在kube-hetzner项目中配置Cilium Gateway API与Hetzner负载均衡器的集成
背景介绍
kube-hetzner是一个使用Terraform在Hetzner Cloud上部署Kubernetes集群的开源项目。当用户希望使用Cilium的Gateway API功能替代Kubernetes原生的Ingress控制器时,会遇到Hetzner Cloud负载均衡器无法自动创建和配置的问题。
问题本质
Cilium Gateway API与传统Ingress控制器的工作机制有根本区别。传统Ingress控制器通常会与云提供商的API交互来自动创建负载均衡器资源,而Cilium Gateway API不依赖这种控制器机制,因此需要额外的配置才能与Hetzner Cloud的负载均衡器服务集成。
关键发现
经过深入排查,发现问题根源在于缺少必要的Custom Resource Definitions(CRDs)。这些CRDs是Cilium Gateway API正常运行的前提条件,必须在安装Cilium之前就部署到集群中。
解决方案
1. 安装必要的Gateway API CRDs
在部署Cilium之前,需要先安装以下CRD资源:
apiVersion: apiextensions.k8s.io/v1
kind: CustomResourceDefinition
metadata:
name: gatewayclasses.gateway.networking.k8s.io
spec:
# 具体规范内容
类似的CRD还需要为Gateways、HTTPRoutes、ReferenceGrants等资源定义。这些CRD可以从Gateway API项目的官方仓库获取。
2. 配置Cilium Helm值
以下是推荐的Cilium Helm配置,特别针对kube-hetzner环境进行了优化:
ipam:
mode: kubernetes
k8s:
requireIPv4PodCIDR: true
kubeProxyReplacement: true
l7Proxy: true
routingMode: "native"
ipv4NativeRoutingCIDR: "10.42.0.0/16"
loadBalancer:
acceleration: native
gatewayAPI:
enabled: true
3. 网络模式选择
在Hetzner Cloud环境中,建议使用"native"路由模式而非隧道模式,这样可以获得更好的网络性能。同时需要正确设置集群的Pod CIDR范围。
4. 负载均衡器集成
虽然Cilium Gateway API不会自动创建Hetzner负载均衡器,但可以通过以下方式实现集成:
- 手动创建Hetzner负载均衡器
- 将负载均衡器指向运行Cilium的节点
- 配置适当的健康检查端点
实施建议
对于kube-hetzner用户,建议通过修改项目的Terraform模板,在集群初始化阶段就添加CRD安装步骤。可以将CRD安装作为pre-install阶段的任务,确保在Cilium部署前所有必要的API资源都已就绪。
性能优化
在Hetzner Cloud环境中使用Cilium时,还可以考虑以下优化措施:
- 启用eBPF加速的数据路径
- 配置适当的MTU值(建议1450)
- 启用Hubble网络观测功能
- 使用XDP加速负载均衡性能
总结
通过正确配置CRDs和Cilium参数,可以在kube-hetzner部署的Kubernetes集群中实现Cilium Gateway API与Hetzner负载均衡器的协同工作。这种配置虽然比传统Ingress控制器需要更多手动步骤,但能提供更灵活的服务网格功能和更好的网络性能。
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