2023 年那篇《JumpServer 单节点无外置数据库部署》解决的是「装起来」:一台 Linux、一套离线包、内置数据库,能登、能跳、能审计就算收工。这篇是公司环境的版本,解决的是「活得久、管得宽」:同样的单节点形态,但部署理念换了一套——安装只是起点,备份要原子、巡检要分钟级、部门归属要自动、回退要按对象、健康状态要能证明不是假绿,最后还要把管理员操作面整个开放给 AI Agent。
环境一句话:PVE 单节点上的一台虚拟机,Ubuntu 26.04,JumpServer 企业版 v4.10.18,PostgreSQL 16 + Redis 7 内置,13 个组件容器,承载全公司的特权访问入口。地址、主机名、内部产品名均脱敏;所有容器名、端口、命令可直接照抄。
部署理念:先想清楚会怎么死
单节点形态的死法就几种,部署方案按死法倒推:
| 死法 | 对策 |
|---|---|
| 容器挂了 | Docker 自动恢复策略 + 组件级 jmsctl restart,不做整栈循环重启 |
| 数据库坏了 | 每日 pg_dump 原子备份 + 升级前强制 dump + 按时间戳命名的回退点 |
| 宿主机/盘坏了 | PVE 层备份作业覆盖,但如实标注:备份与生产同盘,故障域未隔离(见末节) |
| 没人知道它病了 | 两分钟粒度健康巡检,状态原子落盘,接 Zabbix,失鲜也告警 |
| 升级升不上去 | 升级前必须有 dump;回退路径事先走通过一次 |
这条原则贯穿全文:每一项健壮性措施都能回答「它防哪种死法、怎么证明它真在工作」。证明不了的写进未闭环清单,不假装收口。
承载与运维通道
虚拟机设计
| 项 | 值 | 说明 |
|---|---|---|
| 承载 | PVE 单节点上的一台 VM | 宿主机单节点无 HA,风险已标注 |
| OS | Ubuntu 26.04.1 LTS | ostype l26 |
| 网络 | 单网卡入 VLAN,与业务平面隔离 | 堡垒机流量与业务流量分 VLAN |
| 存储 | virtio/scsi 落 ZFS | 与宿主机备份同卷,故障域未隔离 |
| guest agent | 启用 | 这是关键决策,下一节展开 |
| 开机自启 | 启动链内 | 宿主机重启后自动恢复 |
无密码运维通道
这台机器最容易被忽略的决策是 guest agent。堡垒机自己纳管全网资产,但谁来管堡垒机?如果运维入口依赖堡垒机自身的 SSH 凭据,凭据一丢就死循环。
解法:PVE 宿主机装好 qemu-guest-agent 之后,qm guest exec 提供了一条不需要 VM 内部任何凭据的执行通道:
1 | # 从 PVE 宿主直接执行 VM 内任意命令,零凭据 |
这条通道后来还成了全套配置采集的基础——整个系统档案(容器全景、端口清单、数据面统计)都是经它一次性读回的,不留任何临时 SSH 账号。
版本选型:一次失败升级教会的事
时间线:
- 初装社区版 4.10.19
- 试用企业版,生产稳定在 v4.10.18-ee
- 2026-09 一次 v5.0.0 升级尝试,两周内判定失败,回退 ee
回退能走通,靠的是升级前恰好有一份 dump。但这次事故留下三条硬规矩:
- 升级前必须有一份升级时间戳可识别的 dump,
jmsctl backup_db跑完核对文件存在再动生产 - 回退路径必须事先走通一次。我们这次是「恰好」回退成功,不算验证;验证标准是回退演练过
- 升级残留要当故障源管理:v5 的
kael容器停在 Exited、1.4 GB 的安装包和解压目录留在/opt/——只要残留还在,下次误操作就可能二次翻车。残留不删,升级就没结束
另一个教训是版本事实要验容器不信目录名。/opt/ 下同时有三个版本的目录,真实生产版本只有一个判定依据:
1 | docker ps --format "{{.Names}}|{{.Image}}" | grep -vE "postgres|redis" |
组件与网络设计
13 个容器,四个业务面:
| 面 | 组件 | 端口 | 用途 |
|---|---|---|---|
| Web | web / core / celery | 80 | 前端 + API + 异步任务 |
| 协议网关 | koko / razor / xrdp / lion | 2222 / 3389 / 3390 / 4822 | SSH、RDP、Linux 图形、图形转发 |
| 数据代连 | magnus | 33061-33062 / 54320 / 15210 / 14330 / 27018 / 63790 | MySQL、PostgreSQL、Oracle、SQL Server、MongoDB、Redis |
| 内置存储 | postgresql / redis | 仅 127.0.0.1:5432 / 6379 | 数据库与缓存 |
网络取舍两个:
- PostgreSQL 只绑 127.0.0.1。代连需求全部走 magnus 的协议代理端口,数据库本体不对任何业务网段暴露。代价是查库必须进容器(
docker exec -it jms_postgresql psql -U postgres -d jumpserver),换来的是「数据库端口泄漏」这类故障整个不存在。 - 容器网段
DOCKER_SUBNET独立成段,与业务网段、宿主网段都不重叠。跳板机的容器内部网络是最容易被当成「反正不对外」的地方,出问题时反而最难查——独立网段让ip route一眼分清内外。
健壮性工程:四个 systemd timer
这是本篇的重点。2026-10-30 一轮加固把四件事全部 timer 化,每项有明确的服务名、文件路径和回退对象。
1. 每日数据库备份(jms-daily-backup.timer,每日 03:10,漏跑补跑)
1 | # 核心逻辑(定时器触发) |
三个设计点:
- pg_dump 自定义格式 + 原子改名。旧的
jmsctl backup_db直接写目标路径,进程被杀就留半截文件;现在先写临时文件,完整后才mv(同文件系统内是原子操作) pg_restore --list校验。备份文件存在不等于备份有效,每次备份后立即验证可读。这一步拦下过「磁盘写满的假备份」- 目录 0700、文件 0600。备份里是
SECRET_KEY加密过的资产凭据,权限就是最小化原则
2. 两分钟健康巡检(jms-health.timer)
巡检不是 docker ps 看一眼就完事,检查项分四层:
| 层 | 检查项 |
|---|---|
| 容器 | 12 个业务容器健康状态 |
| 数据 | PostgreSQL 可查询、Redis 响应 |
| 入口 | Web 健康接口、RDP 发布机 3389、启用中的远程应用是否有成功发布与在线发布机 |
| 自身 | 每日备份的时效(昨天有没有跑成)、日志属主、轮转失败状态 |
两个关键机制:
- 状态原子落盘:结果写
/var/lib/jms-health/current.json,原子替换。下游(Zabbix、值班脚本)读到的永远是完整文件,不会出现读到一半的状态 - 失鲜独立告警:健康值的采样时间戳单独一个 Zabbix 对象,文件停止更新本身就是告警——巡检挂了比业务挂了更可怕,因为它让你以为业务还活着
Zabbix 侧四个对象:原始状态、健康值、采样时间戳,再加异常与失鲜两条告警规则。失鲜规则盯时间戳不盯数值,专治「旧文件假绿」。
3. 身份层:LDAP 登录 + AD 部门自动映射(cron 每日 03:30,自研脚本)
身份分两层。第一层是登录:JumpServer 的 LDAP 认证直接对接 AD,80 个域用户零本地账号,Base DN 与过滤条件按部门 OU 收口——范围填小同步不到人,填大会把服务账号、停用账号一起拉进来,这是 LDAP 配置里最容易翻车的地方。
第二层是部门归属:LDAP 只解决「能登录」,不解决「进对组」。自研同步脚本每天把 AD 的部门/组结构重算成 JumpServer 用户组,规则很直接——AD 里 OU=研发的人自动进 JMS 的 dev 组,OU=运维进 ops 组,脚本维护一份部门到组的映射表。入职加进 AD 对应 OU,第二天 03:30 同步跑完就自动出现在堡垒机对应组里,管理员不建任何账号;离职在 AD 禁用,脚本跳过禁用账号,自动从组里移出。
设计约束四条:
- 幂等:全量重算 + 差异 PATCH,跑一百次和跑一次结果一样
- 白名单:
systemadmin等系统组永不触碰,脚本写错也不炸管理通道 - 敏感信息外置:AD 账号与 JumpServer AK/SK 在
/etc/default/jms-group-sync,脚本本体零凭据,日志可以放心看 - API 走 AccessKey HMAC-SHA256 签名,不落 session cookie,无状态调用可重试
1 | Authorization: Signature keyId="<AK>", algorithm="hmac-sha256", |
这套签名后来还成了无头 Agent 接堡垒机 API 的认证方式——机器调机器,没有浏览器 cookie 可偷,HMAC 是唯一说得通的方案。
依赖链要如实说:DC1 挂 → LDAP 不通 → 同步失败 → 新入职用户进不了堡垒机,但存量用户登录不受影响(组关系已落库)。这是可接受的降级。
4. 日志轮转收口
加固前日志轮转规则重复且属主混乱,rsyslog 新旧规则打架。收口方式:保留发行版 rsyslog 规则的 12 份轮转与 50 MiB 阈值,旧重复规则改成说明文件归档,新规则指定 syslog:adm / 0640,修正现存日志属主,logrotate -d 调试加实跑双验证,全程不重启日志服务。合并前先确认没有业务在依赖旧规则的轮转间隔——这条比改配置本身容易踩坑。
一次真实故障:API 500 的完整恢复
2026-10-30 上午,Web 端「网站连接」弹窗点不动,API 返回 500。复盘完整链路:
- 现象:部分资产的连接方式列表接口 500,图形会话建不出来
- 定位:12 个容器全健康、内存充足、无 OOM——容器层无异常,问题在数据层。查连接方式配置,发现一个历史遗留应用(v5 试用残留)发布状态为 failed 但保持启用,且排在列表首位
- 根因:前端默认选第一项,core 的
Applet.select_host()迭代这个应用的空发布池时抛TypeError: 'NoneType' object is not iterable - 恢复:停用这个 failed 应用(保留历史记录),回读确认连接方式列表只剩可用项。没有升级、没有重建、没有重启任何组件
- 验收:用真实浏览器会话打通一次完整的网站连接,会话正常结束,API 回读
is_success=true,录像 1.8 MB 归档完整
这个故障的教训是结构性的:启用状态的残留比禁用状态的残留危险得多。禁用只是占地方,启用就是活的故障源。所以加固清单里有一条专门的动作——把 v5 残留的服务账号全部停用,组件统计接口里允许出现「历史离线项」,不清零图表(清零意味着删审计数据,更亏)。
还有一个更隐蔽的并发问题,当时准备补丁但按最小变更原则没有立即上生产:定时任务 clean_orphan_session 会把「尚未发送首次心跳的新建会话」误判为孤儿提前结束——会话实际在跑、录像还在写,数据库里却已标结束。补丁思路是给清理任务加 5 分钟宽限期,隔离环境复现竞态 + 5 项回归测试通过后才算数,等待生产任务进程重载窗口再上。补丁没上生产之前,它只是补丁。
Agent 通道:让 AI Agent 用 JMS API 干活
堡垒机解决的是「人怎么安全地操作资产」。但运维动作越来越多由 AI Agent 发起——排障脚本、自动纳管、定期巡检。Agent 没有浏览器、没有 session cookie、没有鼠标,它只有一条路:API。
认证:AccessKey HMAC-SHA256 签名
JumpServer 的 Admin API 支持 AccessKey 认证。给 Agent 建一个专用服务账号,生成一对 AK/SK,之后每个请求都带签名头:
1 | Authorization: Signature keyId="<AK>", algorithm="hmac-sha256", |
为什么不用 Token 或 Basic Auth:
- Token 要刷新、会过期,Agent 长跑任务跑到一半 token 失效就断链。HMAC 签名无状态,AK/SK 不变就永远有效
- Basic Auth 把密码放每个请求头,日志一漏全漏。HMAC 只泄露签名,SK 本身不上网
- 签名绑定
(request-target) + date,重放攻击的时间窗口被 date 卡死(服务端校验时间差)
这套签名和上面 AD 组同步脚本用的是同一套——同步脚本就是 Agent 认证的第一次实战,跑了一年多没出过认证问题。
Agent 能干什么:管理员权限的 API 面
JMS Admin API 把 Web 界面上管理员能做的操作全部暴露了。Agent 用同一个 AK/SK,能干的事包括:
| 动作 | API 端点 | 说明 |
|---|---|---|
| 添加资产 | POST /api/v1/assets/assets/ |
指定地址、平台、协议,自动进入资产列表 |
| 添加账号 | POST /api/v1/assets/<id>/accounts/ |
给资产绑定登录凭据(用户名+密码/密钥) |
| 创建授权 | POST /api/v1/perms/asset-permissions/ |
把用户组 × 资产 × 账号绑成一条规则 |
| 查询会话 | GET /api/v1/terminal/sessions/ |
谁正在连哪台机器、什么状态 |
| 结束会话 | PATCH /api/v1/terminal/sessions/<id>/ |
Agent 发现异常会话可以直接踢 |
| 系统升级 | POST /api/v1/settings/... 或 jmsctl upgrade |
版本管理 |
关键点是管理员权限:Agent 用 admin 角色的 AK/SK,操作等价于管理员在 Web 界面上点鼠标。纳管新服务器、给新入职员工开权限、结束异常会话——这些以前必须找一个有 Web 登录权限的人来点,现在 Agent 直接完成。
实操:Codex 通过 JMS API 纳管资产
一个完整的「Agent 纳管新资产」流程:
1 | import requests, hmac, hashlib, base64 |
四步走完,一台新服务器从「裸 IP」变成「运维组可通过堡垒机 SSH 连接、有录像审计的纳管资产」。全程 Agent 完成,人只负责确认。
宿主机 OS 账户:打通最后一环
资产纳管只解决了「堡垒机能跳过去」。Agent 要真正操作宿主机(装补丁、改配置、重启服务),还需要宿主机 OS 层的凭据。两个来源:
- JMS 资产账号:上面第 2 步绑定的 root 密码/密钥。Agent 从 JMS API 读取该账号的 secret,通过 SSH/RDP 协议网关(koko 2222 / razor 3389)建立连接
- 独立凭据库:宿主机管理员密码存在 Agent 的凭据库(如
~/.config/下 mode 600 文件),不走 JMS 账号体系。适合宿主机本身不在 JMS 纳管范围的情况
我们的实际做法是双轨并行:宿主机已纳管 JMS 的,Agent 走 JMS 账号(好处是每次连接都有录像审计);未纳管的,走独立凭据库(好处是不受 JMS 故障影响)。后续方向是全部收口到 JMS 账号——Agent 的每一次 OS 操作都落在堡垒机录像里,这就是 AI Native 的执行审计层。
AI Native 闭环
把上面三块拼起来,运维闭环变成:
1 | 人(自然语言)→ AI Agent(Codex) |
这比传统「人登录堡垒机 → 点鼠标 → 操作宿主机」多了两件事:操作者可以是机器(无头 Agent 不需要浏览器),每一次操作都有录像(Agent 干的事和人干的事审计标准一致)。
未闭环:Agent 的 AK/SK 目前是 admin 全权限,还没有做按操作粒度收权(只给资产写权限不给用户管理权限)。下一步是 JMS 的角色权限体系拆细,给 Agent 一个「能管资产但不能改用户」的中间角色。
回退策略:按对象,不按整库
所有加固项在动生产前先落备份,且备份分两层:
- 主机层
/var/backups/jms-hardening-<日期>/:修改前的数据库 dump、旧配置、旧 crontab - 容器数据层
/opt/jumpserver/data/ops-backups/hardening-<日期>/:被修改对象的原值(应用启用状态、字段默认值、服务账号状态)
回退规则:按对象编号恢复,不整库覆盖。每个 timer、脚本、监控对象都有明确名称和编号,回退时按编号取对应原值。整库覆盖的诱惑在于省事,代价是把加固期间新增的正常数据也一起抹掉——数据库 dump 的时间点早于你要回退的那个对象的状态。
另有一条反直觉的:「恢复那个 failed 应用」看似是最简单的回退,实际上会重新引入故障,所以它被明确标注为「不建议作为一般回退」。回退路径也要逐条评估,不能默认「改回去就是回退」。
验收标准与未闭环
已验证:
- 每日备份连续产出且
pg_restore --list校验通过 - 健康巡检持续产出,Zabbix 四个对象采集正常、规则表达式无错误
- 网站连接故障恢复后真实会话 + 录像归档双验收
- AD 组同步连续运行,幂等性经多次重跑核对
未闭环(如实列出):
- 整库恢复演练没做过。pg_dump 能读不算恢复成功,
pg_restore进一个干净库并核数据才算。演练排在下一个维护窗口 - 备份与生产同盘。VM 落 ZFS 单盘,备份同盘,盘毁一起没。隔离备份需要额外存储目标(NAS 或对象存储),已立项未实施
- HTTPS 未启用。Web 仍是 80 明文,
config/nginx/cert/证书目录就位但没接。内网环境可接受,管理员凭据过网的暴露面还在 - 孤儿会话宽限补丁在隔离环境验证完毕,待生产重载窗口
- 授权规则回收机制:存量规则接近永久有效且含个人名规则,收敛方案已定(独立账号优先、特权按需带有效期),执行未完成
- Zabbix 告警的通知送达没做过故障演练。采集正常不等于告警真能到值班人手上
- Agent 权限粒度:Agent 的 AK/SK 目前是 admin 全权限,还没拆出「能管资产不能改用户」的中间角色
- 整库恢复演练之外还差一次「Agent 全流程演练」:用 Agent 跑一遍 纳管→授权→SSH 操作→回读录像 的完整链路并在生产验收
小结
单节点不丢人,丢人的是单节点装完就不管。这篇的四个 timer 加一套按对象的回退策略,本质是把「这台机器现在活着」变成「这台机器活着这件事可以被独立验证」——备份能读、巡检能证明在跑、巡检挂了也会响、回退按对象取原值。
再往前一步是把操作者也变成可验证的:AD 部门映射让「人进对组」自动化,HMAC 签名让 Agent 能拿着和同步脚本同一套认证直接调管理员 API,录像归档让 Agent 干的每一件事都有审计留痕。堡垒机从「人的入口」变成「人和 Agent 共用的受控执行层」,这是这套环境里 AI Native 落得最实的一块。
下一阶段的增量是隔离备份目标和整库恢复演练,把「未闭环」清单上的前两条划掉。届时堡垒机的故障域才算真正从单盘里搬出去。