Kubernetes kubeadm控制平面节点加入时广告地址配置问题解析
问题背景
在使用kubeadm部署高可用Kubernetes集群时,一个常见场景是配置多个控制平面节点并使用kube-vip实现高可用。在实际操作中,用户发现当第二个控制平面节点加入集群时,虽然明确指定了--apiserver-advertise-address参数,但最终生成的kube-apiserver清单文件中仍然使用了第一个控制平面节点的IP地址。
问题现象
用户配置了三个控制平面节点(IP分别为192.168.100.145、192.168.100.122和192.168.100.140),使用192.168.100.220作为kube-vip的虚拟IP。在第一个节点(192.168.100.145)上执行kubeadm init时,配置文件中设置了apiServer.extraArgs.advertise-address为该节点IP。
当第二个节点(192.168.100.122)执行kubeadm join命令并明确指定--apiserver-advertise-address=192.168.100.122时,虽然清单文件的annotations中正确记录了该节点的IP,但kube-apiserver容器的command参数中仍然使用了第一个节点的IP(192.168.100.145)。
问题原因
这个问题的根本原因在于ClusterConfiguration中的apiServer.extraArgs配置会应用于集群中的所有控制平面节点。当在kubeadm配置文件中设置了apiServer.extraArgs.advertise-address时,这个值会覆盖所有控制平面节点的广告地址配置,包括后续加入的节点。
正确配置方法
正确的做法是不要将advertise-address放在ClusterConfiguration.apiServer.extraArgs中,而应该使用以下两种配置方式:
- 对于初始节点(init),使用InitConfiguration.localAPIEndpoint:
localAPIEndpoint:
advertiseAddress: <节点IP>
bindPort: 6443
- 对于加入的控制平面节点(join),使用JoinConfiguration.controlPlane.localAPIEndpoint:
controlPlane:
localAPIEndpoint:
advertiseAddress: <节点IP>
bindPort: 6443
技术原理
kubeadm在设计上区分了集群范围的配置和节点特定的配置。ClusterConfiguration中的设置适用于整个集群,而InitConfiguration和JoinConfiguration中的设置则是节点特定的。广告地址(advertise address)属于节点特定的配置,因此应该放在localAPIEndpoint中而不是集群范围的extraArgs中。
最佳实践
- 对于多控制平面部署,不要在ClusterConfiguration中设置advertise-address
- 为每个控制平面节点单独配置其localAPIEndpoint
- 使用kube-vip等负载均衡方案时,确保controlPlaneEndpoint指向虚拟IP
- 在join命令中,可以通过配置文件而非命令行参数来指定节点特定配置
总结
理解kubeadm配置的分层结构对于正确部署Kubernetes集群至关重要。集群范围的配置和节点特定的配置应该放在正确的位置,避免因配置位置不当导致预期外的行为。在多控制平面部署场景下,特别注意广告地址等节点特定参数的配置方式,确保每个控制平面节点都能正确宣告自己的网络位置。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0201
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0130
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07