云原生日报 2026-09-10
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 v1.37 HPA Scale to Zero (Beta)
Kubernetes v1.37 将 HPA 缩放到零副本的能力提升为 Beta 并默认开启,首次在核心组件中不依赖 add-on 即可将工作负载缩到 0,再凭对象或外部指标自动拉起。该特性通过引入 ScaledToZero 状态条件来区分「自动缩到零」与「手动暂停」,并要求至少配置一个 object/external 指标(纯 CPU/内存资源指标会被 API 拒绝)。 对 GPU/专有 CPU 等昂贵资源型负载最有价值——队列消费者、批处理任务空闲时把最后一个 Pod 也摘掉,能省下实实在在的钱。 落地关键是 metric 的可靠性:CPU/内存指标读不到信号,必须依赖 Prometheus Adapter 这类外部指标管道,且 downscale 稳定窗口默认 5 分钟,需要按业务调整 behavior.scaleDown。 升级/回滚前要留意:控制面版本混跑时,没开该特性的 controller-manager 会把 replicas:0 当手动暂停,可能把负载卡在 0 上。 🔗 https://kubernetes.io/blog/2026/09/02/kubernetes-v1-37-hpa-scale-to-zero-beta
2. Distributed tracing for CI pipelines
作者利用 GitHub 组织级 webhook,配合 OpenTelemetry Collector 的 githubreceiver 组件,把 workflow_run 和 workflow_job 事件直接转成 OTLP span,实现了对整个组织 CI 流水线的分布式追踪,而无需任何团队改动一行 workflow 文件。span/trace ID 由 run ID 和 check run ID 确定性哈希生成,可让步骤内自埋点直接挂到同一条 trace 上。 核心价值是「零侵入」:新仓库从创建那一刻就自动可观测,而不靠团队自觉加埋点,这跟传统逐个 workflow 插桩的思路有本质区别。 落地要注意两点——githubreceiver 仍是 alpha 的 contrib 组件,需固定 collector 版本;且配置里 scrapers 段必须有 dummy 条目否则校验失败,很容易白耗二十分钟。 对国内团队,把 CI 健康与应用 trace 放进同一套 OTel 后端,能让「部署慢」和「下游服务慢」被关联排查,值得在已有可观测体系的团队优先试点。 🔗 https://www.cncf.io/blog/2026/09/08/distributed-tracing-for-ci-pipelines-without-touching-a-single-workflow-file
3. Kubernetes isn't new, AI makes it scary again
Fairwinds CTO 指出,虽然 K8s 早已成熟、开个 managed 集群(GKE/AKS/EKS)也很简单,但 AI 工作负载引入的 GPU 弹性算力、突发流量和更严格的数据边界,让 K8s 又变得像一门全新的运维学科。真正的难点不在「起集群」,而在承接生产 AI 负载时不烧穿 GPU 预算、不挤垮其他应用、守住安全护栏。 作者用「第一次从 Windows 换到 Linux」的类比点破本质:基础设施的上手门槛一直在降低,真正的鸿沟是平台治理与心智模型的切换。 对国内团队最大的启示是平台归属问题——谁管集群、谁管共享服务、谁保证 AI 实验不拖垮核心业务,必须在立项前谈清,而不是等出事故再补。 这篇文章定位偏「平台工程」视角,适合正在为 AI 负载挑选运行基座的决策者与平台负责人一读。 🔗 https://www.cncf.io/blog/2026/09/04/kubernetes-isnt-new-but-ai-makes-it-scary-again
📖 教程推荐
1. Production MongoDB on K8s with Percona Operator
这是一篇完整落地教程,用 Percona Operator for MongoDB 在 K8s 上部署生产级副本集,覆盖 AWS EBS 持久化、自动每日/每周 S3 备份、Prometheus 监控与 Grafana 仪表盘、TLS 与用户管理,以及高可用配置。文中给出从 StorageClass、用户 Secret、Helm values 到 MongoDB Exporter sidecar 和 ServiceMonitor 的完整可复现配置。 最有价值的不是「能装起来」,而是那些生产才懂的选择:reclaimPolicy:Retain 防误删、volumeBindingMode:WaitForFirstConsumer 保证 AZ 正确、cacheSizeRatio 0.5 调 WiredTiger 缓存的取舍。 运维视角的细节很到位——backupIfUnhealthy 避免在集群亚健康时做备份、exporter 用只读 monitor 账号而非 root、PITR 默认关闭以省存储,都是血的教训换来的。 对要跑有状态数据库的国内工程师,这份 values.yaml 可直接当基线改,比从零啃 Percona 文档高效得多。 🔗 https://medium.com/@abdelrahmanelshahat00/how-to-deploy-production-mongodb-on-kubernetes-with-percona-operator-backups-monitoring-and-c4af1ebd21a4
2. Monitor MySQL with Prometheus on K8s
本教程手把手演示在 K8s 上用 Prometheus + Grafana 监控 MySQL:部署 MySQL 8.0(含 PVC 持久化)、创建只读 exporter 账号、通过 Helm 安装 prometheus-mysql-exporter 并配置 ServiceMonitor,最后导入 Grafana 仪表盘 ID 20016 完成可视化。整体以清单和命令为主,适合照做复现。 exporter 账号遵循最小权限原则(只授 PROCESS、REPLICATION CLIENT、SELECT 并限制连接数)是正确的生产实践,值得照搬。 ServiceMonitor 的 additionalLabels.release 与 Prometheus 保持一致的细节,是让指标被自动发现的易错点,教程抓到了。 整体偏入门向,适合作为 MySQL 监控的快速起点;生产环境还需补充告警规则、指标保留策略和 HA 部署等进阶内容。 🔗 https://cloud-papi.medium.com/how-to-monitor-mysql-with-prometheus-on-kubernetes-7b593cbb619b
以上内容均已附原文链接,欢迎留言交流你的看法 💬