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。
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
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
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
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!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00