Helm-Secrets与ArgoCD集成实践:解决AWS Secrets Manager密钥获取问题
背景介绍
在现代云原生应用部署中,密钥管理是至关重要的环节。Helm-Secrets作为Helm的插件,能够帮助用户安全地管理敏感信息。本文将以一个实际案例为基础,详细介绍如何解决Helm-Secrets与ArgoCD集成时遇到的AWS Secrets Manager密钥获取问题。
问题现象
在将部署迁移到AWS EKS上的ArgoCD时,发现通过Helm-Secrets使用vals后端从AWS Secrets Manager获取的密钥未能正确解析。具体表现为:
- 在values文件中定义的AWS Secrets Manager引用(如
ref+awssecrets://gts-argocd-ci-dev#/sonarqube_jdbc_url)被直接作为字符串值使用,而不是获取实际的密钥值 - 当通过Helm参数直接传递时能够正常工作,但在values文件中定义时失效
解决方案探索
1. 验证基础配置
首先需要确保ArgoCD Repo Server的正确配置。通过Kustomize对argocd-repo-server进行补丁,关键配置包括:
- 设置HELM_PLUGINS环境变量指向共享卷
- 配置vals相关工具路径(sops、vals、kubectl等)
- 明确指定使用vals作为后端
- 通过initContainer下载并安装所需工具
2. 权限配置
确保为argocd-server和argocd-repo-server的服务账户配置了正确的AWS IAM角色(IRSA),这是访问AWS Secrets Manager的前提条件。
3. 两种引用方式的差异
测试发现两种引用方式表现不同:
方式一:通过Helm参数传递
helm:
parameters:
- name: jdbc_url
value: secrets+literal://ref+awssecrets://gts-argocd-ci-dev#/sonarqube_jdbc_url
这种方式能够正常工作,成功获取AWS Secrets Manager中的值。
方式二:在values文件中定义
jdbc_url: secrets+literal://ref+awssecrets://gts-argocd-ci-dev#/sonarqube_jdbc_url
这种方式未能正确解析,直接输出引用字符串。
4. 最终解决方案
通过将AWS Secrets Manager引用作为附加源(additional source)引入,成功实现了在values文件中使用ref+awssecrets引用的功能。
实践建议
-
配置一致性:注意ArgoCD Dockerfile中vals后端与values方法中sops后端的配置差异,确保前后端配置一致。
-
权限验证:在部署前,建议通过临时Pod验证服务账户是否具备访问AWS Secrets Manager的权限。
-
引用方式选择:根据实际需求选择合适的引用方式,直接参数传递方式更为可靠。
-
测试验证:在正式部署前,建议在argocd-repo-server中手动执行helm命令验证密钥获取功能是否正常。
经验总结
通过本次实践,我们深入理解了Helm-Secrets与ArgoCD集成的关键点:
- 工具链配置必须完整且路径正确
- AWS权限配置是访问Secrets Manager的关键
- 不同的引用方式可能有不同的行为表现
- 文档与实际实现可能存在差异,需要灵活调整
这些经验对于其他类似场景的云原生密钥管理具有参考价值,特别是在使用ArgoCD进行GitOps实践时,正确处理密钥引用是确保部署安全可靠的重要环节。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
GLM-4.7-FlashGLM-4.7-Flash 是一款 30B-A3B MoE 模型。作为 30B 级别中的佼佼者,GLM-4.7-Flash 为追求性能与效率平衡的轻量化部署提供了全新选择。Jinja00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin07
compass-metrics-modelMetrics model project for the OSS CompassPython00