Kuma项目2.10.0版本发布:全面增强服务网格能力
Kuma是一个现代化的服务网格控制平面,旨在简化微服务架构中的网络通信管理。它提供了流量管理、安全策略、可观测性等核心功能,支持Kubernetes和虚拟机等多种部署环境。本次2.10.0版本的发布,标志着Kuma在策略配置、API完善和核心功能方面取得了显著进展。
策略配置的重大革新
2.10.0版本对策略配置系统进行了全面升级,引入了全新的"rules"API和"Dataplane"目标引用类型。这些改进解决了传统"from"语法在精细控制方面的局限性,使管理员能够基于端口、代理、服务和HTTP路由等维度更精确地应用策略。
新引入的"Dataplane"目标引用类型允许直接使用数据平面标签而非传统的入站标签来选择策略应用对象。这一改变不仅简化了配置逻辑,还通过sectionName参数支持对单个端口的精确控制。对于需要向后兼容的场景,系统仍然支持原有的"from"语法,但官方已将其标记为弃用状态。
API与OpenAPI规范的完善
本次版本对API系统进行了多项重要改进。新增的inspect-api接口提供了检索服务主机名的能力,并支持基于标签的过滤查询。在响应处理方面,API现在对成功的PUT操作返回200/201状态码及空JSON,删除操作则返回空JSON响应,使接口行为更加符合RESTful规范。
OpenAPI规范得到了显著增强,新增了多个资源定义,修正了映射关系和默认值,完善了404响应文档,并正确标记了只读字段。这些改进使得API文档更加完整和准确,为开发者提供了更好的开发体验。
核心功能与性能优化
在核心功能层面,2.10.0版本带来了多项重要改进:
- 服务网格健康检查中弃用了healthyPanicThreshold属性,转而采用更精确的算法
- 新增对MySQL协议的透传支持,扩展了协议兼容性
- 改进了DNS统计数据的收集,增强了基础监控能力
- 为GRPC协议添加了故障注入支持,完善了测试验证手段
- 优化了跨区域同步机制,提高了大规模部署下的可靠性
性能方面,通过引入压缩机制减小了KDS请求和响应的大小,优化了资源同步效率。同时修复了多个可能导致并发问题的场景,提升了系统稳定性。
部署与运维改进
针对部署和运维场景,新版本提供了多项实用功能:
- Helm Chart新增了ServiceMonitor支持,便于Prometheus抓取控制平面指标
- 增加了priorityClassName配置项,支持自定义Pod调度优先级
- 暴露了CNI亲和性设置,提供了更灵活的部署选项
- 改进了透明代理的注入逻辑,增强了对自定义ConfigMap的处理
- 优化了安装脚本,简化了可观测性组件的部署流程
兼容性与升级建议
2.10.0版本在保持向后兼容的同时,也引入了一些弃用通知:
- MeshSubset类型在顶级targetRef中的使用已被标记为弃用
- 原有"from"语法在支持"rules"的策略中被标记为弃用
- 资源名称不符合RFC-1035规范的将收到弃用警告
对于计划升级的用户,建议充分测试新版本中的规则API和数据平面引用功能,逐步迁移现有的策略配置。同时注意检查是否有使用即将弃用的功能,提前做好迁移准备。
总体而言,Kuma 2.10.0版本通过创新的策略配置方式、完善的API规范和多项核心功能改进,进一步巩固了其作为现代化服务网格解决方案的地位,为构建可靠、安全的微服务架构提供了更强大的支持。
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