运维监控系统安全加固和功能优化 (#21)

* fix(ops): 修复运维监控系统的关键安全和稳定性问题

## 修复内容

### P0 严重问题
1. **DNS Rebinding防护** (ops_alert_service.go)
   - 实现IP钉住机制防止验证后的DNS rebinding攻击
   - 自定义Transport.DialContext强制只允许拨号到验证过的公网IP
   - 扩展IP黑名单，包括云metadata地址(169.254.169.254)
   - 添加完整的单元测试覆盖

2. **OpsAlertService生命周期管理** (wire.go)
   - 在ProvideOpsMetricsCollector中添加opsAlertService.Start()调用
   - 确保stopCtx正确初始化，避免nil指针问题
   - 实现防御式启动，保证服务启动顺序

3. **数据库查询排序** (ops_repo.go)
   - 在ListRecentSystemMetrics中添加显式ORDER BY updated_at DESC, id DESC
   - 在GetLatestSystemMetric中添加排序保证
   - 避免数据库返回顺序不确定导致告警误判

### P1 重要问题
4. **并发安全** (ops_metrics_collector.go)
   - 为lastGCPauseTotal字段添加sync.Mutex保护
   - 防止数据竞争

5. **Goroutine泄漏** (ops_error_logger.go)
   - 实现worker pool模式限制并发goroutine数量
   - 使用256容量缓冲队列和10个固定worker
   - 非阻塞投递，队列满时丢弃任务

6. **生命周期控制** (ops_alert_service.go)
   - 添加Start/Stop方法实现优雅关闭
   - 使用context控制goroutine生命周期
   - 实现WaitGroup等待后台任务完成

7. **Webhook URL验证** (ops_alert_service.go)
   - 防止SSRF攻击：验证scheme、禁止内网IP
   - DNS解析验证，拒绝解析到私有IP的域名
   - 添加8个单元测试覆盖各种攻击场景

8. **资源泄漏** (ops_repo.go)
   - 修复多处defer rows.Close()问题
   - 简化冗余的defer func()包装

9. **HTTP超时控制** (ops_alert_service.go)
   - 创建带10秒超时的http.Client
   - 添加buildWebhookHTTPClient辅助函数
   - 防止HTTP请求无限期挂起

10. **数据库查询优化** (ops_repo.go)
    - 将GetWindowStats的4次独立查询合并为1次CTE查询
    - 减少网络往返和表扫描次数
    - 显著提升性能

11. **重试机制** (ops_alert_service.go)
    - 实现邮件发送重试：最多3次，指数退避(1s/2s/4s)
    - 添加webhook备用通道
    - 实现完整的错误处理和日志记录

12. **魔法数字** (ops_repo.go, ops_metrics_collector.go)
    - 提取硬编码数字为有意义的常量
    - 提高代码可读性和可维护性

## 测试验证
- ✅ go test ./internal/service -tags opsalert_unit 通过
- ✅ 所有webhook验证测试通过
- ✅ 重试机制测试通过

## 影响范围
- 运维监控系统安全性显著提升
- 系统稳定性和性能优化
- 无破坏性变更，向后兼容

* feat(ops): 运维监控系统V2 - 完整实现

## 核心功能
- 运维监控仪表盘V2（实时监控、历史趋势、告警管理）
- WebSocket实时QPS/TPS监控（30s心跳，自动重连）
- 系统指标采集（CPU、内存、延迟、错误率等）
- 多维度统计分析（按provider、model、user等维度）
- 告警规则管理（阈值配置、通知渠道）
- 错误日志追踪（详细错误信息、堆栈跟踪）

## 数据库Schema (Migration 025)
### 扩展现有表
- ops_system_metrics: 新增RED指标、错误分类、延迟指标、资源指标、业务指标
- ops_alert_rules: 新增JSONB字段（dimension_filters, notify_channels, notify_config）

### 新增表
- ops_dimension_stats: 多维度统计数据
- ops_data_retention_config: 数据保留策略配置

### 新增视图和函数
- ops_latest_metrics: 最新1分钟窗口指标（已修复字段名和window过滤）
- ops_active_alerts: 当前活跃告警（已修复字段名和状态值）
- calculate_health_score: 健康分数计算函数

## 一致性修复（98/100分）
### P0级别（阻塞Migration）
- ✅ 修复ops_latest_metrics视图字段名（latency_p99→p99_latency_ms, cpu_usage→cpu_usage_percent）
- ✅ 修复ops_active_alerts视图字段名（metric→metric_type, triggered_at→fired_at, trigger_value→metric_value, threshold→threshold_value）
- ✅ 统一告警历史表名（删除ops_alert_history，使用ops_alert_events）
- ✅ 统一API参数限制（ListMetricsHistory和ListErrorLogs的limit改为5000）

### P1级别（功能完整性）
- ✅ 修复ops_latest_metrics视图未过滤window_minutes（添加WHERE m.window_minutes = 1）
- ✅ 修复数据回填UPDATE逻辑（QPS计算改为request_count/(window_minutes*60.0)）
- ✅ 添加ops_alert_rules JSONB字段后端支持（Go结构体+序列化）

### P2级别（优化）
- ✅ 前端WebSocket自动重连（指数退避1s→2s→4s→8s→16s，最大5次）
- ✅ 后端WebSocket心跳检测（30s ping，60s pong超时）

## 技术实现
### 后端 (Go)
- Handler层: ops_handler.go（REST API）, ops_ws_handler.go（WebSocket）
- Service层: ops_service.go（核心逻辑）, ops_cache.go（缓存）, ops_alerts.go（告警）
- Repository层: ops_repo.go（数据访问）, ops.go（模型定义）
- 路由: admin.go（新增ops相关路由）
- 依赖注入: wire_gen.go（自动生成）

### 前端 (Vue3 + TypeScript)
- 组件: OpsDashboardV2.vue（仪表盘主组件）
- API: ops.ts（REST API + WebSocket封装）
- 路由: index.ts（新增/admin/ops路由）
- 国际化: en.ts, zh.ts（中英文支持）

## 测试验证
- ✅ 所有Go测试通过
- ✅ Migration可正常执行
- ✅ WebSocket连接稳定
- ✅ 前后端数据结构对齐

* refactor: 代码清理和测试优化

## 测试文件优化
- 简化integration test fixtures和断言
- 优化test helper函数
- 统一测试数据格式

## 代码清理
- 移除未使用的代码和注释
- 简化concurrency_cache实现
- 优化middleware错误处理

## 小修复
- 修复gateway_handler和openai_gateway_handler的小问题
- 统一代码风格和格式

变更统计: 27个文件，292行新增，322行删除（净减少30行）

* fix(ops): 运维监控系统安全加固和功能优化

## 安全增强
- feat(security): WebSocket日志脱敏机制，防止token/api_key泄露
- feat(security): X-Forwarded-Host白名单验证，防止CSRF绕过
- feat(security): Origin策略配置化，支持strict/permissive模式
- feat(auth): WebSocket认证支持query参数传递token

## 配置优化
- feat(config): 支持环境变量配置代理信任和Origin策略
  - OPS_WS_TRUST_PROXY
  - OPS_WS_TRUSTED_PROXIES
  - OPS_WS_ORIGIN_POLICY
- fix(ops): 错误日志查询限流从5000降至500，优化内存使用

## 架构改进
- refactor(ops): 告警服务解耦，独立运行评估定时器
- refactor(ops): OpsDashboard统一版本，移除V2分离

## 测试和文档
- test(ops): 添加WebSocket安全验证单元测试（8个测试用例）
- test(ops): 添加告警服务集成测试
- docs(api): 更新API文档，标注限流变更
- docs: 添加CHANGELOG记录breaking changes

## 修复文件
Backend:
- backend/internal/server/middleware/logger.go
- backend/internal/handler/admin/ops_handler.go
- backend/internal/handler/admin/ops_ws_handler.go
- backend/internal/server/middleware/admin_auth.go
- backend/internal/service/ops_alert_service.go
- backend/internal/service/ops_metrics_collector.go
- backend/internal/service/wire.go

Frontend:
- frontend/src/views/admin/ops/OpsDashboard.vue
- frontend/src/router/index.ts
- frontend/src/api/admin/ops.ts

Tests:
- backend/internal/handler/admin/ops_ws_handler_test.go (新增)
- backend/internal/service/ops_alert_service_integration_test.go (新增)

Docs:
- CHANGELOG.md (新增)
- docs/API-运维监控中心2.0.md (更新)

* fix(migrations): 修复calculate_health_score函数类型匹配问题

在ops_latest_metrics视图中添加显式类型转换，确保参数类型与函数签名匹配

* fix(lint): 修复golangci-lint检查发现的所有问题

- 将Redis依赖从service层移到repository层
- 添加错误检查（WebSocket连接和读取超时）
- 运行gofmt格式化代码
- 添加nil指针检查
- 删除未使用的alertService字段

修复问题：
- depguard: 3个（service层不应直接import redis）
- errcheck: 3个（未检查错误返回值）
- gofmt: 2个（代码格式问题）
- staticcheck: 4个（nil指针解引用）
- unused: 1个（未使用字段）

代码统计：
- 修改文件：11个
- 删除代码：490行
- 新增代码：105行
- 净减少：385行

frontend/src/api/admin/dashboard.ts

@@ -8,7 +8,7 @@ import type {
   DashboardStats,
   TrendDataPoint,
   ModelStat,
-  ApiKeyUsageTrendPoint,
+  APIKeyUsageTrendPoint,
   UserUsageTrendPoint
 } from '@/types'
 
@@ -93,7 +93,7 @@ export interface ApiKeyTrendParams extends TrendParams {
 }
 
 export interface ApiKeyTrendResponse {
-  trend: ApiKeyUsageTrendPoint[]
+  trend: APIKeyUsageTrendPoint[]
   start_date: string
   end_date: string
   granularity: string

frontend/src/api/admin/index.ts

@@ -15,6 +15,7 @@ import subscriptionsAPI from './subscriptions'
 import usageAPI from './usage'
 import geminiAPI from './gemini'
 import antigravityAPI from './antigravity'
+import opsAPI from './ops'
 import userAttributesAPI from './userAttributes'
 
 /**
@@ -33,6 +34,7 @@ export const adminAPI = {
   usage: usageAPI,
   gemini: geminiAPI,
   antigravity: antigravityAPI,
+  ops: opsAPI,
   userAttributes: userAttributesAPI
 }
 
@@ -49,6 +51,7 @@ export {
   usageAPI,
   geminiAPI,
   antigravityAPI,
+  opsAPI,
   userAttributesAPI
 }
 

frontend/src/api/admin/ops.ts

@@ -0,0 +1,324 @@
+/**
+ * Admin Ops API endpoints
+ * Provides stability metrics and error logs for ops dashboard
+ */
+
+import { apiClient } from '../client'
+
+export type OpsSeverity = 'P0' | 'P1' | 'P2' | 'P3'
+export type OpsPhase =
+  | 'auth'
+  | 'concurrency'
+  | 'billing'
+  | 'scheduling'
+  | 'network'
+  | 'upstream'
+  | 'response'
+  | 'internal'
+export type OpsPlatform = 'gemini' | 'openai' | 'anthropic' | 'antigravity'
+
+export interface OpsMetrics {
+  window_minutes: number
+  request_count: number
+  success_count: number
+  error_count: number
+  success_rate: number
+  error_rate: number
+  p95_latency_ms: number
+  p99_latency_ms: number
+  http2_errors: number
+  active_alerts: number
+  cpu_usage_percent?: number
+  memory_used_mb?: number
+  memory_total_mb?: number
+  memory_usage_percent?: number
+  heap_alloc_mb?: number
+  gc_pause_ms?: number
+  concurrency_queue_depth?: number
+  updated_at?: string
+}
+
+export interface OpsErrorLog {
+  id: number
+  created_at: string
+  phase: OpsPhase
+  type: string
+  severity: OpsSeverity
+  status_code: number
+  platform: OpsPlatform
+  model: string
+  latency_ms: number | null
+  request_id: string
+  message: string
+  user_id?: number | null
+  api_key_id?: number | null
+  account_id?: number | null
+  group_id?: number | null
+  client_ip?: string
+  request_path?: string
+  stream?: boolean
+}
+
+export interface OpsErrorListParams {
+  start_time?: string
+  end_time?: string
+  platform?: OpsPlatform
+  phase?: OpsPhase
+  severity?: OpsSeverity
+  q?: string
+  /**
+   * Max 500 (legacy endpoint uses a hard cap); use paginated /admin/ops/errors for larger result sets.
+   */
+  limit?: number
+}
+
+export interface OpsErrorListResponse {
+  items: OpsErrorLog[]
+  total?: number
+}
+
+export interface OpsMetricsHistoryParams {
+  window_minutes?: number
+  minutes?: number
+  start_time?: string
+  end_time?: string
+  limit?: number
+}
+
+export interface OpsMetricsHistoryResponse {
+  items: OpsMetrics[]
+}
+
+/**
+ * Get latest ops metrics snapshot
+ */
+export async function getMetrics(): Promise<OpsMetrics> {
+  const { data } = await apiClient.get<OpsMetrics>('/admin/ops/metrics')
+  return data
+}
+
+/**
+ * List metrics history for charts
+ */
+export async function listMetricsHistory(params?: OpsMetricsHistoryParams): Promise<OpsMetricsHistoryResponse> {
+  const { data } = await apiClient.get<OpsMetricsHistoryResponse>('/admin/ops/metrics/history', { params })
+  return data
+}
+
+/**
+ * List recent error logs with optional filters
+ */
+export async function listErrors(params?: OpsErrorListParams): Promise<OpsErrorListResponse> {
+  const { data } = await apiClient.get<OpsErrorListResponse>('/admin/ops/error-logs', { params })
+  return data
+}
+
+export interface OpsDashboardOverview {
+  timestamp: string
+  health_score: number
+  sla: {
+    current: number
+    threshold: number
+    status: string
+    trend: string
+    change_24h: number
+  }
+  qps: {
+    current: number
+    peak_1h: number
+    avg_1h: number
+    change_vs_yesterday: number
+  }
+  tps: {
+    current: number
+    peak_1h: number
+    avg_1h: number
+  }
+  latency: {
+    p50: number
+    p95: number
+    p99: number
+    p999: number
+    avg: number
+    max: number
+    threshold_p99: number
+    status: string
+  }
+  errors: {
+    total_count: number
+    error_rate: number
+    '4xx_count': number
+    '5xx_count': number
+    timeout_count: number
+    top_error?: {
+      code: string
+      message: string
+      count: number
+    }
+  }
+  resources: {
+    cpu_usage: number
+    memory_usage: number
+    disk_usage: number
+    goroutines: number
+    db_connections: {
+      active: number
+      idle: number
+      waiting: number
+      max: number
+    }
+  }
+  system_status: {
+    redis: string
+    database: string
+    background_jobs: string
+  }
+}
+
+export interface ProviderHealthData {
+  name: string
+  request_count: number
+  success_rate: number
+  error_rate: number
+  latency_avg: number
+  latency_p99: number
+  status: string
+  errors_by_type: {
+    '4xx': number
+    '5xx': number
+    timeout: number
+  }
+}
+
+export interface ProviderHealthResponse {
+  providers: ProviderHealthData[]
+  summary: {
+    total_requests: number
+    avg_success_rate: number
+    best_provider: string
+    worst_provider: string
+  }
+}
+
+export interface LatencyHistogramResponse {
+  buckets: {
+    range: string
+    count: number
+    percentage: number
+  }[]
+  total_requests: number
+  slow_request_threshold: number
+}
+
+export interface ErrorDistributionResponse {
+  items: {
+    code: string
+    message: string
+    count: number
+    percentage: number
+  }[]
+}
+
+/**
+ * Get realtime ops dashboard overview
+ */
+export async function getDashboardOverview(timeRange = '1h'): Promise<OpsDashboardOverview> {
+  const { data } = await apiClient.get<OpsDashboardOverview>('/admin/ops/dashboard/overview', {
+    params: { time_range: timeRange }
+  })
+  return data
+}
+
+/**
+ * Get provider health comparison
+ */
+export async function getProviderHealth(timeRange = '1h'): Promise<ProviderHealthResponse> {
+  const { data } = await apiClient.get<ProviderHealthResponse>('/admin/ops/dashboard/providers', {
+    params: { time_range: timeRange }
+  })
+  return data
+}
+
+/**
+ * Get latency histogram
+ */
+export async function getLatencyHistogram(timeRange = '1h'): Promise<LatencyHistogramResponse> {
+  const { data } = await apiClient.get<LatencyHistogramResponse>('/admin/ops/dashboard/latency-histogram', {
+    params: { time_range: timeRange }
+  })
+  return data
+}
+
+/**
+ * Get error distribution
+ */
+export async function getErrorDistribution(timeRange = '1h'): Promise<ErrorDistributionResponse> {
+  const { data } = await apiClient.get<ErrorDistributionResponse>('/admin/ops/dashboard/errors/distribution', {
+    params: { time_range: timeRange }
+  })
+  return data
+}
+
+/**
+ * Subscribe to realtime QPS updates via WebSocket
+ */
+export function subscribeQPS(onMessage: (data: any) => void): () => void {
+  let ws: WebSocket | null = null
+  let reconnectAttempts = 0
+  const maxReconnectAttempts = 5
+  let reconnectTimer: ReturnType<typeof setTimeout> | null = null
+  let shouldReconnect = true
+
+  const connect = () => {
+    const protocol = window.location.protocol === 'https:' ? 'wss:' : 'ws:'
+    const host = window.location.host
+    ws = new WebSocket(`${protocol}//${host}/api/v1/admin/ops/ws/qps`)
+
+    ws.onopen = () => {
+      console.log('[OpsWS] Connected')
+      reconnectAttempts = 0
+    }
+
+    ws.onmessage = (e) => {
+      const data = JSON.parse(e.data)
+      onMessage(data)
+    }
+
+    ws.onerror = (error) => {
+      console.error('[OpsWS] Connection error:', error)
+    }
+
+    ws.onclose = () => {
+      console.log('[OpsWS] Connection closed')
+      if (shouldReconnect && reconnectAttempts < maxReconnectAttempts) {
+        const delay = Math.min(1000 * Math.pow(2, reconnectAttempts), 30000)
+        console.log(`[OpsWS] Reconnecting in ${delay}ms...`)
+        reconnectTimer = setTimeout(() => {
+          reconnectAttempts++
+          connect()
+        }, delay)
+      }
+    }
+  }
+
+  connect()
+
+  return () => {
+    shouldReconnect = false
+    if (reconnectTimer) clearTimeout(reconnectTimer)
+    if (ws) ws.close()
+  }
+}
+
+export const opsAPI = {
+  getMetrics,
+  listMetricsHistory,
+  listErrors,
+  getDashboardOverview,
+  getProviderHealth,
+  getLatencyHistogram,
+  getErrorDistribution,
+  subscribeQPS
+}
+
+export default opsAPI