Kong网关中response-ratelimiting插件的上游请求头缺失问题分析
在Kong网关3.8.0版本中,response-ratelimiting插件出现了一个值得关注的问题:该插件未能正确地将限流使用情况头信息添加到上游请求中。这一问题影响了开发者对API限流状态的监控能力。
response-ratelimiting插件的主要功能是允许基于上游响应内容进行限流控制。按照设计,该插件不仅应该将限流状态头信息返回给客户端,还应该将这些信息传递给上游服务。这种设计使得上游服务也能感知当前的限流状态,实现更精细化的流量控制。
在Kong 3.8.0版本之前,插件通过kong.service.request.set_header函数正确设置了上游请求头。但在3.8.0版本中,相关代码被重构为使用pdk_rl_store_response_header和pdk_rl_apply_response_headers函数,这两个函数最终操作的是ngx.header,这导致限流头信息只能出现在客户端响应中,而无法传递给上游服务。
具体表现为:当配置了类似"X-RateLimit-Remaining-Videos"这样的限流头时,这些头信息在3.8.0版本中完全不会出现在上游请求中。这使得上游服务失去了对当前限流状态的感知能力,可能影响一些依赖这些头信息进行业务逻辑处理的服务。
该问题的根本原因在于重构过程中对请求头处理逻辑的变更。在Kong的PDK(Plugin Development Kit)中,ngx.header专门用于设置返回给客户端的响应头,而要设置上游请求头则需要使用不同的接口。这种差异在重构过程中被忽视了,导致了功能上的退化。
对于使用Kong 3.8.0版本并依赖response-ratelimiting插件上游头信息的用户,建议关注该问题的修复进展。同时,也可以考虑暂时回退到3.8.0之前的版本,或者自行实现一个简单的插件来补充这一功能。
这个问题提醒我们,在进行系统升级时,即使是看似简单的重构也可能带来功能上的变化。开发者需要仔细测试所有依赖的功能点,确保升级不会破坏现有业务逻辑。对于网关类基础设施,这种对请求/响应头信息的精确控制尤为重要。
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
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