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 StartedRust0190
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 Notebook0113
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。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
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08