Otomi Core 项目中的网络策略重构方案解析
在 Kubernetes 生态系统中,网络策略(NetworkPolicy)是控制 Pod 之间网络通信的重要机制。近期 Otomi Core 项目团队针对网络策略的管理方式进行了重要重构,将原本与服务绑定的网络策略独立出来,使其更加符合 Kubernetes 的设计理念和实际使用场景。
重构背景与动机
传统实现中,Otomi 将网络策略定义在团队服务(team service)对象中,这种方式存在几个明显问题:
- 网络策略本质上针对的是工作负载(Pod)而非服务(Service)
- 出口策略(egress)通常是命名空间级别的控制
- 现有结构限制了跨命名空间的流量控制能力
重构后的设计将网络策略作为独立的一级资源,用户可以直接通过左侧菜单访问和管理,这更符合 Kubernetes 的原生设计思想。
架构变更要点
策略位置迁移
网络策略从原来的 <team>.services.[*].networkPolicy 路径迁移到了新的 <team>.networkPolicies[*] 位置。这种变化使得策略定义不再与服务强耦合,可以独立存在和管理。
字段语义优化
重构对字段命名进行了重大调整,使其更加准确反映功能:
podSelector改为toLabel,明确表示这是目标 Pod 的选择器team改为fromNamespace,并自动添加team-前缀service改为fromLabel,更准确地描述来源工作负载
权限结构调整
自服务(selfService)的网络策略配置从 selfService.service.networkPolicy 移动到了 selfService.networkPolicy,这一变化简化了权限管理结构,使 API 能够更直接地处理相关权限。
策略定义示例
新的网络策略定义采用更清晰的语法结构:
netpol:
- type: ingressPrivate
name: my-net
toNamespace: team-a
fromNamespace: team-b
toLabel:
- a=b
fromLabel:
- a=b
- type: egressExternal
name: toGoogle
domain: https://google.com
这种结构明确区分了入口和出口策略,并提供了更灵活的标签选择机制。
标签选择器最佳实践
在 Kubernetes 中,工作负载通常带有标准 Helm 标签:
metadata:
labels:
helm.sh/chart: rabbitmq-0.1.0
app.kubernetes.io/name: rabbitmq
app.kubernetes.io/instance: release-name
app.kubernetes.io/version: "1.16.0"
app.kubernetes.io/managed-by: Helm
由于 Helm release 名称在命名空间内必须唯一,网络策略可以安全地使用 app.kubernetes.io/instance 标签来精确选择目标 Pod。
迁移与兼容性考虑
项目团队设计了平滑的迁移方案:
- 自动将现有策略转换为新格式
- 处理所有字段重命名和结构调整
- 确保权限系统继续正常工作
这种向后兼容的设计确保了用户在升级 Otomi 时不会遇到服务中断或配置丢失的问题。
总结
Otomi Core 这次网络策略重构体现了几个重要改进方向:
- 更符合 Kubernetes 原生资源的设计理念
- 提供了更灵活的网络隔离控制能力
- 改善了配置的可读性和可维护性
- 保持了良好的向后兼容性
这些变化将使 Otomi 用户能够更有效地管理微服务间的网络通信,同时为未来的功能扩展奠定了更好的基础。对于正在使用或考虑采用 Otomi 的团队,建议尽快熟悉这一新机制,以充分利用其提供的增强功能。
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