NFF-Go 开源项目教程
2024-08-10 12:25:24作者:钟日瑜
项目介绍
NFF-Go(Network Function Framework for Go)是一个用于创建和部署云原生网络功能(NF)的开源项目。它简化了网络功能的创建,同时不牺牲性能。NFF-Go 提供了比 DPDK 更高级别的抽象,使用 Go 语言开发,支持并发处理,并且内置调度程序可根据输入流量自动缩放处理。
项目快速启动
环境准备
- 确保你已经安装了 Go 语言环境。
- 克隆 NFF-Go 项目到本地:
git clone https://github.com/aregm/nff-go.git cd nff-go
编译和运行
-
编译项目:
make -
运行示例程序:
./example/l3-forward
示例代码
以下是一个简单的 NFF-Go 示例代码,用于实现一个基于 ACL 规则的 L3 分发器:
package main
import (
"github.com/intel-go/nff-go/flow"
"github.com/intel-go/nff-go/packet"
)
func main() {
// 初始化 NFF-Go 库
flow.CheckFatal(flow.SystemInit(nil))
// 创建输入流
inputFlow, err := flow.SetReceiver(uint8(0))
flow.CheckFatal(err)
// 设置分发器
outputFlow, rejectFlow, err := flow.SetSeparator(inputFlow, L3Separator, nil)
flow.CheckFatal(err)
// 发送接受的数据包到第一个端口
flow.CheckFatal(flow.SetSender(outputFlow, uint8(1)))
// 丢弃被拒绝的数据包
flow.CheckFatal(flow.SetStopper(rejectFlow))
// 开始处理数据包
flow.CheckFatal(flow.SystemStart())
}
// L3分发器函数
func L3Separator(currentPacket *packet.Packet, context flow.UserContext) bool {
currentPacket.ParseL4()
// 根据 ACL 规则返回是否接受数据包
return currentPacket.L3ACLPermit(L3Rules)
}
应用案例和最佳实践
网络地址转换(NAT)
NFF-Go 可以用于实现全功能的网络地址转换(NAT)程序。以下是一个基于 NFF-Go 的 NAT 实例:
-
克隆 NAT 项目:
git clone cd nff-go-nat -
编译和运行:
make ./nat
基于 ACL 的防火墙
NFF-Go 可以用于实现基于 ACL 规则的防火墙。以下是一个简单的防火墙示例:
package main
import (
"github.com/intel-go/nff-go/flow"
"github.com/intel-go/nff-go/packet"
)
func main() {
flow.CheckFatal(flow.SystemInit(nil))
inputFlow, err := flow.SetReceiver(uint8(0))
flow.CheckFatal(err)
outputFlow, rejectFlow, err := flow.SetSeparator(inputFlow, L3Separator, nil)
flow.CheckFatal(err)
flow.CheckFatal(flow.SetSender(outputFlow, uint8(1)))
flow.CheckFatal(flow.SetStopper(rejectFlow))
flow.CheckFatal(flow.SystemStart())
}
func L3Separator(currentPacket *packet.Packet, context flow.UserContext) bool {
currentPacket.ParseL4()
return currentPacket.L3ACLPermit(L3Rules)
}
典型生态项目
Docker 容器化
NFF-Go 支持 Docker 容器化,可以方便地进行分布式测试和部署。以下是创建和部署 Docker 镜像的步骤:
- 创建 Docker
登录后查看全文
热门项目推荐
相关项目推荐
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