在Grafana Tanka中部署Kong Ingress Controller的挑战与解决方案
背景介绍
Grafana Tanka是一个基于Jsonnet的Kubernetes配置管理工具,它允许开发者以声明式的方式管理Kubernetes资源。在实际使用中,用户经常需要通过Tanka来部署各种Helm chart,其中就包括流行的Kong Ingress Controller。
问题描述
当尝试通过Tanka部署Kong Ingress Controller时,用户遇到了一个典型的技术挑战。Kong官方提供的Helm chart实际上是一个"umbrella chart"(伞形图表),它会同时部署Ingress Controller和API Gateway两个组件。这种设计导致了CRD(Custom Resource Definition)资源的重复生成问题。
具体表现为:
- 当设置
includeCRDs: false时,Kong无法正确安装,因为缺少必要的CRD定义 - 当设置
includeCRDs: true时,Tanka会报错,因为相同的CRD被生成了两次
技术分析
这个问题的根源在于Kong Helm chart的设计架构。该chart实际上会调用"kong"子chart两次:
- 第一次调用用于部署Ingress Controller
- 第二次调用用于部署API Gateway
每次调用都会生成相同的CRD资源,而Tanka的默认行为是不允许资源重复定义,这是为了防止配置歧义和潜在的错误。例如,如果有两个Deployment定义,一个设置replicas:1,另一个设置replicas:10,Tanka无法自动决定应该采用哪个值。
解决方案
经过技术验证,目前有三种可行的解决方案:
方案一:直接使用kong子chart
放弃使用umbrella chart,改为直接调用kong子chart两次,分别配置Controller和Gateway组件。这种方案的优势是完全可控,但缺点是如果上游chart发生变化,可能需要手动调整。
方案二:分两次调用umbrella chart
通过两次调用umbrella chart,每次只启用一个组件(Controller或Gateway),并只在其中一次调用中包含CRD。这种方法保持了与上游chart的兼容性,但代码看起来有些冗余。
方案三:修改Tanka行为(不推荐)
理论上可以修改Tanka使其允许资源重复,但这会破坏Tanka的设计原则,可能导致其他潜在问题,因此不推荐使用。
最佳实践
基于上述分析,推荐采用方案二作为最佳实践。具体实现代码如下:
local tanka = import 'github.com/grafana/jsonnet-libs/tanka-util/main.libsonnet';
local helm = tanka.helm.new(std.thisFile);
{
_config:: {
ns: 'kong',
},
kong_ingress_controller: helm.template('kong', './charts/ingress/', {
namespace: $._config.ns,
includeCRDs: true,
values+: {
gateway+: { enabled: false },
},
}),
kong_ingress_gateway: helm.template('kong', './charts/ingress/', {
namespace: $._config.ns,
includeCRDs: false,
values+: {
controller+: { enabled: false },
},
}),
kong_namespace: {
apiVersion: 'v1',
kind: 'Namespace',
metadata: {
name: $._config.ns,
},
},
}
这种实现方式:
- 保持了与上游chart的兼容性
- 通过values配置明确区分了Controller和Gateway的部署
- 只在Controller部署中包含CRD定义
- 保持了Tanka的声明式特性
总结
在使用Tanka部署复杂Helm chart时,特别是那些采用umbrella设计的chart时,可能会遇到资源重复定义的问题。通过理解chart的内部结构和Tanka的设计原则,我们可以找到既保持上游兼容性又符合Tanka最佳实践的解决方案。对于Kong Ingress Controller的部署,推荐采用分两次调用umbrella chart的方案,这既解决了CRD重复的问题,又保持了配置的清晰性和可维护性。
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