Linkerd项目edge-25.3.4版本发布:多集群功能增强与IPv6支持恢复
Linkerd是一个轻量级的服务网格解决方案,它通过透明的代理机制为Kubernetes集群中的微服务提供可靠性和安全性保障。作为云原生计算基金会(CNCF)毕业项目,Linkerd以其简单易用和低资源消耗著称,特别适合需要零信任安全模型和可观测性的现代云原生应用。
本次发布的edge-25.3.4版本是Linkerd的一个边缘版本(edge release),主要聚焦于多集群功能的改进和IPv6支持的恢复。边缘版本通常包含新功能和改进,但尚未达到稳定版本的标准,适合希望在早期体验新功能的用户。
核心变更与功能增强
多集群功能全面升级
本次版本在多集群管理方面进行了多项重要改进。新引入的linkerd multicluster link-gen命令取代了原有的link和unlink命令,提供了更直观的多集群链接管理方式。这个新命令不仅简化了操作流程,还提供了更丰富的配置选项,使得跨集群服务发现和通信更加灵活可控。
针对服务镜像控制器(service mirror controller),本次更新修复了可能导致服务资源过时的bug,确保在多集群环境下服务信息的同步更加及时准确。同时,新增了对标签和注解的排除支持,用户现在可以精确控制哪些元数据会被同步到目标集群,这在需要过滤敏感信息或减少不必要数据传输的场景下特别有用。
IPv6支持恢复与网络改进
edge-25.3.4版本恢复了完整的IPv6支持,解决了之前版本中可能存在的兼容性问题。对于运行在纯IPv6环境或双栈网络中的Kubernetes集群,这一改进至关重要。
在网络性能方面,本次更新优化了代理的DNS查询行为,缓解了"惊群效应"(thundering herd effect)问题。当大量代理同时发起DNS查询时,原先的设计可能导致DNS服务器过载。新版本通过更智能的查询调度机制,显著降低了这种风险,提升了系统的整体稳定性。
外部工作负载支持增强
对于使用ExternalWorkloads的场景,本次更新提供了更好的兼容性。即使工作负载清单中没有显式声明Linkerd代理端口(默认4143),系统现在也能正确处理这些工作负载,简化了混合环境(既有Kubernetes内又有Kubernetes外工作负载)中的服务网格部署。
可观测性改进
在指标收集方面,新版本支持通过配置proxy.metrics.hostnameLabels选项,在出站指标中包含主机名标签。这一功能为网络流量分析提供了更丰富的上下文信息,使得运维人员能够更精确地追踪服务间的通信模式。
linkerd viz tap命令也得到了改进,移除了对过时的authority伪资源的依赖,使流量监控更加准确可靠。这一变更保持了与最新Kubernetes API标准的兼容性,同时简化了内部实现。
升级注意事项
本次版本引入了一个重要的变更:Linkerd现在要求集群中必须预先安装Gateway API CRDs。对于从旧版本升级的用户,系统会自动处理这一依赖;但对于全新安装,用户需要手动安装这些CRDs或通过Helm设置installGatewayAPI=true参数。
需要注意的是,当前版本的CLI存在一个已知问题:无法自动安装Gateway API CRDs。因此,对于使用CLI工具进行安装的用户,建议考虑使用后续的edge-25.4.1版本,该版本修复了这一问题。
总结
Linkerd edge-25.3.4版本在多集群管理、网络协议支持和可观测性等方面带来了多项实质性改进。特别是对IPv6的完整支持恢复和对多集群功能的增强,使得Linkerd在复杂网络环境下的表现更加出色。虽然作为边缘版本存在一些限制,但这些改进为即将到来的稳定版本奠定了坚实基础。
对于已经在生产环境中使用Linkerd多集群功能的用户,本次更新提供的服务镜像稳定性和元数据过滤能力将显著提升跨集群管理的效率和安全性。而新增的主机名标签支持则为网络性能分析和故障排查提供了更强大的工具。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00