Calico IPAM 负载均衡器 IPv6 支持配置指南
背景介绍
在 Kubernetes 环境中,Calico 提供了内置的 IP 地址管理(IPAM)功能,可以作为 MetalLB 等外部负载均衡方案的替代方案。特别是在 BGP 模式下,Calico 能够自动分配 IP 地址并通过 BGP 协议向网络设备宣告这些地址。
问题现象
用户在使用 Calico v3.30 版本时发现,虽然 IPv4 的负载均衡器 IP 能够成功分配并通过 BGP 宣告到路由器,但 IPv6 地址却未能正常分配和宣告。这导致双栈(IPv4/IPv6)环境下的服务无法通过 IPv6 访问。
根本原因分析
通过排查发现,问题并非出在 Calico 的 IPAM 功能本身,而是 Kubernetes Service 的配置不完整。要使 Calico IPAM 同时分配 IPv4 和 IPv6 地址,必须显式地在 Service 资源中指定双栈策略。
解决方案
1. 配置 IP 地址池
首先需要为 IPv4 和 IPv6 分别创建 IP 地址池:
apiVersion: projectcalico.org/v3
kind: IPPool
metadata:
name: loadbalancer-ip-pool-ipv4
spec:
cidr: 192.210.0.0/24
blockSize: 29
natOutgoing: true
disabled: false
assignmentMode: Automatic
allowedUses:
- LoadBalancer
apiVersion: projectcalico.org/v3
kind: IPPool
metadata:
name: loadbalancer-ip-pool-ipv6
spec:
cidr: "fd00:10:0:0::/64"
blockSize: 122
natOutgoing: true
disabled: false
assignmentMode: Automatic
allowedUses:
- LoadBalancer
2. 正确配置 Service 资源
关键步骤是在 Service 定义中明确指定双栈策略:
apiVersion: v1
kind: Service
metadata:
name: nginx-calico
namespace: default
spec:
externalTrafficPolicy: Local
selector:
app: private
ports:
- protocol: TCP
port: 80
targetPort: 8080
type: LoadBalancer
ipFamilyPolicy: RequireDualStack
ipFamilies:
- IPv4
- IPv6
配置说明
-
ipFamilyPolicy:这个字段有三个可选值:
SingleStack:仅使用单一 IP 协议族PreferDualStack:优先使用双栈,但不强制RequireDualStack:必须使用双栈,否则服务将无法创建
-
ipFamilies:明确指定要使用的 IP 协议族及其优先级顺序
验证方法
配置完成后,可以通过以下命令检查 Service 的状态:
kubectl get svc nginx-calico -o yaml
在输出中应该能看到类似如下的状态信息,表明 IPv4 和 IPv6 地址都已成功分配:
status:
loadBalancer:
ingress:
- ip: 192.210.0.82
ipMode: VIP
- ip: fd00:10::1234
ipMode: VIP
总结
Calico 的 IPAM 功能完全支持 IPv6 负载均衡器 IP 分配,但在使用时需要注意正确配置 Kubernetes Service 的双栈策略。通过合理配置 ipFamilyPolicy 和 ipFamilies 字段,可以确保服务同时获得 IPv4 和 IPv6 地址,实现真正的双栈支持。
对于从 MetalLB 迁移到 Calico IPAM 的用户来说,这一配置细节尤为重要,可以避免因 IPv6 地址分配失败而导致的网络连通性问题。
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