MicroK8s配置ECR私有镜像仓库认证的最佳实践
背景介绍
在使用MicroK8s部署容器化应用时,从AWS ECR(Elastic Container Registry)私有仓库拉取镜像是一个常见需求。由于ECR采用临时认证机制,传统的静态凭证方式不再适用,需要通过kubelet的镜像凭证提供程序(Image Credential Provider)功能实现动态认证。
核心配置步骤
1. 准备凭证提供程序二进制文件
首先需要获取ECR凭证提供程序的二进制文件。该程序由Kubernetes社区维护,负责与AWS API交互并获取临时凭证。建议从官方发布的稳定版本获取对应架构的二进制文件。
2. 配置凭证提供程序
在MicroK8s节点上创建配置文件/var/snap/microk8s/common/credential-provider-config.yaml,内容如下:
apiVersion: kubelet.config.k8s.io/v1
kind: CredentialProviderConfig
providers:
- name: ecr-credential-provider
apiVersion: credentialprovider.kubelet.k8s.io/v1
matchImages:
- "*.dkr.ecr.*.amazonaws.com"
defaultCacheDuration: 12h
此配置告诉kubelet,当遇到匹配ECR域名模式的镜像时,使用指定的凭证提供程序获取认证信息。
3. 修改kubelet参数
编辑MicroK8s的kubelet配置文件/var/snap/microk8s/current/args/kubelet,添加以下参数:
--image-credential-provider-config=${SNAP_COMMON}/credential-provider-config.yaml
--image-credential-provider-bin-dir=/usr/local/bin/
注意:最佳实践是将二进制文件放在MicroK8s的${SNAP_COMMON}目录下,如${SNAP_COMMON}/bin,并相应调整--image-credential-provider-bin-dir参数指向该位置。
4. 测试凭证提供程序
在MicroK8s环境中测试凭证提供程序是否正常工作:
sudo snap run --shell microk8s.daemon-kubelite
echo '{
"apiVersion": "credentialprovider.kubelet.k8s.io/v1",
"kind": "CredentialProviderRequest",
"image": "XXXXXXXXXXX.dkr.ecr.XXXX.amazonaws.com/repository/image"
}' | ${SNAP_COMMON}/bin/ecr-credential-provider
成功执行应返回包含临时凭证的JSON响应。
5. 重启MicroK8s服务
应用配置后,需要重启MicroK8s服务使更改生效:
sudo snap restart microk8s
认证方式选择
凭证提供程序支持两种AWS认证方式:
-
IAM实例配置文件:适用于运行在EC2实例上的MicroK8s节点,通过实例关联的IAM角色自动获取权限。
-
访问密钥:通过传统的AWS_ACCESS_KEY_ID和AWS_SECRET_ACCESS_KEY环境变量或配置文件提供凭证。
常见问题排查
如果配置后仍无法拉取镜像,建议检查以下方面:
- 确保凭证提供程序二进制具有可执行权限
- 验证kubelet日志中是否有相关错误信息
- 确认AWS权限设置正确,具有ECR拉取权限
- 检查凭证提供程序配置文件路径是否正确
总结
通过合理配置MicroK8s的kubelet凭证提供程序,可以实现安全、自动化的ECR私有镜像拉取。这种方法相比静态凭证更安全,且能自动处理AWS临时凭证的刷新,是生产环境推荐的解决方案。
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