Kong网关中基于IP地址的速率限制问题解析
在Kong网关的实际使用中,开发人员经常会遇到一个典型问题:当配置了IP地址为基础的速率限制功能时,系统并没有按照预期使用真实的客户端IP地址作为限制标识,而是错误地使用了最后一个中间服务器的IP地址。这种情况在Kong 2.8.0和3.7.x版本中都存在。
问题现象分析
当Kong网关配置了以下参数时:
- trusted_ips设置为0.0.0.0/0和::/0
- real_ip_header设置为X-Forwarded-For
- real_ip_recursive设置为on
理论上,系统应该能够正确识别并提取HTTP请求头中的X-Forwarded-For字段值作为客户端的真实IP地址。然而实际测试发现,Kong的PDK方法kong.client.get_forwarded_ip返回的却是最后一个中间服务器的IP地址,而非真实的客户端IP。
通过调试信息可以清楚地看到这一现象:
x-debug-info: {
"kong_client_get_forwarded_ip":"10.0.70.198",
"ngx_var_realip_remote_addr":"10.0.70.198",
"ngx_var_http_x_forwarded_for":"2001:420:c0c8:1009::407"
}
其中,10.0.70.198是中间服务器IP,而2001:420:c0c8:1009::407才是真实的客户端IP。
技术原理探究
深入分析Kong的源代码发现,kong.client.get_forwarded_ip方法实际上是从Nginx变量ngx.var.remote_addr获取IP地址。这种实现方式存在明显缺陷,因为在多层架构中,remote_addr变量只能反映与Kong直接连接的上一跳IP地址,无法正确识别原始客户端IP。
正确的实现应该优先考虑从X-Forwarded-For这样的HTTP头中提取IP地址,特别是在配置了real_ip_header和real_ip_recursive的情况下。这些配置项的本意就是让系统能够识别并信任传递的原始客户端IP信息。
解决方案验证
经过测试,在Kong的最新主分支版本中,这个问题已经得到修复。测试结果表明:
- kong.client.get_forwarded_ip现在能够正确返回X-Forwarded-For头中的IP地址
- 系统行为与配置的real_ip_header和real_ip_recursive参数保持一致
- 速率限制功能现在能够基于真实的客户端IP进行控制
对于仍在使用旧版本的用户,建议升级到最新版本以获得正确的IP识别功能。如果暂时无法升级,可以考虑自定义插件或修改现有插件逻辑,直接从X-Forwarded-For头中提取IP地址作为速率限制的标识符。
最佳实践建议
在实际生产环境中部署Kong网关时,针对IP地址识别和速率限制功能,建议采取以下措施:
- 确保使用最新稳定版本的Kong网关
- 合理配置trusted_ips范围,避免过度开放信任
- 对于多层架构,正确设置real_ip_header和real_ip_recursive参数
- 在关键业务场景中,添加调试头信息验证IP识别结果
- 定期测试速率限制功能,确保其按预期工作
通过以上措施,可以确保Kong网关的速率限制功能基于正确的客户端IP地址,有效防止滥用行为,同时不影响正常用户的访问体验。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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