Kyverno 1.14.0 版本发布:Kubernetes 策略管理的新里程碑
项目简介
Kyverno 是一个专为 Kubernetes 设计的策略引擎,它允许管理员通过声明式的方式定义策略来管理集群资源。与传统的准入控制器不同,Kyverno 的策略使用 Kubernetes 原生 YAML 格式编写,无需学习新的语言或工具。它提供了验证、变更、生成和清理资源的能力,帮助组织实现安全合规、资源标准化和运维自动化。
1.14.0 版本核心特性解析
1. 全新策略类型支持
本次版本引入了三种革命性的新策略类型,显著扩展了 Kyverno 的能力边界:
ValidatingPolicy:
这是一种基于 CEL(Common Expression Language)的验证策略,允许用户使用 Kubernetes 1.26+ 引入的原生验证准入策略功能。与传统的 Kyverno 验证规则相比,它能提供更高的性能,因为验证逻辑直接在 Kubernetes API 服务器中执行,无需额外的 webhook 调用。开发者现在可以编写如下的策略:
apiVersion: policies.kyverno.io/v1
kind: ValidatingPolicy
metadata:
name: require-labels
spec:
validationFailureAction: Audit
rules:
- name: check-labels
match:
any:
- resources:
kinds:
- Pod
validate:
cel:
expressions:
- expression: "object.metadata.labels.hasKey('app')"
message: "所有 Pod 必须包含 'app' 标签"
ImageValidatingPolicy:
专为容器镜像验证设计的新策略类型,支持对镜像签名、安全检查结果等进行验证。这为 DevSecOps 流程提供了原生支持,例如:
apiVersion: policies.kyverno.io/v1
kind: ImageValidatingPolicy
metadata:
name: check-image-sources
spec:
validationFailureAction: Enforce
rules:
- name: only-approved-registries
match:
any:
- resources:
kinds:
- Pod
verifyImages:
- imageReferences:
- "*"
attestors:
- entries:
- keys:
publicKeys: |-
-----BEGIN PUBLIC KEY-----
...
-----END PUBLIC KEY-----
PolicyException 的 CEL 支持:
现在可以使用 CEL 表达式定义更灵活的异常规则,使得策略例外管理更加精细化和动态化。
2. 性能优化与架构改进
JMESPath 缓存机制:
通过引入 JMESPath 表达式的缓存机制,显著减少了策略评估时的计算开销。这对于频繁评估的复杂策略尤其有利,可降低 CPU 使用率高达 30%。
全局上下文条目优化:
减少了不必要的 JSON 序列化/反序列化操作,在处理大型配置数据时内存占用降低明显。
证书管理改进:
优化了证书续订流程,确保在证书轮换时更可靠地清理旧 CA 证书,避免潜在的连接问题。
3. 开发者体验提升
CLI 工具增强:
新增了多个实用命令和标志:
permission命令可快速生成所需的 ClusterRole 和 ClusterRoleBinding- 测试命令支持
--required-tests标志,确保关键测试用例通过 - 文档生成支持 Markdown 链接格式,便于知识库建设
自动生成机制:
对于 Pod 控制器的自动生成实现进行了全面增强,处理边缘案例更可靠,特别是针对 StatefulSet 和 DaemonSet 等复杂控制器。
4. 安全增强
安全问题修复:
解决了多个安全问题,包括:
- 修复了可能绕过使用命名空间选择器的策略规则的问题
- 通过升级到 Go 1.23.8 解决了相关依赖的安全问题
Pod 安全准入更新:
同步至 Kubernetes v1.32.3 的 Pod 安全标准,确保与最新安全实践保持一致。
技术深度解析
ValidatingPolicy 的工作原理
当 Kyverno 创建 ValidatingPolicy 时,实际上会在背后生成 Kubernetes 原生的 ValidatingAdmissionPolicy 资源。这种架构带来了几个关键优势:
- 性能提升:验证逻辑直接在 kube-apiserver 中执行,消除了网络延迟
- 资源效率:减少了 Kyverno 控制器的计算负担
- 一致性保证:即使 Kyverno 控制器暂时不可用,策略仍能执行
镜像验证的技术实现
新的 ImageValidatingPolicy 整合了多种验证技术:
- 基于 sigstore 的 cosign 签名验证
- 安全检查结果验证(可与 Trivy、Grype 等工具集成)
- 镜像来源验证(registry 白名单)
验证过程发生在准入阶段,确保不符合安全要求的镜像无法进入集群。
升级建议与最佳实践
对于计划升级到 1.14.0 版本的用户,建议:
-
分阶段部署:
先在小范围测试新策略类型,特别是生产环境关键工作负载。 -
策略迁移策略:
逐步将现有验证策略转换为 ValidatingPolicy 类型,可从审计模式开始:validationFailureAction: Audit确认效果后再切换为强制执行模式。
-
资源监控:
升级后密切监控 API 服务器和 Kyverno 控制器的资源使用情况,新特性可能改变负载模式。 -
异常管理:
利用新的 CEL 异常规则重构现有例外,使其更加精确和可维护。
未来展望
1.14.0 版本奠定了 Kyverno 作为多策略引擎的基础架构。展望未来,我们预期将看到:
- 更多策略类型支持,如网络策略自动化
- 与 OPA/Gatekeeper 的更深度集成方案
- 策略依赖管理和版本控制功能
- 增强的策略模拟和影响分析工具
这个版本标志着 Kyverno 从单纯的准入控制器向全面的 Kubernetes 策略管理平台演进的重要一步。新引入的策略类型不仅扩展了功能范围,还通过性能优化和架构改进为大规模企业部署铺平了道路。
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