云原生日报 2026-09-07
早上好,各位技术同学 ☕ 今天为大家精选了云原生领域的最新动态和几篇干货教程,一起看看 👇
🔥 云原生热点
1. Kubernetes 1.37 Adds Workload Identity, Scale-to-Zero, and New Support for AI Workloads
Kubernetes 1.37(代号 Garhwal)正式发布,共带来 67 项增强,其中 Pod Certificates 与 Cluster Trust Bundles 两个安全特性转正,为工作负载提供基于 X.509 证书的身份认证与加密通信能力,替代传统的 ServiceAccount JWT bearer token 方案。同时 HPA 支持 scale-to-zero 进入 Beta 并默认开启,gang scheduling(组调度)也进入 Beta,配合 DRA 资源分配,主要瞄准 GPU 等稀缺算力的 AI/HPC 场景。 这是 Kubernetes 安全模型的一次重要演进:JWT 是 bearer credential,一旦泄露即可被冒用,而 Pod Certificates 采用 proof-of-possession 机制,私钥留在负载侧,安全性明显更高。 scale-to-zero 配合 gang scheduling 对国内大量跑 AI 训练/推理的团队是实打实的成本利好,GPU 空闲时不再需要保留空 Pod 烧钱,队列消费者、批处理任务都能受益。 需要注意的是核心平台目前还没有内置 Pod Certificate signer,落地仍需自建或接入第三方签发器,团队在规划升级时要提前评估这块依赖。 🔗 https://adtmag.com/articles/2026/08/31/kubernetes-1dot37.aspx
2. Kubernetes 1.37 Garhwal brings KYAML to stable
Kubernetes 1.37(Garhwal)将 KYAML 正式升级为 Stable,它是一个更严格、歧义更少的 YAML 子集,完全兼容标准 YAML,kubectl get -o kyaml 输出选项也一并转正。此外 metrics.k8s.io API 在 Beta 近九年后转正,HPA scale-to-zero、gang scheduling、DRA 多项能力进入 Beta,kube-dns 与 kube-proxy IPVS 模式则进入弃用通道。
KYAML 转正对配置治理是好事,去歧义能显著减少因 YAML 隐式类型转换(比如 on、yes 被解析成布尔)导致的线上故障,这正是国内团队配置审查时最容易被忽略的坑。
kube-dns 弃用、IPVS 进入弃用通道、以及 cgroup v2 的持续推进,意味着存量集群需要在未来几个版本内规划迁移,建议早日纳入技术债务清单。
🔗 https://linuxiac.com/kubernetes-1-37-garhwal-brings-kyaml-to-stable
3. Observability has a data problem. AI is about to make it worse.
OpenTelemetry 解决了遥测数据的采集标准化问题,却暴露了可观测性领域一个更棘手的存储缺口:团队缺乏低成本、可长期保留并检索 full-fidelity 遥测数据的手段,被迫在成本、覆盖度与访问速度之间妥协。Bronto 联合创始人认为,AI 系统会持续放大日志、trace、metric 的数据量,可观测性的下一场平台之战将发生在数据层而非仪表盘层。 这篇文章点出了一个被长期回避的真相:当前主流可观测性产品的商业模式是按数据存储量计价,客户即使从不查询也要为沉睡的数据付费,这种定价与真实价值严重错位。 对国内团队而言,核心启示是优先在数据层做文章——评估采样策略、冷热分层存储、低成本对象存储归档,而不是一味堆 Dashboards,否则 AI 时代数据量暴涨会让可观测性预算直接失控。 🔗 https://thenewstack.io/opentelemetry-observability-telemetry-storage
📖 教程推荐
1. Kubernetes Monitoring with Prometheus & Grafana: A Complete Beginner Guide
文章系统梳理了 Kubernetes 场景下监控与可观测性的基础概念,厘清了 monitoring、logging、tracing 三大支柱以及「监控看 what/when、可观测性看 why/how」的区别。随后以 Minikube + Helm 为例,手把手演示了 Prometheus 与 Grafana 的安装配置、数据源接入、以及导入 3662 号预置 Dashboard 查看集群指标的完整流程。 作为入门向教程写得很扎实,尤其是对监控与可观测性概念的区分、以及 kube-state-metrics 作用边界的说明,能帮新手避免「装完 Prometheus 就以为监控全覆盖」的常见误区。 教程里也明确点出了 API server 与 kube-state-metrics 只能暴露到某一层级,更深的应用指标仍需要 Metrics Server 或 exporter,这点对落地很有参考价值。 🔗 https://medium.com/devops-dev/kubernetes-monitoring-with-prometheus-grafana-a-complete-beginner-guide-13314ce7d110
2. End-to-End GitOps on AWS: Implementing a Production-Grade Pipeline with EKS, ArgoCD, and Terraform
文章演示了一套完整的生产级 GitOps 流水线,采用「Push 式 CI + Pull 式 CD」的混合架构:用 Terraform 编排 EKS 等基础设施,CodePipeline/CodeBuild 构建镜像并自动把新 tag 提交回 Git 仓库的 Helm values.yaml,再由集群内的 ArgoCD 检测变更并自动同步。作者还如实记录了遇到的 AWS AccountLimitExceededException 配额问题及临时绕过方案。 这篇的价值在于讲透了 GitOps 最容易被忽略的一环——「CI 如何告诉 CD 有新镜像」,用 CodeBuild 当 Git Bot 回写 tag 的做法是标准答案,值得照搬。 ArgoCD 的 selfHeal + prune 配置体现了 Git 作为单一事实源的真正威力,加上对 AWS 配额坑的坦诚记录,对想在生产落地 GitOps 的团队是很有诚意的参考。 🔗 https://medium.com/@habeebbabasulaiman_39135/end-to-end-gitops-on-aws-implementing-a-production-grade-pipeline-with-eks-argocd-and-b196d86a15fa
以上内容均已附原文链接,欢迎留言交流你的看法 💬