Apache ShenYu 2.7.0.1版本发布:网关性能优化与AI插件增强
Apache ShenYu作为一款高性能、可扩展的API网关,在微服务架构中扮演着重要角色。它提供了丰富的功能集,包括流量控制、熔断降级、动态路由等,帮助开发者构建稳定可靠的分布式系统。本次2.7.0.1版本的发布,不仅修复了多个关键问题,还引入了令人期待的AI相关插件,为网关智能化提供了新的可能性。
核心优化与问题修复
在性能优化方面,本次更新对日志收集模块进行了重点改进。通过优化日志收集性能,特别是在使用Gzip压缩时解决了乱码问题,显著提升了网关处理日志的效率。同时,BodyParamUtils工具类引入了Caffeine缓存机制,减少重复计算,进一步提升了参数处理的响应速度。
针对缓存一致性问题,开发团队做出了多项改进。MetaDataCache中增加了对空值的防护处理,避免了潜在的NPE问题。AlertDispatchServiceImpl中修正了缓存删除顺序导致的数据脏读问题,确保了告警信息的一致性。此外,还修复了当使用Nacos作为同步中心时,规则缓存无法正确删除的问题。
在注册发现机制方面,修复了2.6.1版本中客户端注册失败的问题,增强了注册过程的稳定性。同时,对Kubernetes控制器代码进行了优化,提升了在K8s环境下的运行效率。
新增AI相关插件功能
2.7.0.1版本最引人注目的变化是新增了多个AI相关插件,为网关赋予了智能化能力:
-
AI代理插件:提供了与AI服务交互的能力,可以作为AI服务的统一入口,实现请求转发、结果处理等功能。
-
AI令牌限流插件:专门为AI服务设计的限流组件,能够基于令牌桶算法对AI服务的访问进行精细控制。
-
AI提示插件:支持在请求处理过程中插入AI生成的提示信息,为开发者提供更多上下文和指导。
这些AI插件的加入,使得Apache ShenYu不仅能够处理传统的API流量,还能作为AI服务的智能网关,满足日益增长的AI应用集成需求。
数据库与配置改进
在数据存储方面,本次更新修复了H2数据库中JSON格式错误的问题,并优化了从2.6.1升级到2.7.0的SQL脚本。新增了对Elasticsearch索引的每日自动生成功能,并为这些索引创建了别名,大大简化了日志检索和分析的复杂度。
配置管理方面,修正了Logging-Elasticsearch、Logging-Tencent和Logging-Aliyun等日志组件在配置修改后无法正确刷新的问题。同时,移除了过时的SpringCloud插件,重构了Discovery插件,使服务发现机制更加清晰和高效。
开发者体验提升
为了改善开发者体验,本次更新在多个方面进行了优化:
-
增加了RestTemplateConfiguration和ShenyuControllerEndpoint的测试用例,提高了代码质量。
-
使用Checkstyle工具规范化代码,避免使用==null检查,推荐使用Objects.isNull()方法。
-
优化了插件加载机制,通过ShenyuPluginClassLoaderHolder更好地管理插件类加载器。
-
修复了CollapseSlashesFilter中的路径处理问题,提升了URL规范化处理的可靠性。
-
在Dubbo支持方面,增加了protobuf序列化的支持,并优化了方法配置方式,使Dubbo集成更加灵活。
安全增强
安全方面,JWT插件进行了SPI扩展,确保能够兼容旧版JWT工具的payload解析方式,同时提供了更强的安全保证。Admin模块中增加了@Transactional注解来确保数据一致性,防止部分更新导致的数据不一致问题。
Apache ShenYu 2.7.0.1版本的发布,不仅解决了一系列稳定性问题,更重要的是通过引入AI相关插件,为网关的智能化发展开辟了新方向。这些改进使得ShenYu在性能、可靠性和功能性上都达到了新的高度,为构建下一代云原生应用提供了强有力的支持。
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