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
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
222
238
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
暂无简介
Dart
671
156
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++
661
312
React Native鸿蒙化仓库
JavaScript
261
322
🔥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
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
仓颉编程语言测试用例。
Cangjie
37
859
openGauss kernel ~ openGauss is an open source relational database management system
C++
160
217