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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00