Nginx 不做 AI 推理，而是采集特征、转发样本、执行策略；AI 由独立服务完成，通过 auth_request 等内置模块实现轻量实时拦截，融合多维时序行为与无监督模型识别未知异常。
直接在 Nginx 层实时预测并拦截「未知特征」的异常请求，目前没有开箱即用的原生方案。Nginx 本身不支持加载 Python 模型或运行复杂推理，但可通过“边缘轻量识别 + 后端智能决策”协同架构实现接近实时的防御效果。关键不在让 Nginx 做 AI，而在于让它高效执行 AI 输出的策略。
核心思路：分层协同，各司其职
Nginx 不做模型推理，只做三件事：采集高价值请求特征、转发样本给推理服务、依据返回结果快速拦截或放行。真正的模型训练和在线预测由独立服务承担（如 FastAPI + Scikit-learn / ONNX Runtime），确保低延迟与可维护性。
- 特征提取聚焦 Nginx 原生可获取字段：$remote_addr、$request_time、$upstream_response_time、$http_user_agent、$request_method、$uri、$args、$http_referer、$http_accept_language
- 模型输入需结构化：例如将 UA 哈希为数值、URI 路径长度/层级/参数个数统计、请求时间滑动窗口均值与方差
- 推理服务返回应极简：仅需一个布尔值（is_anomaly）或置信度分数（score），Nginx 根据阈值（如 score > 0.85）执行 return 403 或 limit_req
轻量级实时拦截落地方式
无需重写模块，利用 Nginx 内置功能即可构建闭环：
- 用 auth_request 模块调用推理 API：在 location 块中配置 auth_request /_ai_check;，后端服务接收请求头与参数，返回 200 表示可信，403 表示拦截。注意设置超时（auth_request_timeout 1s）避免拖慢正常流量
- 用 map 指令预判高风险组合：例如将高频 404 + 非标准 UA + POST 方法映射为 risk_level=high，再配合 limit_req zone=risk burst=1 nodelay 实现秒级限流
- 日志驱动的动态封禁：用 log_by_lua（需启用 lua-nginx-module）将可疑请求异步上报至 Redis；后台脚本持续分析，生成 IP 黑名单，通过 geo 指令或 shared memory 动态更新 Nginx 的 deny 规则
应对“未知特征”的关键设计
传统规则无法覆盖新攻击变种，必须引入无监督或半监督能力：
- 在推理服务中部署 Isolation Forest 或 AutoEncoder：对 $request_time、$upstream_response_time、$body_bytes_sent 等连续指标建模，自动发现偏离正常分布的离群点
- 用 URL 路径的字符级 LSTM 或 Sentence-BERT 编码 URI 模式，识别非常规路径（如 /api/v1/user?token=xxx&id=../etc/passwd）
- 将 Nginx 日志接入 Prometheus + Grafana，用 KubeSphere 或 Elastic ML 的异常检测器学习历史基线，当某类请求错误率突增 5 倍时，自动触发临时限流规则注入 Nginx 配置
必须规避的典型误区
很多团队尝试在 Nginx 中硬塞 AI，结果适得其反：
- 不要编译自定义模块加载 PyTorch：会极大增加运维复杂度，且每次模型更新都要 reload Nginx，影响可用性
- 不要依赖单一 UA 或 IP 判定：伪装爬虫和代理 IP 已成标配，必须融合多维时序行为特征（如请求间隔熵值、Referer 跳转链长度）
- 不要忽略误判成本：对登录、支付等关键路径，宁可放行可疑请求交由后端二次校验，也不应在 Nginx 层直接 403，避免用户被误伤
