Sentilo平台API请求速率限制机制详解
2025-06-06 07:58:29作者:廉皓灿Ida
概述
在分布式物联网平台Sentilo中,API请求速率限制(Rate Limiting)是一项关键的安全特性。自1.9版本起,Sentilo提供了完善的速率限制功能,用于保护系统免受请求洪泛攻击,同时也能保护订阅Sentilo的外部系统不被过量的出站请求所影响。
速率限制的重要性
在物联网场景中,设备可能会产生大量数据请求,如果没有适当的限制机制,可能会导致:
- 服务器资源被耗尽
- 系统响应变慢甚至崩溃
- 订阅系统被大量通知淹没
- 恶意用户通过高频请求发起攻击
Sentilo的速率限制机制正是为解决这些问题而设计。
全局速率限制配置
基本配置
全局限制作用于整个Sentilo实例的所有API请求。配置位于平台配置文件中,主要包含两个关键参数:
# 每小时允许的最大请求数(0表示无限制)
sentilo.server.api.global_rate_limit.quota=100
# 请求体最大长度(字节)
sentilo.server.api.payload.max_length=4096
响应头信息
当启用全局限制时,每个API响应都会包含以下头部信息:
| 头部名称 | 描述 |
|---|---|
| X-RateLimit-Global-Inbound-Limit | 全局每小时请求限额 |
| X-RateLimit-Global-Inbound-Remaining | 当前剩余可用请求数 |
| X-RateLimit-Global-Inbound-Reset | 限额重置剩余分钟数(0表示未超限) |
错误处理
当发生以下情况时,系统会返回相应错误:
- 429状态码:全局请求限额已用完
- 400状态码:请求体超过最大长度限制
基于实体的速率限制
除了全局限制外,Sentilo还支持为每个提供者(Provider)或应用程序(Application)设置独立的速率限制。
实体限制配置
实体限制通过目录服务进行配置,可以为每个实体设置:
- 入站请求限制(输入配额)
- 出站通知限制(输出配额)
入站限制响应头
当实体设置了入站限制时,API响应会包含:
| 头部名称 | 描述 |
|---|---|
| X-RateLimit-Inbound-Limit | 实体每小时请求限额 |
| X-RateLimit-Inbound-Remaining | 当前剩余可用请求数 |
| X-RateLimit-Inbound-Reset | 限额重置剩余分钟数 |
出站限制响应头
当实体设置了出站限制时,Sentilo发送给订阅端点的通知会包含:
| 头部名称 | 描述 |
|---|---|
| X-RateLimit-Outbound-Limit | 实体每小时通知限额 |
| X-RateLimit-Outbound-Remaining | 当前剩余可用通知数 |
| X-RateLimit-Outbound-Reset | 限额重置剩余分钟数 |
示例解读
假设订阅系统收到通知包含以下头部:
X-RateLimit-Outbound-Limit: 5
X-RateLimit-Outbound-Remaining: 1
X-RateLimit-Outbound-Reset: 58
这表示:
- 该实体每小时最多接收5条通知
- 当前还可接收1条通知
- 58分钟后配额将重置
限制优先级
Sentilo采用以下优先级处理限制:
- 首先检查全局限制
- 然后检查实体特定限制
- 取两者中更严格的限制作为实际限制
这种设计既保证了系统整体安全,又允许为不同实体设置个性化限制策略。
最佳实践
- 生产环境务必设置合理的全局限制
- 为关键业务实体设置适当的独立限制
- 客户端应监控响应头中的剩余请求数
- 对于突发流量场景,考虑使用指数退避算法
- 定期审查和调整限制参数
通过合理配置Sentilo的速率限制功能,可以显著提升物联网平台的稳定性和安全性。
登录后查看全文
热门项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
Ascend Extension for PyTorch
Python
223
246
暂无简介
Dart
672
157
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
663
313
React Native鸿蒙化仓库
JavaScript
262
324
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.2 K
655
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
218
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
330
137