* 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
273 lines
9.5 KiB
PL/PgSQL
273 lines
9.5 KiB
PL/PgSQL
-- 运维监控中心 2.0 - 数据库 Schema 增强
|
|
-- 创建时间: 2026-01-02
|
|
-- 说明: 扩展监控指标,支持多维度分析和告警管理
|
|
|
|
-- ============================================
|
|
-- 1. 扩展 ops_system_metrics 表
|
|
-- ============================================
|
|
|
|
-- 添加 RED 指标列
|
|
ALTER TABLE ops_system_metrics
|
|
ADD COLUMN IF NOT EXISTS qps DECIMAL(10,2) DEFAULT 0,
|
|
ADD COLUMN IF NOT EXISTS tps DECIMAL(10,2) DEFAULT 0,
|
|
|
|
-- 错误分类
|
|
ADD COLUMN IF NOT EXISTS error_4xx_count BIGINT DEFAULT 0,
|
|
ADD COLUMN IF NOT EXISTS error_5xx_count BIGINT DEFAULT 0,
|
|
ADD COLUMN IF NOT EXISTS error_timeout_count BIGINT DEFAULT 0,
|
|
|
|
-- 延迟指标扩展
|
|
ADD COLUMN IF NOT EXISTS latency_p50 DECIMAL(10,2),
|
|
ADD COLUMN IF NOT EXISTS latency_p999 DECIMAL(10,2),
|
|
ADD COLUMN IF NOT EXISTS latency_avg DECIMAL(10,2),
|
|
ADD COLUMN IF NOT EXISTS latency_max DECIMAL(10,2),
|
|
|
|
-- 上游延迟
|
|
ADD COLUMN IF NOT EXISTS upstream_latency_avg DECIMAL(10,2),
|
|
|
|
-- 资源指标
|
|
ADD COLUMN IF NOT EXISTS disk_used BIGINT,
|
|
ADD COLUMN IF NOT EXISTS disk_total BIGINT,
|
|
ADD COLUMN IF NOT EXISTS disk_iops BIGINT,
|
|
ADD COLUMN IF NOT EXISTS network_in_bytes BIGINT,
|
|
ADD COLUMN IF NOT EXISTS network_out_bytes BIGINT,
|
|
|
|
-- 饱和度指标
|
|
ADD COLUMN IF NOT EXISTS goroutine_count INT,
|
|
ADD COLUMN IF NOT EXISTS db_conn_active INT,
|
|
ADD COLUMN IF NOT EXISTS db_conn_idle INT,
|
|
ADD COLUMN IF NOT EXISTS db_conn_waiting INT,
|
|
|
|
-- 业务指标
|
|
ADD COLUMN IF NOT EXISTS token_consumed BIGINT DEFAULT 0,
|
|
ADD COLUMN IF NOT EXISTS token_rate DECIMAL(10,2) DEFAULT 0,
|
|
ADD COLUMN IF NOT EXISTS active_subscriptions INT DEFAULT 0,
|
|
|
|
-- 维度标签 (支持多维度分析)
|
|
ADD COLUMN IF NOT EXISTS tags JSONB;
|
|
|
|
-- 添加 JSONB 索引以加速标签查询
|
|
CREATE INDEX IF NOT EXISTS idx_ops_metrics_tags ON ops_system_metrics USING GIN(tags);
|
|
|
|
-- 添加注释
|
|
COMMENT ON COLUMN ops_system_metrics.qps IS '每秒查询数 (Queries Per Second)';
|
|
COMMENT ON COLUMN ops_system_metrics.tps IS '每秒事务数 (Transactions Per Second)';
|
|
COMMENT ON COLUMN ops_system_metrics.error_4xx_count IS '客户端错误数量 (4xx)';
|
|
COMMENT ON COLUMN ops_system_metrics.error_5xx_count IS '服务端错误数量 (5xx)';
|
|
COMMENT ON COLUMN ops_system_metrics.error_timeout_count IS '超时错误数量';
|
|
COMMENT ON COLUMN ops_system_metrics.upstream_latency_avg IS '上游 API 平均延迟 (ms)';
|
|
COMMENT ON COLUMN ops_system_metrics.goroutine_count IS 'Goroutine 数量 (检测泄露)';
|
|
COMMENT ON COLUMN ops_system_metrics.tags IS '维度标签 (JSON), 如: {"account_id": "123", "api_path": "/v1/chat"}';
|
|
|
|
-- ============================================
|
|
-- 2. 创建维度统计表
|
|
-- ============================================
|
|
|
|
CREATE TABLE IF NOT EXISTS ops_dimension_stats (
|
|
id BIGSERIAL PRIMARY KEY,
|
|
timestamp TIMESTAMPTZ NOT NULL,
|
|
|
|
-- 维度类型: account, api_path, provider, region
|
|
dimension_type VARCHAR(50) NOT NULL,
|
|
dimension_value VARCHAR(255) NOT NULL,
|
|
|
|
-- 统计指标
|
|
request_count BIGINT DEFAULT 0,
|
|
success_count BIGINT DEFAULT 0,
|
|
error_count BIGINT DEFAULT 0,
|
|
success_rate DECIMAL(5,2),
|
|
error_rate DECIMAL(5,2),
|
|
|
|
-- 性能指标
|
|
latency_p50 DECIMAL(10,2),
|
|
latency_p95 DECIMAL(10,2),
|
|
latency_p99 DECIMAL(10,2),
|
|
|
|
-- 业务指标
|
|
token_consumed BIGINT DEFAULT 0,
|
|
cost_usd DECIMAL(10,4) DEFAULT 0,
|
|
|
|
created_at TIMESTAMPTZ DEFAULT NOW()
|
|
);
|
|
|
|
-- 创建复合索引以加速维度查询
|
|
CREATE INDEX IF NOT EXISTS idx_ops_dim_type_value_time
|
|
ON ops_dimension_stats(dimension_type, dimension_value, timestamp DESC);
|
|
|
|
-- 创建单独的时间索引用于范围查询
|
|
CREATE INDEX IF NOT EXISTS idx_ops_dim_timestamp
|
|
ON ops_dimension_stats(timestamp DESC);
|
|
|
|
-- 添加注释
|
|
COMMENT ON TABLE ops_dimension_stats IS '多维度统计表,支持按账户/API/Provider等维度下钻分析';
|
|
COMMENT ON COLUMN ops_dimension_stats.dimension_type IS '维度类型: account(账户), api_path(接口), provider(上游), region(地域)';
|
|
COMMENT ON COLUMN ops_dimension_stats.dimension_value IS '维度值,如: 账户ID, /v1/chat, openai, us-east-1';
|
|
|
|
-- ============================================
|
|
-- 3. 创建告警规则表
|
|
-- ============================================
|
|
|
|
ALTER TABLE ops_alert_rules
|
|
ADD COLUMN IF NOT EXISTS dimension_filters JSONB,
|
|
ADD COLUMN IF NOT EXISTS notify_channels JSONB,
|
|
ADD COLUMN IF NOT EXISTS notify_config JSONB,
|
|
ADD COLUMN IF NOT EXISTS created_by VARCHAR(100),
|
|
ADD COLUMN IF NOT EXISTS last_triggered_at TIMESTAMPTZ;
|
|
|
|
-- ============================================
|
|
-- 4. 告警历史表 (使用现有的 ops_alert_events)
|
|
-- ============================================
|
|
-- 注意: 后端代码使用 ops_alert_events 表,不创建新表
|
|
|
|
-- ============================================
|
|
-- 5. 创建数据清理配置表
|
|
-- ============================================
|
|
|
|
CREATE TABLE IF NOT EXISTS ops_data_retention_config (
|
|
id SERIAL PRIMARY KEY,
|
|
table_name VARCHAR(100) NOT NULL UNIQUE,
|
|
retention_days INT NOT NULL, -- 保留天数
|
|
enabled BOOLEAN DEFAULT true,
|
|
last_cleanup_at TIMESTAMPTZ,
|
|
created_at TIMESTAMPTZ DEFAULT NOW(),
|
|
updated_at TIMESTAMPTZ DEFAULT NOW()
|
|
);
|
|
|
|
-- 插入默认配置
|
|
INSERT INTO ops_data_retention_config (table_name, retention_days) VALUES
|
|
('ops_system_metrics', 30), -- 系统指标保留 30 天
|
|
('ops_dimension_stats', 30), -- 维度统计保留 30 天
|
|
('ops_error_logs', 30), -- 错误日志保留 30 天
|
|
('ops_alert_events', 90), -- 告警事件保留 90 天
|
|
('usage_logs', 90) -- 使用日志保留 90 天
|
|
ON CONFLICT (table_name) DO NOTHING;
|
|
|
|
COMMENT ON TABLE ops_data_retention_config IS '数据保留策略配置表';
|
|
COMMENT ON COLUMN ops_data_retention_config.retention_days IS '数据保留天数,超过此天数的数据将被自动清理';
|
|
|
|
-- ============================================
|
|
-- 6. 创建辅助函数
|
|
-- ============================================
|
|
|
|
-- 函数: 计算健康度评分
|
|
-- 权重: SLA(40%) + 错误率(30%) + 延迟(20%) + 资源(10%)
|
|
CREATE OR REPLACE FUNCTION calculate_health_score(
|
|
p_success_rate DECIMAL,
|
|
p_error_rate DECIMAL,
|
|
p_latency_p99 DECIMAL,
|
|
p_cpu_usage DECIMAL
|
|
) RETURNS INT AS $$
|
|
DECLARE
|
|
sla_score INT;
|
|
error_score INT;
|
|
latency_score INT;
|
|
resource_score INT;
|
|
BEGIN
|
|
-- SLA 评分 (40分)
|
|
sla_score := CASE
|
|
WHEN p_success_rate >= 99.9 THEN 40
|
|
WHEN p_success_rate >= 99.5 THEN 35
|
|
WHEN p_success_rate >= 99.0 THEN 30
|
|
WHEN p_success_rate >= 95.0 THEN 20
|
|
ELSE 10
|
|
END;
|
|
|
|
-- 错误率评分 (30分)
|
|
error_score := CASE
|
|
WHEN p_error_rate <= 0.1 THEN 30
|
|
WHEN p_error_rate <= 0.5 THEN 25
|
|
WHEN p_error_rate <= 1.0 THEN 20
|
|
WHEN p_error_rate <= 5.0 THEN 10
|
|
ELSE 5
|
|
END;
|
|
|
|
-- 延迟评分 (20分)
|
|
latency_score := CASE
|
|
WHEN p_latency_p99 <= 500 THEN 20
|
|
WHEN p_latency_p99 <= 1000 THEN 15
|
|
WHEN p_latency_p99 <= 3000 THEN 10
|
|
WHEN p_latency_p99 <= 5000 THEN 5
|
|
ELSE 0
|
|
END;
|
|
|
|
-- 资源评分 (10分)
|
|
resource_score := CASE
|
|
WHEN p_cpu_usage <= 50 THEN 10
|
|
WHEN p_cpu_usage <= 70 THEN 7
|
|
WHEN p_cpu_usage <= 85 THEN 5
|
|
ELSE 2
|
|
END;
|
|
|
|
RETURN sla_score + error_score + latency_score + resource_score;
|
|
END;
|
|
$$ LANGUAGE plpgsql IMMUTABLE;
|
|
|
|
COMMENT ON FUNCTION calculate_health_score IS '计算系统健康度评分 (0-100),权重: SLA 40% + 错误率 30% + 延迟 20% + 资源 10%';
|
|
|
|
-- ============================================
|
|
-- 7. 创建视图: 最新指标快照
|
|
-- ============================================
|
|
|
|
CREATE OR REPLACE VIEW ops_latest_metrics AS
|
|
SELECT
|
|
m.*,
|
|
calculate_health_score(
|
|
m.success_rate::DECIMAL,
|
|
m.error_rate::DECIMAL,
|
|
m.p99_latency_ms::DECIMAL,
|
|
m.cpu_usage_percent::DECIMAL
|
|
) AS health_score
|
|
FROM ops_system_metrics m
|
|
WHERE m.window_minutes = 1
|
|
AND m.created_at = (SELECT MAX(created_at) FROM ops_system_metrics WHERE window_minutes = 1)
|
|
LIMIT 1;
|
|
|
|
COMMENT ON VIEW ops_latest_metrics IS '最新的系统指标快照,包含健康度评分';
|
|
|
|
-- ============================================
|
|
-- 8. 创建视图: 活跃告警列表
|
|
-- ============================================
|
|
|
|
CREATE OR REPLACE VIEW ops_active_alerts AS
|
|
SELECT
|
|
e.id,
|
|
e.rule_id,
|
|
r.name AS rule_name,
|
|
r.metric_type,
|
|
e.fired_at,
|
|
e.metric_value,
|
|
e.threshold_value,
|
|
r.severity,
|
|
EXTRACT(EPOCH FROM (NOW() - e.fired_at))::INT AS duration_seconds
|
|
FROM ops_alert_events e
|
|
JOIN ops_alert_rules r ON e.rule_id = r.id
|
|
WHERE e.status = 'firing'
|
|
ORDER BY e.fired_at DESC;
|
|
|
|
COMMENT ON VIEW ops_active_alerts IS '当前活跃的告警列表';
|
|
|
|
-- ============================================
|
|
-- 9. 权限设置 (可选)
|
|
-- ============================================
|
|
|
|
-- 如果有专门的 ops 用户,可以授权
|
|
-- GRANT SELECT, INSERT, UPDATE ON ops_system_metrics TO ops_user;
|
|
-- GRANT SELECT, INSERT ON ops_dimension_stats TO ops_user;
|
|
-- GRANT ALL ON ops_alert_rules TO ops_user;
|
|
-- GRANT ALL ON ops_alert_events TO ops_user;
|
|
|
|
-- ============================================
|
|
-- 10. 数据完整性检查
|
|
-- ============================================
|
|
|
|
-- 确保现有数据的兼容性
|
|
UPDATE ops_system_metrics
|
|
SET
|
|
qps = COALESCE(request_count / (window_minutes * 60.0), 0),
|
|
error_rate = COALESCE((error_count::DECIMAL / NULLIF(request_count, 0)) * 100, 0)
|
|
WHERE qps = 0 AND request_count > 0;
|
|
|
|
-- ============================================
|
|
-- 完成
|
|
-- ============================================
|