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。
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 StartedRust069- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
Hy3-previewHy3 preview 是由腾讯混元团队研发的2950亿参数混合专家(Mixture-of-Experts, MoE)模型,包含210亿激活参数和38亿MTP层参数。Hy3 preview是在我们重构的基础设施上训练的首款模型,也是目前发布的性能最强的模型。该模型在复杂推理、指令遵循、上下文学习、代码生成及智能体任务等方面均实现了显著提升。Python00