传统的 Web 应用防火墙（WAF）长期依赖正则表达式签名库进行攻击检测，这种方案在面对新兴攻击手法时表现出明显的滞后性，同时 regex 匹配的计算开销也制约了 Web 服务的吞吐能力。Shibuya 项目提出了一种全新的技术路线：将 Rust 的内存安全特性、eBPF 的内核级过滤能力与双机器学习引擎相结合，构建一个既能理解攻击意图又能在线速（line-rate）下完成流量过滤的下一代 WAF 系统。
多层管道架构设计
Shibuya 的核心架构建立在三层管道模型之上，每一层承担不同的安全职责。最底层是 eBPF/XDP 过滤器，运行在 Linux 内核空间，可在数据包到达用户态之前完成初步筛选；中间层是基于 Pingora 的高性能代理，负责协议解析、流量整形和请求转发；最上层则是双 ML 引擎和 WASM 扩展运行时，处理细粒度的攻击识别与自定义安全逻辑。
这种分层设计体现了纵深防御的思想：当大规模 DDoS 或流量清洗场景出现时，恶意数据包在内核层被直接丢弃，用户态资源得以完全保留给正常的业务请求。官方数据显示，XDP 阶段的过滤延迟可控制在微秒级别，这对于需要处理数万 QPS 的生产环境至关重要。
eBPF/XDP 内核过滤的实现要点
在 eBPF 层面，Shibuya 利用 XDP（Express Data Path）钩子在网络驱动层直接对数据包执行检查和丢弃操作。相比传统的 iptables 或 nftables，XDP 的优势在于数据包无需经过完整的网络栈处理流程，编程模型允许安全开发者使用 Rust 编写类型安全的 eBPF 程序，并通过 Aya 等库实现与用户态控制平面的通信。
工程落地时需要关注几个关键参数：XDP 程序的验证器内存限制通常为 512KB，单个程序的控制流深度不宜超过规定阈值，否则会导致加载失败；在生产环境中建议为 XDP 分配独立的 CPU 亲和核，避免与用户态 ML 推理产生资源争抢。对于需要动态更新过滤规则的生产部署，Shibuya 提供了热更新机制，允许在不中断连接的情况下刷新 eBPF 程序。
双 ML 引擎的协同工作机制
Shibuya 的检测能力核心在于其双引擎设计：第一个引擎基于 ONNX 运行时执行异常检测，负责判断某个请求是否偏离正常模式；第二个引擎使用 Random Forest 分类器，在确认异常的基础上进一步标注具体的攻击类型，如 SQL 注入（SQLi）、跨站脚本（XSS）和远程代码执行（RCE）。
这种两级串联的设计平衡了检测广度与精度：ONNX 引擎计算开销相对较低，可对全部流量进行初筛；Random Forest 模型虽然推理成本更高，但仅需对异常流量执行二次分类，整体延迟预算得以控制在可接受范围内。从工程角度，ONNX 模型通常建议使用轻量级架构如 TinyML 系列，推理延迟应控制在 5ms 以内；Random Forest 的决策树深度不宜超过 15 层，以兼顾准确率与实时性。
性能调优的工程参数建议
基于 Shibuya 的架构特点，生产环境部署时可参考以下调优方向：代理层 worker 数量建议设置为 CPU 核心数的 2 倍以充分利用多核能力；ML 推理可考虑 GPU 加速（若使用 CUDA 版本的 ONNX 运行时），或采用模型量化技术将推理延迟压缩至毫秒级以下；针对突发流量场景，建议将限流阈值设为正常 QPS 的 1.5 倍并启用自适应调整策略。
断线续传与超时配置同样影响整体可用性。eBPF 层面可通过 ring buffer 与用户态保持高效通信，建议将 buffer 大小设置为 4096 以上以避免丢事件；ML 推理阶段若发生模型加载失败，系统应自动回退到规则引擎模式，此时需确保 regex 规则集已预先编译为确定性有限自动机（DFA）形式以维持基本防护能力。
可观测性与扩展性设计
Shibuya 在可观测性方面提供了 SvelteKit 构建的实时监控仪表板，集成 ECharts 可视化请求延迟、阻断率和 ML 置信度分布等核心指标。"Panic Mode" 功能允许运维人员在检测到大规模攻击时一键切换到严格过滤策略，此时所有非白名单流量将被阻断。WASM 扩展机制则为定制化安全策略提供了灵活性，开发者可以编写 Rust 或其他编译为 WASM 的语言实现自定义检测逻辑并热加载生效。
需要注意的是，eBPF 功能依赖 Linux 4.18 及以上内核版本，生产部署前应确认目标机器的内核兼容性。此外，ML 模型存在漂移风险，建议建立定期评估和再训练流程，结合 A/B 测试验证新模型的检测效果后再全量上线。
Shibuya 项目在 GitHub 上提供了完整的开源实现及 Ashigaru Lab 测试环境，包含 6 个存在已知漏洞的服务和可模拟 100 余种攻击载荷的 Red Team Bot，为安全团队提供了完整的验证与调优平台。