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。
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