Eclipse Che中TLS边缘终止支持HTTP端点暴露的问题分析
问题背景
在Eclipse Che 7.89版本中,当开发者配置HTTP服务端点并启用TLS安全连接时,遇到了端点无法通过UI正常访问的问题。具体表现为:虽然OpenShift路由被正确创建且能通过控制台直接访问,但通过Che的VSCode界面端点部分访问时却返回404错误。
问题现象
开发者配置的端点示例如下:
- exposure: public
targetPort: 5050
name: web
protocol: http
secure: true
attributes:
discoverable: true
这种情况下:
- 路由URL被正确生成
- 通过OpenShift控制台直接访问路由URL可以正常工作
- 通过Che UI端点部分访问时出现404错误
- 尝试添加urlRewriteSupported属性会导致路由创建失败
技术分析
经过深入调查,发现问题根源在于Che Router的路由服务关联逻辑存在缺陷。具体表现为:
-
服务关联错误:Che Router将所有路由/入口(ingress)都关联到了工作区的通用服务(common service)上,而没有检查特定路由是否应该关联到端点专属服务。
-
discoverable属性的影响:当端点上设置了discoverable属性时,系统会为该端点创建专属服务,这个服务本应关联到对应端点的路由/入口,但当前逻辑没有正确处理这种关联关系。
-
路由类差异:当使用DevWorkspace Operator的"basic"路由类时,问题不会出现,这进一步验证了问题与Che Router特定实现相关。
解决方案
修复方案的核心是修改Che Router的服务关联逻辑:
-
端点服务检查:在处理路由/入口时,首先检查端点是否配置了discoverable属性。
-
正确服务关联:对于配置了discoverable属性的端点,将其路由/入口关联到专属服务而非通用服务。
-
向后兼容:保持对未配置discoverable属性端点的现有处理逻辑不变。
技术实现细节
在Che Router的代码实现中,主要修改点包括:
-
服务选择逻辑:在创建路由时,根据端点属性选择合适的服务进行关联。
-
路由规则生成:确保生成的边缘终止TLS配置与后端服务正确匹配。
-
路径处理:正确处理URL重写规则,避免因路径处理不当导致的404错误。
影响范围
该问题影响所有使用以下配置组合的场景:
- 使用HTTP协议端点
- 启用了TLS安全连接(secure: true)
- 设置了discoverable属性
- 使用Che默认路由类(非basic路由类)
验证方法
开发者可以通过以下步骤验证问题是否修复:
-
创建一个包含HTTP端点的工作区,端点配置secure: true和discoverable: true属性。
-
通过Che UI端点部分访问服务。
-
确认可以正常访问而不再出现404错误。
-
同时验证通过OpenShift控制台直接访问路由URL仍然正常工作。
总结
这个问题揭示了Che Router在处理TLS边缘终止和HTTP端点暴露时的服务关联逻辑缺陷。通过修正服务关联策略,确保了discoverable端点能够正确暴露并通过UI访问。这一修复不仅解决了当前的404错误问题,也为未来类似功能的扩展奠定了更健壮的基础。
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