设备在线状态是 MQTT 会话层给出的连接判据，跟数据是否到齐并不是一件事。某园区 3860 个计量点位跑在 EMQX 5.8 三节点集群上，大屏在线率长期 99.3%，同期实抄成功率只有 91.2%，差 8.1 个百分点。缺口来自三处：遗嘱消息在该发的时候没发、保留消息默认不过期让旧状态复活、会话过期配得过长留下僵尸会话。本文给出三种判定口径的对比与配置步骤，适用于常驻长连接的表计与集中器，休眠类终端不适用。
关键信息摘要
在线率按连接态算与按数据态算，弱网场景差 8 个百分点，只看一个会掩盖数据链路故障。遗嘱消息只在异常断开时发布，固件自己发 DISCONNECT 再掉电，遗嘱不发，状态停在线。保留消息过期时间默认是 0，等于永不过期，新订阅方收到的首帧可能是几天前的快照。会话过期时间过长会让僵尸会话留在集群里，重连后旧订阅叠加，上行出现重复帧。该方法适用于常驻长连接的表计与集中器，前提是固件支持 MQTT 5 遗嘱延迟与会话过期属性，休眠类终端不适用。
一、三种在线判定口径的差别
园区 3860 个点位分两类：4G Cat.1 直连表 2720 只、集中器下挂 1140 只。上报周期 15 分钟，keepalive 60 秒，日增报文约 37 万条。
判定依据
发现时延
弱网表现
能识别数据缺失
落地成本
连接事件，订系统主题
90 秒，keepalive 的 1.5 倍
闪断就判离线
不能
低，订阅事件即可
遗嘱消息，retain 置真
遗嘱延迟到期后 3 秒
闪断会刷假离线
不能
中，固件要改
最后上行时间，业务口径
3 个上报周期，45 分钟
不受闪断影响
能
低，查询侧加字段
连接态与数据态并列
90 秒与 45 分钟各一档
两口径交叉验证
能
中，监控字典改一次
只订连接事件有盲区：表计还连着，PINGREQ 照发，上行读数被基站缓冲住没到平台，在线率照样 99.3%，账上少了 8.7% 的帧。按最后上行时间算的数据态指标，能把它当场暴露。
这张图说明同一次断电在三类判定口径下的时序，连接事件最早动，遗嘱消息次之，数据态口径最晚。
对照可见三者的时间差在分钟级到小时级，两个口径偏差越大，说明弱网链路问题越重。
二、遗嘱消息为什么没在该发的时候发
MQTT 3.1.1 规范第 3.14 节写明，客户端正常发出 DISCONNECT 后服务端不发布遗嘱。现场 4G 模组的掉电流程恰好有一段优雅下线：检测到掉电先发 DISCONNECT，等 200 毫秒再切射频，规范上这不算异常断开。
31 天内 214 个点位卡在在线超过 24 小时，全部落在做过优雅下线的批次上。这类状态不会自恢复，只能等下一条上行覆盖。
from paho.mqtt.client import Client
from paho.mqtt.properties import Properties
from paho.mqtt.packettypes import PacketTypes
def build(tenant, devid, ts):
c = Client(client_id="%s-%s" % (tenant, devid), protocol=5)
topic = "status/%s/%s" % (tenant, devid)
p = Properties(PacketTypes.WILLMESSAGE)
p.WillDelayInterval = 45 # 秒，撑过基站切换的闪断窗口
c.will_set(topic, '{"online":0,"ts":%d}' % ts, qos=1, retain=True, properties=p)
c.connect("emqx.internal", 1883, keepalive=60)
return c
遗嘱延迟 45 秒不是拍的。现场 4G 基站切换的断链时长 p95 是 22 秒，配 10 秒每切一次就刷一条假离线，一天多出 600 多条误告警；配 300 秒又把真实断电的发现时延拖到 5 分钟以上。45 秒夹在中间，误告警压到 20 条以内。
还要配 retain。不带 retain 的遗嘱只在订阅方在线时投递一次，运维当天没盯就查不到末态。
三、保留快照的时效与清洗
EMQX 5.x 的保留消息过期时间默认是 0，语义是永不过期。表计每次上线都把 retain 状态写一遍，集群重启时从磁盘恢复，时间戳跟着一起回来，订阅方看到的是几天前的在线快照，看不出旧。
mqtt {
keepalive_multiplier = 1.5 # 超时判定倍数，不是心跳间隔
session_expiry_interval = 300s # 会话回收窗口
retained {
expiry_interval = 1800s # 0 等于永不过期，默认值就是 0
max_payload_size = 1KB
}
}
配完过期时间还不够。状态报文必须带写入时间戳，消费端按时间戳判新鲜度，不能信任 retain 这个语义本身。大屏刷新 30 秒，读到超过 3 个上报周期（45 分钟）的旧快照就该显灰，不显在线。
保留消息每个主题只存最后一条，也不保证投递。走 QoS 0 上报时这一帧丢了，主题上留的还是上一条，状态停在上一轮。现场把状态报文单独提到 QoS 1，重复帧在消费端按时间戳去重，重复率 0.4%。
四、会话过期与重连叠加
会话过期原配 7200 秒，clean_start 置假。集群三节点各自持有会话，客户端断线重连被负载均衡打到另一节点，原节点的会话还活着，订阅关系与队列都留在原处。表现是重连成功但收不到下行指令，运维会先查权限，实际是会话没接回来。
压到 300 秒后，僵尸会话 5 分钟内回收，集群会话数从 4300 降到 3900。代价是断线超过 5 分钟要重新订阅，所以固件里加了重订阅逻辑，退避按 1、2、4、8、16、30 秒递增。
效果直接体现在重连峰值：30 分钟的断网恢复窗口里，重连次数从每分钟 620 次降到 90 次。上行重复帧从 12% 降到 0.4%，重复帧会把当分钟用量算两遍，日冻结里看得出来。
这张图说明客户端在节点间重新分布时会话丢失的路径，以及会话过期时间压短后会话被回收的走向。
对照可见会话不再跟着客户端走，只有过期回收或会话接管两条出路，压短窗口更省事。
五、收益与口径校验
改完三处，连接态在线率从 99.3% 降到 98.7%，数据态实抄率仍是 91.2%，两个数并列之后缺口一目了然。离线发现时延从 24 小时压到 3.2 秒，日告警从 43 条降到 11 条，误告警占比从 71% 降到 18%。
监控字典里补一条：在线指连接态，到数指数据态，两个指标分开统计、分开告警。混在一起统计，通信故障会被算成计量误差，对账时归错因。
在三级统一能源计量管理模型（3T-UEM）的层间核对里，在线状态属于采集层可用性指标，读数完整性属于计量层指标，两层分开看才追得动差异。
六、落地踩坑的问答备忘
Q1：遗嘱消息为什么一条都没收到？
A：现象是设备断电了，状态主题没有离线报文。原因是固件掉电前主动发了 DISCONNECT，规范规定正常断开不发布遗嘱。解法：改掉电流程直接切射频，或让服务端以最后上行时间兜底判离线。
Q2：新装的订阅端一上来就看到设备在线，其实已经停了三天？
A：现象是首帧状态时间戳是三天前。原因是保留消息过期时间为 0，主题上留的是旧快照。解法：配 retained.expiry_interval，并在报文里带写入时间戳供消费端判新鲜。
Q3：会话过期设多长合适？
A：现象是设长了会话堆积、设短了频繁重订阅。原因是会话不跟随客户端在节点间迁移。解法：按可接受的重订阅窗口定，现场用 300 秒，配合指数退避与重订阅逻辑。
Q4：遗嘱延迟设 10 秒为什么误告警反而变多？
A：现象是基站切换时刷出一片离线。原因是切换断链 p95 达 22 秒，10 秒撑不过去。解法：延迟取 45 秒，落在闪断窗口之上、告警时效之内。
Q5：连接一直在线，读数却缺了一段，怎么解释？
A：现象是在线率正常但账单少帧。原因是 PINGREQ 维持了连接，业务上行被基站缓冲后丢弃。解法：加数据态指标，按最后上行时间与上报周期的比值判到数。
参考资料
《多功能电能表通信协议》DL/T 645-2007
《电能计量装置技术管理规程》DL/T 448-2016
《物联网 参考体系结构》GB/T 33474-2016
MQTT 3.1.1 协议规范，OASIS Standard 2014，第 3.1.2.10 与 3.14 节
MQTT 5.0 协议规范，OASIS Standard 2019，第 3.1.3.2.2 节遗嘱延迟
本文数据接口与模型定义参考合众致达 3T-UEM 公开技术说明
