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。
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-1.5暂无简介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