Helm中基于节点亲和性部署多DaemonSet的最佳实践
2025-05-06 10:12:18作者:廉彬冶Miranda
概述
在Kubernetes集群管理实践中,我们经常需要根据不同的节点亲和性(Node Affinity)规则部署多个DaemonSet资源。这些DaemonSet可能仅在镜像版本或少量配置参数上存在差异,但需要运行在不同特性的节点上。本文将深入探讨使用Helm管理这类场景的几种实现方案及其优劣比较。
方案分析与比较
方案一:多YAML文件直接部署
实现方式:为每个DaemonSet创建独立的YAML清单文件。
优点:
- 实现简单直接
- 各DaemonSet配置完全独立,清晰明了
缺点:
- 缺乏可扩展性,新增DaemonSet需要修改Chart结构
- 配置重复率高,维护成本随数量增加而上升
- 不符合Helm的"配置即代码"理念
方案二:多次Helm安装
实现方式:拆分Chart为多个子Chart,分别安装。
优点:
- 各DaemonSet配置完全隔离
- 可以针对不同环境进行独立升级
缺点:
- 需要维护多个Chart仓库,增加管理复杂度
- 共享资源(如ConfigMap)难以统一管理
- 安装过程繁琐,需要多次执行helm install
方案三:使用Helm模板循环
实现方式:在values.yaml中定义DaemonSet集合,通过range循环生成资源。
示例values.yaml结构:
daemonSets:
ds1:
image: nginx:1.23
nodeSelector:
disktype: ssd
ds2:
image: nginx:1.24
nodeSelector:
env: production
模板实现:
{{- range $name, $config := .Values.daemonSets }}
apiVersion: apps/v1
kind: DaemonSet
metadata:
name: {{ $name }}
spec:
template:
spec:
containers:
- name: main
image: {{ $config.image }}
nodeSelector: {{ toYaml $config.nodeSelector | nindent 8 }}
{{- end }}
优点:
- 高度可扩展,新增DaemonSet只需添加values配置
- 配置集中管理,便于维护
- 符合Helm的最佳实践
缺点:
- values.yaml结构可能变得复杂
- 需要合理设计模板以避免过度抽象
进阶优化策略
配置合并技术
对于共享大量公共配置的场景,可以采用Helm的merge函数合并基础配置和差异化配置:
{{- $baseConfig := .Values.daemonSetBase }}
{{- range $name, $overrides := .Values.daemonSets }}
{{- $config := merge $overrides $baseConfig }}
apiVersion: apps/v1
kind: DaemonSet
metadata:
name: {{ $name }}
spec:
template:
spec:
containers:
- name: main
image: {{ $config.image }}
resources: {{ toYaml $config.resources | nindent 10 }}
nodeSelector: {{ toYaml $config.nodeSelector | nindent 8 }}
{{- end }}
命名模板的应用
对于复杂的DaemonSet定义,可以使用Helm的命名模板(_helpers.tpl)来封装重复逻辑:
{{- define "mychart.daemonSet" -}}
apiVersion: apps/v1
kind: DaemonSet
metadata:
name: {{ .name }}
spec:
template:
spec:
containers:
- name: main
image: {{ .image }}
{{- with .resources }}
resources: {{ toYaml . | nindent 10 }}
{{- end }}
{{- with .nodeSelector }}
nodeSelector: {{ toYaml . | nindent 8 }}
{{- end }}
{{- end -}}
决策建议
- 少量固定DaemonSet:采用方案一,保持简单性
- 动态数量或频繁变更:优先选择方案三,具有良好的扩展性
- 高度定制化需求:考虑方案二,但需评估维护成本
在实际项目中,方案三结合配置合并和命名模板的技术,能够在保持配置简洁的同时提供最大的灵活性,是大多数场景下的推荐做法。
总结
Helm作为Kubernetes的包管理工具,其模板功能为解决多DaemonSet部署问题提供了优雅的解决方案。通过合理设计values.yaml结构和模板逻辑,我们可以在保持配置可维护性的同时,满足复杂的节点亲和性部署需求。关键在于找到抽象程度和可读性之间的平衡点,既避免过度重复,又不至于使模板过于复杂而难以理解。
登录后查看全文
热门项目推荐
相关项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
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
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
567
3.83 K
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
68
20
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
12
1
暂无简介
Dart
798
197
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.37 K
779
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
349
200
Ascend Extension for PyTorch
Python
376
446
无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
16
1