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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00