Kubernetes Gateway API 中生成资源命名空间部署规范的演进
在 Kubernetes Gateway API 的设计演进过程中，关于控制器生成资源应该部署在哪个命名空间的问题引发了社区讨论。这个问题涉及到安全性、可调试性和实现灵活性等多个维度的考量。
背景与问题起源
最初在 GEP-1762 规范中，要求控制器必须（MUST）将生成的命名空间作用域资源部署在与 Gateway 相同的命名空间中。这一设计初衷是为了便于调试和问题排查，开发者可以集中在一个命名空间内查看所有相关资源。
然而，这一强制性要求在实际实现中遇到了挑战。某些网关实现（如 Envoy Gateway）出于安全考虑，可能没有权限在用户命名空间中创建资源。这些实现更倾向于将生成的资源部署在专用的基础设施命名空间中，通过限制控制器的写入权限来增强安全性。
社区讨论与解决方案
经过社区深入讨论，达成了以下共识：
-
规范调整：将原来的"必须"（MUST）降级为"应该"（SHOULD），给予实现者更多灵活性。这既保留了在 Gateway 命名空间部署资源的推荐做法，又允许特殊场景下的变通。
-
可发现性增强：为了解决资源分散在不同命名空间导致的可发现性问题，建议为生成的资源添加特定标签（如 gateway.networking.k8s.io/gateway-namespace），明确标识其关联的 Gateway 命名空间。
-
状态信息补充：即使资源部署在不同命名空间，Gateway 的状态字段（Gateway.Status）也应包含足够的信息来帮助定位和调试这些资源。
实现考量
对于平台工程师和集群管理员来说，这一变化带来了两种可行的部署模式：
-
基础设施命名空间模式：将生成的资源集中部署在专用命名空间，限制控制器的写入权限，提高安全性。这种模式适用于对多租户隔离要求较高的环境。
-
Gateway 命名空间模式：保持资源与 Gateway 在同一命名空间，便于直接管理和调试。这种模式适合开发环境或对操作便利性要求较高的场景。
规范演进状态
目前这一变更仍处于演进过程中，相关描述尚未完全同步到 API 文档中。对应的 GatewayInfrastructure 一致性测试被标记为"Provisional"（临时性），等待规范最终确定。
这一调整体现了 Kubernetes Gateway API 设计中的务实态度，在保持核心原则的同时，为不同实现提供了必要的灵活性，平衡了安全性与可用性的需求。
相关内容推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级，通过中期大规模视觉-语言推理数据训练，显著提升了模型的表征能力和模态对齐，实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager（推理记忆数据管理器），是一款以KV Cache为中心的推理加速套件，其融合了多类型缓存加速算法工具，分级管理并持久化推理过程中产生的KV Cache记忆数据，扩大推理上下文窗口，以实现高吞吐、低时延的推理体验，降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建，总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比，它在性能上有显著提升，并引入了新的实用功能Python00- Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型，支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容，输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入，具备多页批量处理、动态分块识别和交互式区域选择等创新功能，用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源，提供Hugging Face演示和完整代码，适用于学术研究到工业应用的广泛场景，为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
- Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型，并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型，它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色，旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
最新内容推荐
项目优选
docs
pytorch
openHiTLS
ops-math
ohos_react_native
flutter_flutter
RuoYi-Vue3ascend-transformer-boost
Cangjie-Examples
openGauss-server