Kiali项目增强:支持通过Secrets配置认证用户名和自定义仪表盘认证
在Kiali项目的最新更新中,团队实现了对认证用户名和自定义仪表盘认证信息通过Kubernetes Secrets进行配置的支持。这一改进显著提升了Kiali的安全性和灵活性,使管理员能够更好地管理敏感凭证。
背景与动机
在分布式系统监控领域,Kiali作为Istio服务网格的可视化工具,需要与多种后端服务(如Prometheus、Grafana和Tracing系统)进行交互。这些交互通常需要认证信息,包括用户名和密码等敏感数据。
过去版本中,Kiali已经支持将密码、令牌和签名密钥等敏感信息存储在Kubernetes Secrets中,但用户名仍需要明文配置在Kiali CR(Custom Resource)中。虽然用户名本身不如密码敏感,但对于安全要求严格的环境,任何形式的明文凭证都可能成为安全隐患。
新增功能特性
本次更新主要扩展了Kiali的Secret支持范围,新增了以下配置项:
-
外部服务认证用户名支持:
- Grafana认证用户名
- Prometheus认证用户名
- Tracing系统认证用户名
-
自定义仪表盘认证全面支持:
- Prometheus用户名
- Prometheus密码
- Prometheus令牌
这些新增功能使得Kiali的认证配置更加完整和安全,管理员现在可以将所有认证相关的敏感信息都存储在Kubernetes Secrets中,实现统一的凭证管理策略。
技术实现细节
在底层实现上,Kiali团队对配置解析逻辑进行了扩展,使其能够从指定的Secret中读取用户名等新增支持的字段。这一改动保持了与现有Secret集成机制的一致性,确保配置方式的统一和直观。
对于自定义仪表盘的Prometheus认证,现在支持完整的认证信息配置,包括:
- 基础认证(用户名+密码)
- Bearer令牌认证
- 自定义CA证书(通过现有机制)
安全最佳实践
随着这一功能的加入,我们建议Kiali管理员采用以下安全实践:
-
最小权限原则:确保用于存储认证信息的Secrets只对必要的服务账户开放访问权限。
-
定期轮换:建立定期轮换存储在Secrets中的凭证的流程,包括用户名(当用户名也作为认证因素时)。
-
审计跟踪:监控和记录对包含Kiali认证信息的Secrets的访问。
-
分层防御:结合Kubernetes RBAC、网络策略和其他安全机制,构建多层次的防护体系。
升级与兼容性
这一改进完全向后兼容。现有配置无需修改,新功能是可选的。管理员可以选择继续使用明文配置用户名,或者迁移到更安全的Secret存储方式。
对于希望升级到Secret存储的管理员,迁移过程简单直接:
- 创建包含用户名的Secret
- 更新Kiali CR引用该Secret
- 删除CR中的明文用户名
未来展望
Kiali团队持续关注安全领域的实践发展,未来可能会进一步扩展Secret支持的范围,包括:
- 更多外部服务的认证选项
- 动态凭证获取机制
- 与云原生Secret管理解决方案的深度集成
这一更新体现了Kiali项目对安全性的持续承诺,为服务网格可视化工具设立了更高的安全标准。通过将更多认证因素纳入Secret管理,Kiali为运行在敏感环境中的服务网格提供了更强的安全保障。
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