Envoy Gateway中CRD Helm Chart的使用指南
在Kubernetes环境中部署Envoy Gateway时,Gateway API CRDs(Custom Resource Definitions)的安装和管理是一个关键环节。本文将详细介绍如何使用gateway-crds-helm Chart来灵活管理这些CRDs,特别是在不同部署场景下的最佳实践。
为什么需要专门的CRD Helm Chart
Envoy Gateway依赖于Gateway API规范定义的CRDs来实现其功能。在实际生产环境中,这些CRDs可能已经由平台提供商预安装,或者需要与Envoy Gateway一起部署。gateway-crds-helm Chart提供了灵活的安装选项,允许用户根据实际需求选择是否安装Gateway API CRDs。
仅安装Envoy Gateway CRDs的场景
在某些Kubernetes发行版或托管服务中,如GKE、AKS或EKS,Gateway API CRDs可能已经作为平台的一部分预安装。在这种情况下,用户只需要安装Envoy Gateway特有的CRDs即可。
通过设置gatewayAPI.enabled=false参数,可以跳过Gateway API CRDs的安装:
# values.yaml
gatewayAPI:
enabled: false
这种配置方式避免了CRDs的重复安装,减少了潜在的版本冲突风险,同时简化了部署流程。
升级Envoy Gateway时的CRD管理
当升级Envoy Gateway版本时,可能需要同步升级相关的CRDs。gateway-crds-helm Chart提供了两种升级策略:
-
自动升级:默认情况下,Chart会尝试升级所有相关的CRDs。这适用于开发环境或对新版本兼容性有信心的场景。
-
手动升级:对于生产环境,建议先单独升级CRDs,验证兼容性后再升级Envoy Gateway。可以通过以下步骤实现:
# 首先升级CRDs
helm upgrade envoy-gateway-crds gateway-crds-helm -n envoy-gateway-system
# 验证CRDs升级成功后再升级Envoy Gateway
helm upgrade envoy-gateway envoy-gateway -n envoy-gateway-system
版本兼容性考量
在使用gateway-crds-helm Chart时,需要注意以下版本兼容性问题:
- Gateway API版本与Envoy Gateway版本的匹配关系
- Kubernetes集群版本对特定Gateway API版本的支持程度
- 现有自定义资源与新版CRDs的兼容性
建议在升级前查阅官方文档中的版本兼容性矩阵,并在非生产环境中进行充分的测试验证。
最佳实践建议
- 在预生产环境中测试CRDs升级,验证所有现有的Gateway资源配置是否继续有效
- 对于关键生产环境,考虑采用蓝绿部署策略来降低CRDs升级风险
- 维护详细的版本变更日志,记录每次CRDs升级的变更内容和影响范围
- 利用Helm的dry-run功能预先检查升级操作
通过合理使用gateway-crds-helm Chart,运维团队可以更加安全、灵活地管理Envoy Gateway的CRDs,确保网关服务的稳定运行。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C091
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00