Apache ShenYu WASM 插件开发与使用指南
2024-08-07 12:23:14作者:咎岭娴Homer
1. 项目介绍
Apache ShenYu WASM 是一个基于 Java 的 WebAssembly (WASM) 运行时 SDK,允许开发者在 ShenYu 网关中集成和执行 WASM 模块,从而扩展网关的功能或实现特定的业务逻辑。该项目旨在提供一个高性能且轻量级的方式来增强 API 网关的能力。
2. 项目快速启动
步骤1:添加依赖
在你的 Maven 或 Gradle 项目中添加 shenyu-wasm-runtime 的依赖:
Maven
<dependency>
<groupId>org.apache.shenyu</groupId>
<artifactId>shenyu-wasm-runtime</artifactId>
<version>[$x.y.z]</version>
</dependency>
Gradle
compile "org.apache.shenyu:shenyu-wasm-runtime:[$x.y.z]"
步骤2:编写 WASM 代码
下面是一个 Rust 编写的简单示例(任何可编译到 WASM 的语言都可使用):
#[no_mangle]
pub extern fn sum(x: i32, y: i32) -> i32 {
x + y
}
步骤3:编译成 WASM 文件
将 Rust 代码编译为 .wasm 文件。
步骤4:在 Java 中运行 WASM
在 Java 类中加载并执行 WASM:
import org.apache.shenyu.wasm.api.WASMEngine;
import org.apache.shenyu.wasm.api.WASMModule;
public class Example {
public static void main(String[] args) throws Exception {
// 加载 WASM 文件
byte[] wasmBytes = Files.readAllBytes(Path.of("tests/resources/simple.wasm"));
// 创建 WASM 引擎实例
WASMEngine engine = new WASMEngine();
// 加载 WASM 模块
WASMModule module = engine.instantiate(wasmBytes);
// 调用 WASM 函数
int result = module.callExport("sum", 10, 20).getI32Value();
System.out.println("Sum: " + result); // 输出: Sum: 30
}
}
3. 应用案例和最佳实践
- 安全过滤:使用 WASM 实现自定义的安全策略,如 IP 黑名单检查。
- 性能监控:在网关层面,通过 WASM 监控请求响应时间,统计接口调用频率。
- 数据转换:动态修改请求或响应的数据结构,以满足不同的服务间交互需求。
- 日志记录:创建 WASM 模块来收集和发送详细的请求日志信息。
最佳实践:
- 尽可能使 WASM 模块保持小型和专注,便于管理和更新。
- 使用测试确保 WASM 代码的正确性和性能。
- 注意内存管理,避免在 WASM 中产生内存泄露。
4. 典型生态项目
ShenYu-WASM 可以与其他开源项目结合使用,如:
- Docker: 配合 Docker 容器化部署,方便 WASM 模块的打包和版本控制。
- Kubernetes: 利用 Kubernetes 的服务网格能力,集成 WASM 网关进行流量管理。
- Prometheus: 结合 Prometheus 监控 WASM 执行时的性能指标。
- Zipkin 或 Jaeger: 集成跟踪系统,通过 WASM 模块增强链路追踪。
了解更多详细信息,参考 Apache ShenYu 官方文档和源码仓库。祝你在使用 Apache ShenYu WASM 的过程中一切顺利!
登录后查看全文
热门项目推荐
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
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
Baichuan-M3-235BBaichuan-M3 是百川智能推出的新一代医疗增强型大型语言模型,是继 Baichuan-M2 之后的又一重要里程碑。Python00
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
热门内容推荐
最新内容推荐
Degrees of Lewdity中文汉化终极指南:零基础玩家必看的完整教程Unity游戏翻译神器:XUnity Auto Translator 完整使用指南PythonWin7终极指南:在Windows 7上轻松安装Python 3.9+终极macOS键盘定制指南:用Karabiner-Elements提升10倍效率Pandas数据分析实战指南:从零基础到数据处理高手 Qwen3-235B-FP8震撼升级:256K上下文+22B激活参数7步搞定机械键盘PCB设计:从零开始打造你的专属键盘终极WeMod专业版解锁指南:3步免费获取完整高级功能DeepSeek-R1-Distill-Qwen-32B技术揭秘:小模型如何实现大模型性能突破音频修复终极指南:让每一段受损声音重获新生
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
539
3.76 K
Ascend Extension for PyTorch
Python
345
412
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++
888
605
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
337
182
暂无简介
Dart
777
192
deepin linux kernel
C
27
11
🎉 (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
1.34 K
758
React Native鸿蒙化仓库
JavaScript
303
356
openJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力
TSX
987
252
仓颉编译器源码及 cjdb 调试工具。
C++
154
896