Pangolin项目中的Bad Gateway问题排查与解决
问题背景
在使用Pangolin项目搭建内网穿透服务时,用户遇到了Bad Gateway错误。具体场景是将Homelab作为站点接入Pangolin,并在其中部署了Newt作为Docker容器,试图通过该服务访问Jellyfin媒体服务器。
错误现象
当尝试建立连接时,Newt容器日志显示以下关键错误信息:
Error connecting to target: dial tcp 192.168.178.93:8086: connect: connection refused
尽管在本地网络中可以通过192.168.178.93:8086成功访问Jellyfin服务,但通过Pangolin-Newt组合访问时却出现连接拒绝的错误。
排查过程
-
初步检查:确认本地网络环境中Jellyfin服务确实运行在192.168.178.93:8086地址,且可正常访问。
-
网络模式调整:尝试将Newt容器改为使用host网络模式,理论上可以消除Docker网络隔离带来的影响,但问题依旧存在。
-
端口验证:通过curl命令测试Jellyfin服务的连通性,发现一个关键细节差异:
- 成功连接使用的是8096端口(Jellyfin默认端口)
- 失败连接配置的是8086端口
问题根源
经过仔细比对,发现问题源于配置中的端口号不一致:
- 在Pangolin Dashboard中配置的目标端口为8086
- 实际Jellyfin服务运行在默认的8096端口
这种端口不匹配导致Newt代理尝试连接错误的端口,自然会被目标服务拒绝。
解决方案
将Pangolin Dashboard中的目标端口配置从8086修正为8096,与Jellyfin实际服务端口保持一致。修改后,通过Pangolin-Newt组合访问Jellyfin服务恢复正常。
经验总结
-
端口一致性检查:在配置网络服务时,务必确保源配置与目标服务的实际端口完全一致。即使是相近的端口号(如8086和8096)也会导致连接失败。
-
日志分析技巧:当出现"connection refused"错误时,首先应该检查:
- 目标服务是否正常运行
- 网络路径是否通畅
- 端口配置是否正确
-
测试方法:在配置复杂网络服务时,建议先使用简单工具(如curl、telnet等)直接测试目标服务的连通性,排除基础网络问题后再排查上层应用问题。
通过这次问题排查,我们再次验证了网络服务配置中"细节决定成败"的道理。特别是在涉及多层网络转发的场景下,每一层的配置都必须精确匹配,才能确保服务的正常访问。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00