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。
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