Higress网关实现真实IP获取与IP白名单配置实践
背景介绍
在云原生微服务架构中,API网关作为流量入口,其安全防护能力尤为重要。阿里云开源的Higress作为新一代云原生网关,提供了丰富的安全插件,其中IP限制功能是基础且重要的安全防护手段。但在实际使用过程中,由于网络架构的复杂性,网关往往无法直接获取客户端的真实IP地址,导致IP白名单功能失效。
问题现象
用户在使用Higress网关的IP限制插件时,发现配置的白名单IP无法生效。经排查发现,网关日志中记录的客户端IP实际上是Kubernetes节点内网IP,而非真实的客户端公网IP。这种情况通常发生在网关前端部署了负载均衡器(如阿里云CLB)的场景下。
技术原理分析
在典型的云环境架构中,客户端请求通常需要经过以下路径:
- 客户端 → 2. 云负载均衡(CLB) → 3. Kubernetes节点 → 4. Higress网关
默认情况下,当请求经过负载均衡器转发后,后端服务只能看到负载均衡器的IP地址。要获取原始客户端IP,需要以下两个关键配置:
-
负载均衡器开启Proxy Protocol:Proxy Protocol是HAProxy开发的一种协议,它能够在TCP连接建立时,在数据流前插入客户端的原始IP和端口信息。
-
网关启用Proxy Protocol支持:Higress网关需要明确配置以识别和解析Proxy Protocol信息,才能正确提取客户端真实IP。
完整解决方案
第一步:配置负载均衡器
在阿里云CLB控制台中:
- 找到对应的80和443监听端口配置
- 开启"获取真实客户端IP"功能
- 同时启用Proxy Protocol协议支持
第二步:配置Higress网关
在Higress控制台或通过YAML配置:
- 进入网关全局配置
- 启用Proxy Protocol支持
- 确保配置已正确应用到所有网关实例
第三步:配置IP白名单插件
使用Higress的WasmPlugin资源配置IP限制规则:
apiVersion: extensions.higress.io/v1alpha1
kind: WasmPlugin
metadata:
name: ip-restriction
spec:
matchRules:
- config:
allow:
- 202.128.128.0/24
ip_source_type: origin-source
ingress:
- your-ingress-name
url: oci://higress-registry.cn-hangzhou.cr.aliyuncs.com/plugins/ip-restriction:1.0.0
关键参数说明:
allow: 指定允许访问的IP段ip_source_type: 设置为"origin-source"表示使用原始客户端IPingress: 指定应用此规则的路由名称
验证与测试
配置完成后,可通过以下方式验证:
- 从白名单IP范围发起请求,应能正常访问
- 从非白名单IP范围发起请求,应收到403禁止访问响应
- 检查Higress网关日志,确认记录的客户端IP与预期一致
最佳实践建议
-
多层防护:除了网关层的IP白名单,建议在负载均衡层也配置访问控制,实现纵深防御。
-
日志监控:定期检查网关日志,确保IP识别机制持续有效。
-
灰度发布:对于生产环境,建议先在小范围路由上测试IP限制功能,确认无误后再全量应用。
-
动态更新:对于频繁变更的IP白名单,可以考虑通过API动态更新配置,而无需重启网关。
总结
通过正确配置Proxy Protocol和Higress网关,可以确保在复杂网络架构中准确获取客户端真实IP,使IP白名单等安全功能发挥应有作用。这一方案不仅适用于阿里云环境,对于其他云平台或自建Kubernetes集群中的Higress部署同样具有参考价值。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00