Higress网关内网负载均衡配置实践指南
背景介绍
在云原生架构中,Higress作为阿里巴巴开源的云原生网关,默认部署时会自动创建公网负载均衡器(LB)以提供外部访问能力。然而在实际企业场景中,出于安全隔离和内部服务调用的需求,我们经常需要将网关服务配置为仅通过内网负载均衡暴露。
核心配置原理
Higress网关的网络暴露方式本质上是通过Kubernetes Service资源实现的,其网络行为由Service的annotations控制。在云服务商的环境中,这些annotations会被对应的cloud-controller-manager识别并创建相应的负载均衡资源。
内网LB配置方案
通过深入分析Higress的Helm chart配置结构,我们发现可以通过以下方式实现内网负载均衡配置:
-
安装时配置:在初始安装Higress时,通过设置
higress-core.gateway.service.annotations参数,添加云厂商特定的内网LB注解 -
运行时修改:对于已部署的环境,可以直接修改Higress-gateway服务的annotations,添加如下典型配置:
- 阿里云:
service.beta.kubernetes.io/alibaba-cloud-loadbalancer-address-type: intranet - AWS:
service.beta.kubernetes.io/aws-load-balancer-scheme: internal - Azure:
service.beta.kubernetes.io/azure-load-balancer-internal: "true"
- 阿里云:
升级兼容性说明
经过实际验证,当通过Helm升级Higress时,只要不修改或覆盖原有的service配置,已存在的负载均衡配置(包括内网类型)将会被保留。这意味着:
- 初始安装后手动修改为内网LB的方案是可行的
- 后续版本升级不会改变现有的网络配置
- 建议在values.yaml中显式声明LB配置以保证配置可追溯
最佳实践建议
- 环境区分:在values.yaml中为不同环境(dev/test/prod)预设对应的网络配置
- 配置版本化:将网络配置纳入版本控制系统管理
- 安全加固:结合网络策略限制只允许特定CIDR访问内网LB
- 监控配置:确保内网LB的监控指标能够被采集
技术实现细节
Higress网关的网络暴露实际上由多个Kubernetes资源协同完成:
- Service资源定义LB的基本属性
- IngressClass定义入口控制器行为
- NetworkPolicy控制网络流量规则(如启用)
当云厂商的CCM(Cloud Controller Manager)监听到Service资源创建/更新时,会根据annotations的配置创建对应的负载均衡器。内网LB与公网LB的主要区别在于:
- 网络平面不同(VPC内网vs公网)
- 安全组/ACL策略不同
- 计费方式可能不同
总结
Higress网关提供了灵活的网络暴露方案,通过合理配置Service annotations可以轻松实现公网/内网负载均衡的切换。理解这一机制后,运维团队可以根据实际业务需求,在保证安全性的前提下灵活调整网关的网络拓扑结构。建议在生产环境中采用Infrastructure as Code的方式管理这些网络配置,以确保环境的一致性和可追溯性。
kernelopenEuler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。C038
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
agent-studioopenJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力TSX0118
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