Workers CPU 超限告警一天 100 多次:从邮件到定位的排查手记
从 10 月 31 日开始,我的邮箱每天都会收到一封 Cloudflare 的告警:
1 | [Action required] Workers CPU limit exceeded |
一天 100 多次超限。最让人难受的不是次数,而是这封邮件不告诉你超限的是哪个 Worker、哪个 URL。账号里有好几个 Worker 和 Pages 项目,像在黑暗里找一只漏水的水龙头,只知道水表在转。
这篇文章是我排查到现在的完整手记:先把 10ms 这个数搞清楚,再讲定位的方法。截至发稿,具体的”罪犯”还在缩小范围中,定位确认后我会再写一篇续篇。
一、先搞清:免费版的 10ms 到底算什么
Cloudflare 官方文档的限额表(2026 年 11 月核对)是这样的:
| 指标 | Workers Free | Workers Paid |
|---|---|---|
| 每天请求数 | 100,000 | 无上限 |
| 每次 HTTP 请求 CPU 时间 | 10 ms | 默认 30 秒,最高可配 5 分钟 |
| 每次 Cron 触发 CPU 时间 | 10 ms | 30 秒(间隔 < 1 小时)/ 15 分钟(间隔 ≥ 1 小时) |
| 内存 | 128 MB | 128 MB |
关键在第一行之外的那个定义:CPU 时间只算 CPU 真正执行代码的时间。等待网络请求(fetch、KV 读取、D1 查询)的时间不计入。所以一个总耗时 200ms 的请求,如果只有 3ms 在跑代码,它完全在免费额度内。反过来,一个总耗时只有 50ms 的请求,如果其中 12ms 都在做 JSON 解析和字符串拼接,它就超了。
官方给出的参考值是:平均每个 Worker 请求大约消耗 2.2ms CPU 时间,重一点的工作负载(鉴权、服务端渲染、大 payload 解析)通常在 10–20ms。也就是说,10ms 这条线离”正常水平”并不远,稍微写重点逻辑就容易踩到。
付费版是每月 5 美元起,含 1000 万次请求和 3000 万 CPU 毫秒,超出部分请求 0.30 美元/百万次、CPU 时间 0.02 美元/百万毫秒。10ms 到 30 秒是 3000 倍的差距——所以免费版的 CPU 超限,本质上是 Cloudflare 在用这条线逼你做选择:要么把逻辑写瘦,要么付费。
二、告警邮件为什么定位不了
Cloudflare 的 CPU 超限邮件是账号级别的汇总,它只告诉你”过去 24 小时超了 N 次”,不附带任何明细。这不是 Bug,是这类告警的设计:它负责提醒你去看 Dashboard,而不是代替 Dashboard。
定位要去三个地方,按从粗到细的顺序:
1. Dashboard 里每个 Worker 的 Metrics
Workers & Pages → 点进单个 Worker → Metrics,重点看两张图:
- CPU 时间的 P50 / P99:P50 正常但 P99 很高,说明是少数重请求拖超的;P50 就接近 10ms,说明这个 Worker 整体都偏重。
- 错误率曲线:超限的请求会返回 Error 1102(Worker exceeded CPU resource limits)。把错误率曲线和告警时间对上,哪个 Worker 在那个时段冒错误,嫌疑就锁定在谁身上。
2. wrangler tail 实时看
1 | wrangler tail <worker-name> --format pretty |
实时日志里,超限的请求会带上 CPU 时间和错误码。跑几分钟,重点看有没有某个 URL 模式反复出现、CPU 时间稳定在 10ms 以上。
3. Workers Logs / Analytics
如果开了 Workers Logs(免费版保留 3 天),可以按状态码和 CPU 时间过滤历史请求。付费版可以用 Analytics Engine 做更细的聚合,比如按路由分组看 P99 CPU 时间。
我目前的排查就是卡在第二步:几个 Worker 的 Metrics 都不算干净,需要逐个 tail 确认。这也是这篇手记先写方法论、后写结论的原因——定位的过程本身,就是这篇文章的价值。
三、嫌疑画像:什么样的代码最容易超 10ms
在逐个确认之前,可以先按代码特征给自己的 Worker 们排个嫌疑顺序。最容易踩线的几类:
1. Cron 触发的聚合任务
定时触发器跑的经常是”重活”:汇总统计、批量写库、生成报表。这类逻辑在 HTTP 请求里会被拆到多次调用里,但在 Cron 里是一次性跑完。免费版 Cron 触发同样只有 10ms,聚合逻辑稍微一多就超。
2. 一次请求做太多 JSON 解析
解析一个几百 KB 的 JSON、做深度遍历、再序列化回去,是纯 CPU 活,不含任何 I/O 等待。几个来回就能吃掉 10ms。网关、聚合层、数据转换类的 Worker 最容易中招。
3. 没有缓存的热点读取
每次请求都去读 D1 全表、扫 KV 前缀、再在内存里过滤排序。D1 查询本身的等待不算 CPU 时间,但拿到结果后的过滤、排序、格式化全算。热点数据不加缓存,等于每次请求都重做一遍计算。
4. Durable Objects 里的聚合
监控面板、实时统计这类场景,经常用 Durable Object 做聚合:多台服务器上报指标,一个对象负责汇总。汇总逻辑跑在单个 isolate 里,请求一多、时间窗口一大,CPU 时间就上去了。
对照我自己的项目,嫌疑最大的是一个服务器监控面板:多台服务器定期上报指标,Worker 负责接收、上聚合查询,面板打开时还要算一次汇总。这类”写入分散、读取聚合”的模式,正好踩在上面第 1、3、4 三条上。当然,嫌疑不等于定罪,最终还是要看 wrangler tail 的实测数据。
四、止血与根治
定位清楚之前,有几招可以先上,都是不改变架构的前提下降低 CPU 时间:
1 | // 1. 把非关键工作甩出请求路径 |
更彻底的几条,要动架构:
- 拆分重计算:把聚合拆成”写入时增量算 + 读取时直接取”,不要每次读取时全量重算。
- 错峰 Cron:多个定时任务不要堆在同一个整点,分散到不同分钟。
- 评估付费版:如果优化后还是稳定超 10ms,5 美元/月换 30 秒上限,可能是最便宜的解法。先算清楚超限量对应的真实成本,别为了省 5 美元花 5 小时。
五、排查清单
最后是这次排查沉淀下来的检查表,下次再收到这封邮件,直接按顺序走:
- 收到告警先别慌,看 Dashboard 里各 Worker 的错误率曲线,锁定时间段和嫌疑 Worker。
- 对嫌疑 Worker 跑
wrangler tail,确认超限的 URL 模式和 CPU 时间分布。 - 按”嫌疑画像”对照代码:Cron 聚合、大 JSON 解析、无缓存热点读、Durable Objects 聚合。
- 先上止血手段(
ctx.waitUntil、缓存、错峰),再评估是否需要动架构或升级付费版。 - 修完之后盯三天 Metrics,确认超限次数归零再结案。
排查仍在继续。等我用 tail 抓到确切的超限请求、确认是哪个 Worker 之后,会把实测数据和最终的优化方案写成续篇。Cloudflare 的免费额度很大方,但 10ms 这条线是认真的——它逼你写出更瘦的代码,这本身不是坏事。
