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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0190
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0113
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08