在pgAdmin4中通过Kubernetes Secrets安全配置OAuth2认证
pgAdmin4作为PostgreSQL最流行的开源管理工具之一,提供了完善的OAuth2认证集成能力。本文将详细介绍如何通过Kubernetes Secrets安全地配置OAuth2认证参数,避免敏感信息直接暴露在配置文件中。
背景与需求
在生产环境中部署pgAdmin4时,直接以明文形式存储OAuth2的Client ID和Secret存在安全隐患。特别是在使用Kubernetes等容器编排平台时,最佳实践是通过Secrets来管理这类敏感信息。
解决方案实现
我们可以通过创建Kubernetes Secret来存储OAuth2认证所需的敏感信息,然后在pgAdmin4的Deployment配置中引用这些Secret。以下是完整的实现方案:
1. 创建Kubernetes Secret
首先创建一个包含所有敏感信息的Secret资源:
apiVersion: v1
kind: Secret
metadata:
name: pgadmin
type: Opaque
stringData:
CLIENT_ID: "<your-client-id>"
CLIEND_SECRET: "<your-client-secret>"
TENANT_ID: "<your-tenant-id>"
PGADMIN_DEFAULT_EMAIL: "<email/user id>"
PGADMIN_DEFAULT_PASSWORD: "adminpassword"
2. 配置pgAdmin4 Deployment
在Deployment配置中,我们通过环境变量引用Secret中的值,并构建OAuth2配置:
apiVersion: apps/v1
kind: Deployment
metadata:
name: pgadmin
spec:
template:
spec:
containers:
- name: pgadmin
image: dpage/pgadmin4:latest
env:
- name: PGADMIN_CONFIG_AUTHENTICATION_SOURCES
value: "['oauth2','internal']"
- name: OAUTH2_AUTO_CREATE_USER
value: "True"
- name: CLIENT_ID
valueFrom:
secretKeyRef:
name: pgadmin
key: CLIENT_ID
- name: CLIEND_SECRET
valueFrom:
secretKeyRef:
name: pgadmin
key: CLIEND_SECRET
- name: PGADMIN_CONFIG_OAUTH2_CONFIG
value: |
[
{
'OAUTH2_NAME': 'azure',
'OAUTH2_DISPLAY_NAME': 'Azure',
'OAUTH2_CLIENT_ID': '$(CLIENT_ID)',
'OAUTH2_CLIENT_SECRET': '$(CLIEND_SECRET)',
'OAUTH2_TOKEN_URL': 'https://login.microsoftonline.com/$(TENANT_ID)/oauth2/v2.0/token',
'OAUTH2_AUTHORIZATION_URL': 'https://login.microsoftonline.com/$(TENANT_ID)/oauth2/v2.0/authorize',
'OAUTH2_API_BASE_URL': 'https://graph.microsoft.com/v1.0/',
'OAUTH2_USERINFO_ENDPOINT': 'me',
'OAUTH2_SCOPE': 'User.Read email openid profile',
'OAUTH2_BUTTON_COLOR': '#2F2F2F',
'OAUTH2_ICON': 'fa-brands fa-microsoft',
'OAUTH2_AUTO_CREATE_USER': True
}
]
关键技术点
-
环境变量插值:pgAdmin4支持在OAuth2配置中使用环境变量插值,通过
$(VAR_NAME)语法引用环境变量值。 -
多认证源配置:通过
PGADMIN_CONFIG_AUTHENTICATION_SOURCES可以配置多个认证源,示例中同时启用了OAuth2和内部认证。 -
自动用户创建:设置
OAUTH2_AUTO_CREATE_USER为True时,系统会在首次OAuth2认证成功后自动创建相应用户。 -
安全增强:建议同时启用
PGADMIN_CONFIG_ENHANCED_COOKIE_PROTECTION增强cookie安全性。
最佳实践建议
-
为不同环境(开发、测试、生产)使用不同的Client ID和Secret。
-
定期轮换Secret,特别是当有人员变动或怀疑凭证泄露时。
-
限制Secret的访问权限,遵循最小权限原则。
-
考虑使用外部Secret管理工具(如Vault)进行更高级的Secret管理。
通过这种方式,我们既实现了OAuth2认证的完整功能,又确保了敏感信息的安全存储和访问,符合云原生应用的安全最佳实践。
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