Linkerd2 25.4.4版本发布:服务网格策略增强与性能优化
Linkerd作为一款轻量级的服务网格解决方案,以其简单易用和低资源消耗的特性在云原生领域广受好评。最新发布的Linkerd2 25.4.4版本(edge版本)带来了一系列重要的功能增强和问题修复,特别是针对服务网格策略控制方面的改进尤为突出。
核心功能改进
服务端口协议策略的精细化控制
本次更新对服务端口上的appProtocol属性处理进行了重要优化。当服务端口配置了appProtocol: linkerd.io/opaque时,系统现在会严格限制只能在该端口上附加TCPRoute策略路由规则。这一改变确保了不透明端口的流量只能按照TCP协议的基本规则进行路由,避免了协议不匹配导致的问题。
更值得注意的是,对于任何未知的appProtocol值,系统现在会统一将其视为linkerd.io/opaque处理。这种保守的默认策略能够有效防止因协议配置错误而导致的潜在问题,提高了系统的健壮性。
HTTP/2协议端口的灵活路由支持
对于配置了kubernetes.io/h2c(HTTP/2明文协议)的端口,新版本提供了更灵活的路由规则支持。现在,这类端口可以同时附加GRPCRoute和HTTPRoute两种策略路由规则,其中GRPCRoute规则会优先应用。这种设计既满足了gRPC服务的特殊需求,又保持了与传统HTTP服务的兼容性。
性能与稳定性优化
在指标收集方面,新版本修复了LINKERD2_PROXY_OUTBOUND_METRICS_HOSTNAME_LABELS环境变量在TLS连接场景下的处理问题。现在,当配置了特定的主机名标签时,这些标签能够正确地应用于TLS连接的指标收集,为基于主机名的流量监控和分析提供了更准确的数据支持。
版本发布状态
Linkerd2 25.4.4版本作为edge版本发布,标志着Linkerd 2.18功能集的最终完成。开发团队已经将version-2.18标签指向了这个版本,表明2.18版本系列的功能开发已经全部就绪,为后续的稳定版发布奠定了基础。
技术实现细节
从技术实现角度看,这些改进主要涉及Linkerd控制平面和数据平面的协同工作:
-
策略控制器现在能够更精确地解析和处理服务端口的appProtocol注解,根据协议类型智能地应用相应的路由规则。
-
代理组件(v2.294.0)增强了指标收集逻辑,确保TLS连接的主机名标签能够正确传递和记录。
-
路由规则的优先级处理机制得到了优化,特别是对于同时支持多种协议类型的端口场景。
升级建议
对于正在使用Linkerd服务网格的用户,特别是那些需要精细控制不同协议类型流量路由的场景,建议评估升级到这个版本。新版本对协议处理的明确规则能够帮助避免潜在的路由冲突和协议不匹配问题。
需要注意的是,由于这是edge版本,生产环境部署前仍建议在测试环境中充分验证。对于已经使用自定义appProtocol配置的用户,应当特别注意新版本对未知协议值的处理方式变化可能带来的影响。
总体而言,Linkerd2 25.4.4版本在服务网格的策略控制方面迈出了重要一步,为复杂微服务环境下的流量管理提供了更强大、更灵活的工具集。
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 StartedRust0194
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 Notebook0121
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。Python05
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 Notebook06