在YARP反向代理中实现响应体大小日志记录的技术方案
2025-05-26 05:21:27作者:胡易黎Nicole
背景与需求分析
在现代微服务架构中,反向代理作为流量入口承担着关键作用。YARP(Yet Another Reverse Proxy)作为微软开源的灵活反向代理解决方案,开发者经常需要扩展其功能以满足特定业务需求。一个常见的需求是记录完整的请求/响应日志,特别是响应体大小这一关键指标。
技术挑战
传统基于Content-Length头部的方案存在明显局限性:
- 当服务端采用分块传输编码(Transfer-Encoding: chunked)时,响应头中不会包含Content-Length
- 直接读取响应流会带来性能问题,特别是在高并发场景下
- 需要确保日志记录不影响正常的请求处理流程
核心解决方案
流装饰器模式
通过创建自定义的Stream实现类来包装原始响应流,在数据写入时进行字节计数:
public class CountingStreamDecorator : Stream
{
private readonly Stream _innerStream;
public long BytesWritten { get; private set; }
public override ValueTask WriteAsync(ReadOnlyMemory<byte> buffer,
CancellationToken cancellationToken = default)
{
BytesWritten += buffer.Length;
return _innerStream.WriteAsync(buffer, cancellationToken);
}
// 其他必要方法实现...
}
中间件实现要点
- 执行顺序:必须确保中间件在YARP之前执行
- 流管理:正确处理流生命周期
- 性能优化:使用ValueTask减少异步开销
public async Task Invoke(HttpContext context)
{
var originalStream = context.Response.Body;
using var countingStream = new CountingStreamDecorator(originalStream);
context.Response.Body = countingStream;
await _next(context);
// 记录日志
LogResponseSize(countingStream.BytesWritten);
// 恢复原始流
context.Response.Body = originalStream;
}
关键技术细节
- 数据完整性保证:当中间件的next调用完成时,所有响应数据都已写入计数流
- 分块传输处理:字节计数反映的是实际应用数据,不包含分块编码的开销
- 资源管理:只释放自定义装饰器,原始流由框架管理
性能优化建议
- 优先实现ValueTask版本的方法
- 避免不必要的await操作
- 考虑使用内存池技术减少分配
- 对于高频场景,可使用结构体替代类
扩展思考
该方案不仅适用于日志记录,还可应用于:
- 流量监控
- 请求限流
- 数据校验等场景
通过这种非侵入式的流装饰器模式,开发者可以在不修改核心代理逻辑的情况下,灵活扩展YARP的功能,同时保持系统的高性能和稳定性。
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
最新内容推荐
MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Solidcam后处理文件下载与使用完全指南:提升CNC编程效率的必备资源 Python案例资源下载 - 从入门到精通的完整项目代码合集 TortoiseSVN 1.14.5.29465 中文版:高效版本控制的终极解决方案 CrystalIndex资源文件管理系统:高效索引与文件管理的最佳实践指南 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南 Python开发者的macOS终极指南:VSCode安装配置全攻略 瀚高迁移工具migration-4.1.4:企业级数据库迁移的智能解决方案 STM32到GD32项目移植完全指南:从兼容性到实战技巧
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