Otomi项目:从Hashicorp Vault迁移到SealedSecrets的技术方案
在Kubernetes生态系统中,Secrets管理一直是安全实践的重要组成部分。许多团队最初选择使用Hashicorp Vault作为集中式的Secrets管理解决方案,但随着云原生技术的发展,SealedSecrets因其更简单的操作模型和与Kubernetes的深度集成而受到青睐。
迁移背景
SealedSecrets是Bitnami开发的一个开源项目,它允许用户将加密后的Secret存储在版本控制系统中,只有集群内的控制器才能解密。这与Hashicorp Vault的集中式管理模型形成对比,后者需要额外的运维复杂性和网络访问。
迁移的主要动机是为用户提供更简单的Secrets管理体验,同时确保现有工作负载不受影响。这种迁移特别适合那些希望减少外部依赖、简化架构的团队。
技术挑战
在迁移过程中,我们面临几个关键技术挑战:
- Secret类型差异:传统Secret类型为
Opaque,而SealedSecrets创建的是kubernetes.io/opaque类型 - 所有权转移:需要将Secret的所有权从ExternalSecret控制器转移到SealedSecret控制器
- 零停机迁移:必须确保迁移过程中应用不会因Secret不可用而中断
迁移方案详解
迁移流程
-
数据提取阶段:
- 遍历每个团队命名空间中的所有Secret
- 读取现有Secret的内容和元数据
- 对Secret数据进行加密,生成SealedSecret资源定义
-
资源替换阶段:
- 删除原有的ExternalSecret资源
- 删除对应的Kubernetes Secret资源
- 应用新创建的SealedSecret资源
-
验证阶段:
- 确认SealedSecret控制器成功重建了Secret
- 验证应用能够正常访问新创建的Secret
- 清理values仓库中的ExternalSecret定义
关键技术点
所有权转移是通过修改Secret的ownerReferences字段实现的。迁移后,Secret将由SealedSecret控制器管理,而不是原来的ExternalSecret控制器。
对于不可变Secret,由于无法直接修改,我们采用先删除后重建的策略。这种策略虽然简单,但需要确保应用能够容忍短暂的Secret不可用。
实施建议
- 分批次迁移:建议按团队或按应用逐步迁移,而不是一次性迁移所有Secret
- 监控验证:迁移后密切监控应用行为,确保没有因Secret变化导致的问题
- 回滚计划:准备好回滚方案,在出现问题时能够快速恢复
- 文档更新:更新团队文档,反映新的Secrets管理流程
总结
从Hashicorp Vault迁移到SealedSecrets可以简化Kubernetes环境中的Secrets管理,减少外部依赖。虽然迁移过程需要考虑Secret类型和所有权等技术细节,但通过合理的规划和执行,可以实现平滑过渡。这种迁移特别适合那些希望采用更云原生方式管理敏感数据的团队。
未来,随着Kubernetes原生Secrets管理能力的增强,我们可能会看到更多团队采用类似SealedSecrets的解决方案,在保持安全性的同时简化运维复杂度。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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