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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00