SST项目中VPC的无NAT网关支持方案解析
背景介绍
SST是一个流行的无服务器应用框架,它简化了在AWS上构建和部署无服务器应用的过程。在SST项目中,VPC(虚拟私有云)是构建隔离网络环境的核心组件。传统上,SST会自动为每个VPC配置NAT(网络地址转换)网关,以确保私有子网中的资源能够访问互联网。
问题起源
许多开发者在使用SST进行个人项目开发时发现,AWS原生的NAT网关成本较高,而他们的项目可能并不需要完整的NAT功能。这导致了一个矛盾:开发者希望使用SST的便利性,但又不想为不必要的NAT网关支付费用。
技术解决方案
SST团队针对这一问题提出了几种解决方案:
-
完全禁用NAT:通过设置
nat: false选项,可以创建不包含任何NAT网关的VPC。但需要注意,这种配置下Lambda函数等资源将无法访问互联网,除非将它们部署在公有子网中。 -
单AZ NAT配置:通过设置
az: 1选项,可以只在单个可用区部署NAT网关,而不是默认的多AZ部署,从而降低成本。 -
fck-nat替代方案:SST团队最终实现了对fck-nat的支持,这是一种基于EC2实例的开源NAT解决方案,成本仅为AWS原生NAT网关的1/10左右。
fck-nat实现细节
fck-nat的实现原理主要包括以下几个关键组件:
-
安全组配置:创建专门的安全组,允许所有进出流量,确保NAT功能正常工作。
-
IAM角色与策略:为fck-nat实例配置适当的IAM权限,包括EC2网络接口管理和SSM访问权限。
-
启动模板:使用预构建的fck-nat AMI镜像创建启动模板,配置用户数据以关联网络接口。
-
自动扩展组:确保始终有一个健康的fck-nat实例运行,并在实例不健康时自动替换。
-
路由配置:将私有子网的路由表指向fck-nat实例的网络接口,实现NAT功能。
使用建议
对于不同场景,SST用户可以考虑以下配置方案:
-
开发/测试环境:可以考虑完全禁用NAT(
nat: false),或者重用现有的VPC资源。 -
预算有限的个人项目:推荐使用fck-nat方案(
nat: "ec2"),在保证功能的同时大幅降低成本。 -
生产环境关键业务:如果预算允许,可以使用AWS原生NAT网关(
nat: "managed"),获得更高的可靠性和AWS的技术支持。
注意事项
使用fck-nat方案时需要注意:
-
存在网络接口和公有子网之间的循环依赖关系,在删除VPC时需要手动先删除网络接口。
-
需要确保选择与您所在区域匹配的fck-nat AMI镜像。
-
虽然fck-nat成本低,但其可靠性和性能可能不如AWS原生NAT网关,需要根据业务需求权衡。
总结
SST项目通过引入对fck-nat的支持,为开发者提供了更加灵活和经济的VPC配置选项。这一改进特别适合个人项目和小型团队,使他们能够在有限的预算下充分利用SST的便利性。随着v3.1.36版本的发布,开发者现在可以通过简单的配置选项nat: "ec2"来启用这一功能,在成本与功能之间取得更好的平衡。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00