Apache Shenyu网关JWT性能优化实践
2025-05-28 00:16:11作者:龚格成
背景介绍
Apache Shenyu作为一款高性能的API网关,在实际生产环境中经常需要处理大量并发请求。JWT(JSON Web Token)作为一种流行的身份验证机制,被广泛应用于微服务架构中。然而,当在Shenyu网关中启用JWT插件时,性能表现会显著下降,这引起了开发者的关注。
性能问题分析
在测试环境中,开发者进行了以下对比测试:
- 直接访问启用了Mock插件的网关01,吞吐量达到5万QPS
- 通过网关02代理转发到网关01,吞吐量降至2.5万QPS
- 在网关02上启用JWT插件后,吞吐量骤降至2000多QPS
- 优化JWT验证结果缓存后,吞吐量回升至1.4万QPS
从测试数据可以看出,JWT验证过程对网关性能影响显著。这主要是因为:
- JWT验证涉及复杂的加密解密运算
- 每次请求都需要重新解析和验证Token
- 默认实现中没有利用缓存机制
优化方案
1. JWT验证结果缓存
最直接的优化方式是对JWT验证结果进行缓存。在org.apache.shenyu.plugin.jwt.JwtPlugin类的checkAuthorization方法中,可以引入缓存机制:
// 伪代码示例
private Cache<String, Boolean> jwtValidationCache = CacheBuilder.newBuilder()
.maximumSize(10000)
.expireAfterWrite(10, TimeUnit.MINUTES)
.build();
private boolean checkAuthorization(String token) {
// 先检查缓存
Boolean cached = jwtValidationCache.getIfPresent(token);
if (cached != null) {
return cached;
}
// 实际验证逻辑
boolean isValid = //... JWT验证逻辑
// 缓存验证结果
jwtValidationCache.put(token, isValid);
return isValid;
}
这种优化方式将吞吐量从2000多提升到了1.4万,效果显著。
2. Netty参数调优
除了JWT插件本身的优化,还可以通过调整Netty参数来提升整体性能:
- 增加EventLoopGroup线程数
- 调整SO_BACKLOG参数
- 优化TCP_NODELAY和SO_KEEPALIVE设置
- 合理设置WRITE_BUFFER_WATER_MARK
3. 其他优化建议
- 使用更高效的JWT库:评估不同的JWT实现库,选择性能最优的解决方案
- 减少JWT载荷:精简JWT中的claims信息,减少传输和解析开销
- 异步验证:考虑将JWT验证过程异步化,不阻塞请求处理主流程
- 硬件加速:在高性能要求的场景下,可以考虑使用硬件加速加密解密运算
实施效果
通过实施上述优化措施,特别是JWT验证结果的缓存机制,测试环境中的吞吐量得到了显著提升:
- 从最初的2000多QPS提升至1.4万QPS
- 性能提升了约7倍
- 系统资源利用率更加合理
总结
在Apache Shenyu网关中使用JWT插件时,性能优化是一个需要重点考虑的问题。通过合理的缓存机制和系统参数调优,可以显著提升网关的处理能力。开发者应该根据实际业务场景,选择合适的优化策略,在安全性和性能之间取得平衡。
对于高并发场景下的JWT验证,建议优先考虑验证结果缓存方案,这是投入产出比最高的优化方式。同时,结合Netty参数调优和其他系统级优化,可以进一步提升网关的整体性能表现。
登录后查看全文
热门项目推荐
相关项目推荐
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
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!Kotlin08
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
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
535
3.75 K
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
67
20
暂无简介
Dart
773
191
Ascend Extension for PyTorch
Python
343
406
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++
886
596
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
React Native鸿蒙化仓库
JavaScript
303
355
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
336
178