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
This commit is contained in:
IanShaw
@@ -127,6 +127,8 @@ export default {
|
||||
total: 'Total',
|
||||
balance: 'Balance',
|
||||
available: 'Available',
|
||||
copy: 'Copy',
|
||||
details: 'Details',
|
||||
copiedToClipboard: 'Copied to clipboard',
|
||||
copyFailed: 'Failed to copy',
|
||||
contactSupport: 'Contact Support',
|
||||
@@ -147,6 +149,7 @@ export default {
|
||||
// Navigation
|
||||
nav: {
|
||||
dashboard: 'Dashboard',
|
||||
ops: 'Ops Center',
|
||||
apiKeys: 'API Keys',
|
||||
usage: 'Usage',
|
||||
redeem: 'Redeem',
|
||||
@@ -546,6 +549,123 @@ export default {
|
||||
recentUsage: 'Recent Usage',
|
||||
failedToLoad: 'Failed to load dashboard statistics'
|
||||
},
|
||||
ops: {
|
||||
title: 'Ops Monitoring Center 2.0',
|
||||
description: 'Stability metrics, error distribution, and system health',
|
||||
status: {
|
||||
title: 'System Health Snapshot',
|
||||
subtitle: 'Real-time metrics and error visibility',
|
||||
systemNormal: 'System Normal',
|
||||
systemDegraded: 'System Degraded',
|
||||
systemDown: 'System Down',
|
||||
noData: 'No Data',
|
||||
monitoring: 'Monitoring',
|
||||
lastUpdated: 'Last Updated',
|
||||
live: 'Live',
|
||||
waiting: 'Waiting for data',
|
||||
realtime: 'Connected',
|
||||
disconnected: 'Disconnected'
|
||||
},
|
||||
charts: {
|
||||
errorTrend: 'Error Trend',
|
||||
errorDistribution: 'Error Distribution',
|
||||
errorRate: 'Error Rate',
|
||||
requestCount: 'Request Count',
|
||||
rateLimits: 'Rate Limits (429)',
|
||||
serverErrors: 'Server Errors (5xx)',
|
||||
clientErrors: 'Client Errors (4xx)',
|
||||
otherErrors: 'Other',
|
||||
latencyDist: 'Latency Distribution',
|
||||
providerSla: 'Upstream SLA Comparison',
|
||||
errorDist: 'Error Type Distribution',
|
||||
systemStatus: 'System Resources'
|
||||
},
|
||||
metrics: {
|
||||
successRate: 'Success Rate',
|
||||
errorRate: 'Error Rate',
|
||||
p95: 'P95 Latency',
|
||||
p99: 'P99 Latency',
|
||||
http2Errors: 'HTTP/2 Errors',
|
||||
activeAlerts: 'Active Alerts',
|
||||
cpuUsage: 'CPU Usage',
|
||||
queueDepth: 'Queue Depth',
|
||||
healthScore: 'Health Score',
|
||||
sla: 'Availability (SLA)',
|
||||
qps: 'Real-time QPS',
|
||||
tps: 'Real-time TPS',
|
||||
errorCount: 'Error Count'
|
||||
},
|
||||
errors: {
|
||||
title: 'Recent Errors',
|
||||
subtitle: 'Inspect failures across platforms and phases',
|
||||
count: '{n} errors'
|
||||
},
|
||||
filters: {
|
||||
allSeverities: 'All severities',
|
||||
allPlatforms: 'All platforms',
|
||||
allPhases: 'All phases',
|
||||
p0: 'P0 (Critical)',
|
||||
p1: 'P1 (High)',
|
||||
p2: 'P2 (Medium)',
|
||||
p3: 'P3 (Low)'
|
||||
},
|
||||
searchPlaceholder: 'Search by request ID, model, or message',
|
||||
range: {
|
||||
'15m': 'Last 15 minutes',
|
||||
'1h': 'Last 1 hour',
|
||||
'24h': 'Last 24 hours',
|
||||
'7d': 'Last 7 days'
|
||||
},
|
||||
platform: {
|
||||
anthropic: 'Anthropic',
|
||||
openai: 'OpenAI',
|
||||
gemini: 'Gemini',
|
||||
antigravity: 'Antigravity'
|
||||
},
|
||||
phase: {
|
||||
auth: 'Auth',
|
||||
concurrency: 'Concurrency',
|
||||
billing: 'Billing',
|
||||
scheduling: 'Scheduling',
|
||||
network: 'Network',
|
||||
upstream: 'Upstream',
|
||||
response: 'Response',
|
||||
internal: 'Internal'
|
||||
},
|
||||
severity: {
|
||||
p0: 'P0',
|
||||
p1: 'P1',
|
||||
p2: 'P2',
|
||||
p3: 'P3'
|
||||
},
|
||||
table: {
|
||||
time: 'Time',
|
||||
severity: 'Severity',
|
||||
phase: 'Phase',
|
||||
statusCode: 'Status',
|
||||
platform: 'Platform',
|
||||
model: 'Model',
|
||||
latency: 'Latency',
|
||||
requestId: 'Request ID',
|
||||
message: 'Message'
|
||||
},
|
||||
details: {
|
||||
title: 'Error Details',
|
||||
requestId: 'Request ID',
|
||||
errorMessage: 'Error Message',
|
||||
requestPath: 'Request path',
|
||||
clientIp: 'Client IP',
|
||||
userId: 'User ID',
|
||||
apiKeyId: 'API Key ID',
|
||||
groupId: 'Group ID',
|
||||
stream: 'Stream'
|
||||
},
|
||||
empty: {
|
||||
title: 'No ops data yet',
|
||||
subtitle: 'Enable error logging and metrics to populate this view'
|
||||
},
|
||||
failedToLoad: 'Failed to load ops data'
|
||||
},
|
||||
|
||||
// Users
|
||||
users: {
|
||||
|
||||
Reference in New Issue
Block a user