Crossplane项目中Usage资源残留问题的技术分析与解决方案
背景概述
在Crossplane的日常使用中,当用户更新包含Usage资源的Composition定义时,可能会遇到一个棘手的问题:旧版本的Usage资源会持续存在于集群中,即使新版本的Composition已经移除了这些Usage定义。这种现象不仅会导致资源浪费,还可能干扰后续的资源删除操作。
问题本质
这个问题的根源在于Crossplane对Usage资源的特殊处理机制。Usage资源的主要功能是建立资源间的使用关系,并确保被使用的资源不会被意外删除。为了实现这一目标,Crossplane为Usage资源添加了finalizer,以防止它们被过早删除。
当Composition更新导致某些Usage被移除时,系统会尝试删除这些Usage资源。但由于finalizer的存在,这些资源会进入终止状态但不会被完全清除。这种设计原本是为了防止在使用资源尚未删除时就移除Usage关系,但在Composition更新的场景下却产生了副作用。
技术细节分析
在当前的实现中,Usage控制器无法区分以下两种情况:
- Composition更新导致的Usage删除
- 整个复合资源被删除导致的Usage删除
这两种情况都会触发Usage资源的删除请求(设置deletionTimestamp),但系统需要不同的处理逻辑。理想情况下,第一种情况应该允许Usage被立即删除,而第二种情况则需要等待使用资源被删除后才能移除Usage。
潜在解决方案探讨
开发团队提出了几种可能的解决方案:
-
基于控制器引用判断: 通过检查Usage是否有关联的复合资源控制器引用来判断其来源。但测试发现当复合资源被删除时,Kubernetes的垃圾回收机制会移除控制器引用,导致无法可靠判断。
-
基于标签判断: 利用Crossplane特有的"crossplane.io/composite"标签来识别Usage的来源:
- 独立Usage:无标签→不等待使用资源删除
- 复合Usage:有标签→等待使用资源删除
- 从Composition中移除的Usage:移除标签→不等待使用资源删除 这种方案需要修改Composition控制器,使其在删除复合资源前先移除标签。
当前应对措施
在官方解决方案发布前,用户可以采取以下临时措施:
- 手动移除残留Usage上的finalizer
- 确保先删除所有使用资源,再删除复合资源
未来展望
这个问题已被标记为将在Crossplane v1.19版本周期内解决。开发团队将继续探索最优雅的解决方案,既保持Usage的核心功能,又能正确处理Composition更新场景。建议用户关注后续版本更新,以获取官方修复方案。
对于正在使用Usage功能的用户,建议在更新Composition后检查集群中的Usage资源状态,必要时进行手动清理,以避免潜在的操作问题。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00