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。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00