kgateway项目中的访问日志功能迁移与设计思考
背景与需求
在kgateway项目中,团队正在考虑将Gloo网关的访问日志功能迁移到新的架构中。访问日志是网关系统的重要功能,它记录了所有经过网关的请求和响应信息,对于系统监控、故障排查和安全审计都至关重要。
现有实现分析
Gloo网关当前的访问日志实现是通过ListenerOption层级的配置完成的。当在监听器层级配置访问日志时,该配置会自动应用于下游监听器、HTTP连接管理器(HCM)和TCP代理等多个上下文环境。这种设计虽然方便,但也带来了一些问题:
- 相同的日志格式会被强制应用于不同上下文
- 不适用于当前上下文的命令指令会被忽略并记录警告
- 可能导致同一请求产生多条日志记录
技术挑战与设计考量
在迁移过程中,开发团队面临几个关键设计决策:
配置继承问题
当前Gloo的实现中,监听器层级的访问日志配置会自动"继承"到更细粒度的配置中。这种隐式的继承机制虽然减少了配置工作量,但带来了以下问题:
- 行为不够透明,用户可能不清楚配置的实际应用范围
- 与kgateway现有的策略附件机制不一致
- 难以实现全局默认配置(如为整个GatewayClass启用访问日志)
上下文差异
Envoy提供的访问日志数据在不同上下文中有所差异:
-
通用数据(TCP和HTTP共用):
- 下游(客户端)地址、连接信息、TLS配置和时间信息
- 上游(服务)地址、连接信息、TLS配置、时间和Envoy路由信息
- Envoy相关配置如采样率
- 过滤器链中发布的动态元数据
-
HTTP特有数据:
- 请求方法、路径、协议、端口、用户代理、头信息等
- 响应码、头信息、正文等
- 协议版本
设计方案演进
经过深入讨论,团队确定了以下设计方向:
-
初始阶段:仅支持HTTP连接管理器(HCM)的访问日志功能,不处理TCP代理等其他上下文的日志。
-
策略分离:引入新的HTTPListenerPolicy专门处理HTTP相关的配置,而不是使用通用的ListenerOption。这种设计更符合单一职责原则,也使得配置更加明确。
-
默认配置:全局默认配置的支持将作为后续功能开发,当前阶段不处理。
实现意义
这种设计选择带来了几个优势:
-
明确性:HTTP特定的配置与通用监听器配置分离,使系统行为更加可预测。
-
可扩展性:为未来可能的TCP访问日志支持保留了设计空间。
-
一致性:与kgateway现有的策略模型保持一致,降低了用户的学习成本。
-
灵活性:为将来支持更细粒度的日志配置(如基于路由的日志设置)奠定了基础。
总结
kgateway对访问日志功能的重新设计体现了从简单到复杂的渐进式开发理念。通过先支持核心的HTTP访问日志功能,并采用更清晰的策略分离设计,为系统未来的扩展打下了良好基础。这种设计既考虑了现有功能的平滑迁移,又为更丰富的日志功能预留了演进空间。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C042
MiniMax-M2.1从多语言软件开发自动化到复杂多步骤办公流程执行,MiniMax-M2.1 助力开发者构建下一代自主应用——全程保持完全透明、可控且易于获取。Python00
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C01
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
agent-studioopenJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力TSX0121
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