Kong项目中response-ratelimiting插件上游请求头缺失问题分析
Kong作为一款流行的API网关,其插件系统提供了丰富的功能扩展能力。其中response-ratelimiting插件用于实现基于响应的速率限制功能,但在Kong 3.8.0.0版本中,开发者发现该插件存在一个关键功能缺失问题。
问题现象
在Kong 3.8.0.0版本中,当配置了response-ratelimiting插件并设置了速率限制规则后,预期应该出现在上游请求中的X-RateLimit-Remaining-*系列头部信息没有正确传递。例如,配置了每分钟10次视频请求的限制后,上游服务应该能收到X-RateLimit-Remaining-Videos: 10这样的头部信息,但实际请求中这些头部完全缺失。
技术背景
response-ratelimiting插件的主要功能是:
- 根据配置的规则对API响应进行速率限制
- 在响应头中添加当前速率限制状态信息
- 在上游请求头中添加剩余请求配额信息
这种设计允许上游服务也能感知当前的速率限制状态,实现端到端的限流协调。
问题根源
通过代码分析发现,这个问题源于Kong 3.8.0.0版本中的一次代码变更。在之前的版本中,插件使用kong.service.request.set_header函数设置上游请求头,这能确保头部信息正确传递到上游服务。
但在3.8.0.0版本中,这部分逻辑被重构为使用pdk_rl_store_response_header和pdk_rl_apply_response_headers函数,这些函数最终操作的是ngx.header,这实际上只影响返回到客户端的响应头,而不会影响发送给上游服务的请求头。
影响范围
这个问题影响了所有使用response-ratelimiting插件并依赖上游请求头中速率限制信息的场景,特别是:
- 需要在上游服务中实现额外限流逻辑的系统
- 依赖上游服务进行限流状态展示的应用
- 需要端到端监控限流状态的运维系统
解决方案
修复方案需要将设置上游请求头的逻辑恢复或重构,确保:
- 使用正确的PDK函数设置上游请求头
- 保持与之前版本的行为一致性
- 不影响现有的响应头设置功能
社区已经提交了相应的修复补丁,通过恢复使用kong.service.request.set_header函数来正确设置上游请求头,同时保持新版本的其他改进特性。
最佳实践
对于受此问题影响的用户,建议:
- 检查上游服务是否依赖这些限流头部信息
- 如果需要这些信息,考虑暂时回退到3.8之前的版本
- 关注官方修复版本的发布
- 在测试环境中充分验证修复效果后再进行生产环境升级
这个问题提醒我们在进行API网关升级时,需要全面测试所有依赖的插件功能,特别是那些涉及请求/响应头处理的场景。
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