Terraform Provider Google 中 Network Endpoint Group 的数字 ID 支持解析
在 Google Cloud Platform 的基础设施管理中,Network Endpoint Groups (NEGs) 是负载均衡配置中的重要组件。近期 Terraform Provider Google 在 6.36.0 版本中新增了对 NEG 数字 ID 的支持,这一改进为日志监控和资源关联带来了新的便利。
背景与需求
Network Endpoint Groups 在 Google Cloud 中除了具有名称和自链接外,还包含一个独特的数字标识符。这个数字 ID 在以下场景中特别有用:
- 在健康检查日志中精确匹配特定 NEG
- 构建更精确的日志监控指标
- 实现跨系统的资源关联
在之前的版本中,Terraform 虽然可以管理 NEG 资源,但无法直接获取这个数字 ID,导致用户需要通过其他方式间接获取,增加了操作复杂度。
技术实现细节
Google Cloud 的 NEG 资源数字 ID 是一个长整型数值,通过 API 可以获取。在 Terraform Provider 的实现中,这个属性被命名为 generated_id,与其他 Google Cloud 资源(如 Backend Service)保持一致。
该属性的添加遵循了以下技术决策:
- 命名一致性:采用与现有资源相同的
generated_id命名约定 - 只读属性:作为输出属性,不可通过 Terraform 配置修改
- 自动同步:在资源创建或刷新时自动从 Google Cloud API 获取
使用示例
在 Terraform 配置中,现在可以通过以下方式引用 NEG 的数字 ID:
resource "google_compute_network_endpoint_group" "example" {
name = "example-neg"
network = google_compute_network.default.id
default_port = "90"
zone = "us-central1-a"
}
output "neg_generated_id" {
value = google_compute_network_endpoint_group.example.generated_id
}
对于数据源也同样适用:
data "google_compute_network_endpoint_group" "example" {
name = "example-neg"
zone = "us-central1-a"
}
output "data_neg_generated_id" {
value = data.google_compute_network_endpoint_group.example.generated_id
}
实际应用场景
这个改进特别适用于以下场景:
-
日志监控配置:在创建 google_logging_metric 资源时,可以直接使用 NEG 的数字 ID 作为过滤条件,实现精确的日志监控。
-
自动化运维:在自动化脚本中,可以使用数字 ID 作为唯一标识符,避免名称变更带来的影响。
-
跨资源关联:在多系统集成时,数字 ID 可以作为稳定的关联键。
版本兼容性
该功能自 Terraform Provider Google 6.36.0 版本开始提供。用户需要注意:
- 升级到 6.36.0 或更高版本才能使用此功能
- 对于已有资源,执行
terraform refresh或terraform apply后即可获取数字 ID - 该属性为只读属性,不会影响现有配置的兼容性
总结
Terraform Provider Google 对 Network Endpoint Group 数字 ID 的支持,完善了 Google Cloud 资源在基础设施即代码中的管理能力。这一改进虽然看似微小,但在实际运维中却能显著提升日志监控的精确度和自动化集成的便利性,体现了 HashiCorp 对用户体验细节的关注。
对于使用 Google Cloud 负载均衡和端点组服务的团队,建议尽快升级到支持版本,并考虑在监控和自动化流程中利用这一新特性。
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