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
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
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
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
569
3.84 K
Ascend Extension for PyTorch
Python
379
453
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++
893
676
暂无简介
Dart
802
199
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
350
203
昇腾LLM分布式训练框架
Python
118
147
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
12
1
🔥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
68
20
🎉 (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
1.37 K
781