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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
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
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00