Solo.io Gloo 静态上游(Static Upstream)配置指南
2025-06-12 02:26:16作者:翟江哲Frasier
什么是静态上游
在 Solo.io Gloo 项目中,静态上游(Static Upstream)是一种明确且静态定义的上游服务目标。它允许管理员手动配置路由规则,将流量导向特定的后端服务端点。与动态发现的上游不同,静态上游需要管理员显式定义所有目标主机的地址和端口。
静态上游的应用场景
静态上游特别适用于以下场景:
- 路由到外部服务(如第三方API)
- 指向特定IP地址或域名的服务
- 测试环境中的固定后端服务
- 不需要自动发现的服务端点
配置静态上游的注意事项
当创建指向Kubernetes服务地址的静态上游资源时,Gloo Gateway会依赖kube-proxy进行负载均衡,这可能会影响性能。为避免性能问题,可以考虑:
- 使用动态上游(Dynamic Upstreams)
- 手动创建使用标签选择器(Label Selectors)的上游资源
实战:配置JSON测试API的上游
下面我们通过一个具体示例,展示如何配置Gloo Gateway将请求路由到JSON测试API(http://jsonplaceholder.typicode.com/)。
第一步:创建静态上游
我们可以通过两种方式创建名为json-upstream的静态上游:
方式一:使用YAML文件
apiVersion: gloo.solo.io/v1
kind: Upstream
metadata:
name: json-upstream
namespace: gloo-system
spec:
static:
hosts:
- addr: jsonplaceholder.typicode.com
port: 80
方式二:使用命令行工具
glooctl create upstream static --static-hosts jsonplaceholder.typicode.com:80 --name json-upstream
第二步:创建虚拟服务
接下来,我们需要创建一个虚拟服务(Virtual Service),将所有发往foo域的请求路由到我们刚创建的上游。
apiVersion: gateway.solo.io/v1
kind: VirtualService
metadata:
name: test-static
namespace: gloo-system
spec:
virtualHost:
domains:
- foo
routes:
- matchers:
- prefix: /
routeAction:
single:
upstream:
name: json-upstream
namespace: gloo-system
第三步:测试路由配置
配置完成后,我们可以使用curl命令测试路由是否生效:
curl -H "Host: foo" $(glooctl proxy url)/posts
如果配置正确,将会返回JSON测试API的响应数据,包含一系列模拟的博客文章内容。
性能优化建议
对于生产环境,特别是当上游是Kubernetes服务时,建议:
- 考虑使用动态上游而非静态上游
- 如果必须使用静态上游,确保配置了正确的端口和协议
- 对于大规模部署,监控上游服务的性能指标
- 考虑使用连接池配置优化性能
清理测试资源
完成测试后,记得删除创建的测试资源:
方式一:使用kubectl
kubectl delete vs -n gloo-system test-static
kubectl delete upstream -n gloo-system json-upstream
方式二:使用glooctl
glooctl delete vs test-static
glooctl delete upstream json-upstream
总结
本文详细介绍了在Solo.io Gloo中配置静态上游的完整流程。通过这个示例,我们学习了如何:
- 定义静态上游资源
- 创建虚拟服务并配置路由规则
- 测试路由配置
- 清理测试环境
静态上游是Gloo Gateway中基础但重要的功能,掌握它的配置方法对于构建稳定的服务网格架构至关重要。
登录后查看全文
热门项目推荐
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
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-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
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
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
173
193
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
647
263
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
268
93
暂无简介
Dart
622
140
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
377
3.32 K
React Native鸿蒙化仓库
JavaScript
242
315
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.1 K
621
仓颉编译器源码及 cjdb 调试工具。
C++
126
856
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1