Rook项目中的CephObjectStore支持RGW密钥配置管理
在Ceph分布式存储系统中,RGW(RADOS Gateway)作为对象存储网关,提供了与S3和Swift兼容的API接口。在实际生产环境中,RGW经常需要与第三方系统集成,如Keystone身份认证服务或Barbican密钥管理服务,这些集成往往需要配置敏感信息如密码或密钥。
Rook项目作为Kubernetes上运行Ceph的编排器,通过CephObjectStore自定义资源(CRD)来管理RGW实例。最新版本中,Rook团队为CephObjectStore添加了对RGW配置参数的支持,允许用户通过CRD直接配置RGW的各种参数。然而,对于敏感配置项如rgw_keystone_barbican_password,直接以明文形式存储在CRD中并不安全。
技术实现方案
Rook团队经过讨论后确定了以下实现方案:
-
配置存储方式:敏感配置将通过Kubernetes Secret资源存储,而不是直接写在CRD中。这符合Kubernetes管理敏感信息的最佳实践。
-
配置传递机制:敏感配置会被写入Ceph的monitor数据库,而不是通过环境变量或命令行参数传递给RGW容器。这种方式避免了敏感信息在容器运行时暴露的风险。
-
配置清除机制:当需要移除某个敏感配置时,用户可以通过显式地将该配置值设为空字符串("")来实现。
配置示例
以下是一个使用Secret存储RGW敏感配置的示例:
apiVersion: ceph.rook.io/v1
kind: CephObjectStore
metadata:
name: my-store
spec:
gateway:
rgwConfig:
debug_rgw: "10"
rgwCommandFlags:
rgw_dmclock_auth_res: "100.0"
rgwConfigFromSecret:
rgw_keystone_barbican_password:
secretName: barbican-secret
secretKey: password
在这个示例中:
rgw_keystone_barbican_password配置项的值将从名为barbican-secret的Kubernetes Secret中获取- 具体值来自Secret中的
password键
安全考虑
这种实现方式具有以下安全优势:
-
敏感信息隔离:敏感配置与普通配置分离,存储在专门的Secret资源中。
-
访问控制:可以利用Kubernetes的RBAC机制严格控制谁可以访问这些Secret。
-
审计追踪:Secret资源的访问和修改可以被审计。
-
加密支持:Secret可以使用Kubernetes的加密机制进行静态加密。
使用建议
对于需要与外部系统集成的RGW部署,建议:
-
为每个集成点创建独立的Secret资源
-
定期轮换Secret中的敏感信息
-
使用Kubernetes的命名空间来隔离不同环境的Secret
-
结合Vault等外部密钥管理系统实现更高级的密钥管理
这一功能的加入使得Rook在Kubernetes上管理Ceph对象存储时更加安全可靠,特别是对于需要与外部认证和密钥管理系统集成的企业级部署场景。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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