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。
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