多少?给不给历史数据?
  2. 错误码有没有文档?有没有「状态未知」这一档,还是一律返回失败?
  3. 限流策略怎么算?是按账号还是按号码,超了是拒绝还是排队?
  4. 签名和模板报备要多久?被驳回能不能看到具体原因?(报备的坑见签名与模板报备)
  5. 出现故障时的通知方式是什么?有没有备用接入点?

前两个问题最能筛掉不成熟的供应商。回执都不给的通道,你的到达率永远是黑盒。

十、兜底:留一条不依赖别人的路

再稳的商业通道也会遇到欠费、封禁、区域故障。留一条自建应急通道的价值不在平时,在出事那半小时——把一部安卓手机接上自建网关,至少能让核心业务的验证码继续发出去。做法见把旧手机变成短信网关。

应急通道同时也是一个很好的压测对照:当商业通道报「已送达」而你的自建通道显示「号码停机」时,你就知道该信谁了。

十一、一句话总结

短信这件事,做对不难,做稳很难。三个动作决定成败:把错误码归一、把「未知」单独建模、把对账跑起来。剩下的优化,都是在这三件事之上加细节。

相关阅读

← 上一篇 短信验证码正在退场:TOTP 与 Passkey 怎么接,什么时候还离不开短信

评论

访问统计