KCL: Crossplane Composition 游戏规则改变者

744fbf1430d6a3f9112616f32e6635c1.png

本文转译自 Yury Ysarev 2024 年 8 月分享的《KCL: The Game-Changer for Crossplane Composition Building》 原文内容。

https://blog.upbound.io/kcl-benefits-crossplane-composition-building

在不断变化的云原生技术领域中,Crossplane 凭借其通过高级控制平面管理基础设施的能力脱颖而出。通过扩展 Kubernetes,Crossplane 提供了一个统一框架,能够通过强大的抽象来定义、部署和管理云端资源。历史上,Crossplane 主要依赖严格的声明式方法来描述组合逻辑。然而,随着“组合函数”(Composition Functions)的引入,控制平面构建者现在拥有了丰富的语言生态系统。KCL(一种功能强大的表达方式)便是这种能力扩展的绝佳例子,它为定义基础设施提供了一种更为表达性强和灵活的方法。

KCL 为何能提升开发者体验

KCL 的设计充分考虑了简单性和稳健性,提供了多种功能,可显著改善使用 Crossplane 时的开发人员体验。与传统 YAML 不同,KCL 为定义配置提供了更具表现力和类型安全的环境,从而降低了语法错误的可能性并提高了工作效率。

  • 声明式和灵活的语法:KCL 的语法比 YAML 更具表现力,允许开发人员编写更简洁、更易读的配置。KCL 的这种声明性与基础设施即代码 (IaC) 范式完美契合,使开发人员能够以直截了当的方式描述他们所需的状态。

  • 类型安全和验证: KCL 的突出特点之一是其类型安全特性。它确保配置符合预定义类型,并在开发过程的早期捕获错误。这在复杂的 Crossplane 组合中特别有用,因为小错误可能会导致严重问题。

  • 可读性和简洁性:KCL 简洁易读的语法使理解和管理复杂配置变得更加容易。这种清晰度降低了配置错误的风险,并有助于与团队成员更清楚地沟通配置更改。

与 Crossplane 集成

KCL 的贡献者们为 Crossplane 生态系统做出了重大贡献,包括 function-kcl 的开发 https://github.com/crossplane-contrib/function-kcl/。该项目充当了 KCL 和 Crossplane 之间的桥梁,使开发人员能够使用 KCL 定义 Crossplane 组合。这种集成将 KCL 的强大功能直接带入 Crossplane 环境,从而实现更精简、更高效的配置管理。

function-kcl 博客文章 https://blog.crossplane.io/function-kcl/ 深入介绍了 KCL 如何增强 Crossplane 组合。它探讨了将 KCL 与 Crossplane 集成的好处,并提供了这种组合如何简化配置过程的实际示例。

function-kcl 项目利用 KCL 的功能,在构建 Crossplane 组合时提供更强大、更用户友好的体验。通过允许开发人员编写生成 YAML 配置的 KCL 脚本,它结合了两全其美的优势:KCL 的可读性和可维护性以及 YAML 的广泛采用和工具。

体验 KCL 的个人旅程

为了展示 KCL 的实际优势,我想重点介绍一下此拉取请求 https://github.com/upbound/configuration-aws-eks/pull/65 中记录的一个成功实验。在这个项目中,我利用 KCL 增强了 AWS EKS https://www.upbound.io/resources/events/webinars/creating-functional-aws-eks-cluster-with-crossplane-upbound 集群的配置过程。

KCL 最显著的优势之一是简洁。与等效的 Patch & Transform YAML 表示相比,KCL 配置文件明显更短。长度的减少使配置更易于管理且更易于导航。KCL 简洁的语法对于 API 的形式来说感觉很自然,从而允许更直接和可读的配置。

此外,KCL 提供了恰到好处的功能来有效处理循环和条件。这种平衡提供了管理复杂配置所需的灵活性,同时保持了清晰度。简洁性和表达能力的结合使 KCL 成为简化基础设施管理流程、降低配置错误风险和简化与团队成员沟通配置更改的宝贵工具。

KCL 函数入门的关键学习点

1. 读取函数请求和值

使用 KCL 和 Crossplane 的一个基本步骤是了解如何读取函数请求和值。function-kcl 文档 https://github.com/crossplane-contrib/function-kcl/tree/main?tab=readme-ov-file#read-the-function-requests-and-values-through-the-option-function 提供了有关使用 option 函数访问输入数据的详细说明。以下是文档的摘录:

* Read the ObservedComposedResources from option("params").ocds.
* Read the DesiredCompositeResource from option("params").dxr.
* Read the DesiredComposedResources from option("params").dcds.
* Read the function pipeline's context from option("params").ctx.
* Return an error using assert {condition}, {error_message}.

在这里,您可以找到从 XR 读取输入字段、访问观察状态和期望状态、从函数上下文中获取数据甚至返回自定义错误消息的方法。

2. 使用条件语句

KCL 支持条件语句,允许开发人员创建更加动态和响应更快的配置。在AWS EKS 配置中可以找到使用条件语句的示例。以下是相关代码片段:

clusterSecurityGroupId = option("params")?.ocds?[kubernetesCluster.metadata.name]?.Resource?.status?.atProvider?.vpcConfig?[0]?.clusterSecurityGroupId or False
if clusterSecurityGroupId:
  clusterSecurityGroupImport = {
    apiVersion = "ec2.aws.upbound.io/v1beta1"
    kind = "SecurityGroup"
    metadata.name = clusterSecurityGroupId
    spec.providerConfigRef.name = providerConfigName
    spec.deletionPolicy = deletionPolicy
    spec.forProvider = {
      region = region
      tags = {
        "eks.aws.platform.upbound.io/discovery" = id
      }
    }
  }

此功能增强了部署过程的灵活性和控制力。

3. 使用循环

KCL 的另一个强大功能是支持循环,这可以简化重复资源定义的创建。AWS EKS 配置中提供了一个说明性示例。以下是演示循环用法的代码片段:

nodeGroupRolePolicies = [
  "arn:aws:iam::aws:policy/AmazonEKSWorkerNodePolicy",
  "arn:aws:iam::aws:policy/AmazonEKS_CNI_Policy",
  "arn:aws:iam::aws:policy/service-role/AmazonEBSCSIDriverPolicy",
  "arn:aws:iam::aws:policy/AmazonEC2ContainerRegistryReadOnly",
]

nodeGroupRolePolicyAttachments = [{
  apiVersion = "iam.aws.upbound.io/v1beta1"
  kind = "RolePolicyAttachment"
  metadata.name = xrName + "-nodegroup-rpa-{}".format(i)
  spec.providerConfigRef.name = providerConfigName
  spec.deletionPolicy = deletionPolicy
  spec.forProvider = {
    policyArn = p
    roleSelector = {
      matchControllerRef = True
      matchLabels = {
        "role" = "nodegroup"
      }
    }
  }
} for i, p in nodeGroupRolePolicies]

此功能减少了冗余并提高了配置的可维护性。

4. 在组合资源之间传递数据,无需修补 XR 状态

从历史上看,在组合资源之间共享数据需要修补组合资源 (XR) 状态,详情请参阅 Crossplane 修补文档: 

https://docs.crossplane.io/latest/concepts/patch-and-transform/#patching-between-resources

此方法引入了额外的复杂性,并且需要额外的步骤,例如使用状态字段扩展 XR 规范、发布和使用 XR 状态中的数据。

KCL 函数简化了此过程,允许在配置语言本身内直接在组合资源之间传递数据。这消除了 XR 状态修补的需要,并简化了组件之间数据流的管理。借助 KCL,资源可以直接引用其他资源的输出,从而使配置更加直观并降低出错的可能性。

例如,考虑 AWS EKS 配置示例,其中 Cluster 资源 atProvider 字段的数据被读取并嵌入到新的规范中 SecurityGroup。以下是相关代码片段:

clusterSecurityGroupId = option("params")?.ocds?[kubernetesCluster.metadata.name]?.Resource?.status?.atProvider?.vpcConfig?[0]?.clusterSecurityGroupId or False
if clusterSecurityGroupId:
  clusterSecurityGroupImport = {
    apiVersion = "ec2.aws.upbound.io/v1beta1"
    kind = "SecurityGroup"
    metadata.name = clusterSecurityGroupId
    spec.providerConfigRef.name = providerConfigName
    spec.deletionPolicy = deletionPolicy
    spec.forProvider = {
      region = region
      tags = {
        "eks.aws.platform.upbound.io/discovery" = id
      }
    }
  }

这说明 KCL 能够有效促进资源之间的数据共享,简化配置过程并减少额外步骤的需要。

这些关键学习点为在 Crossplane 项目中有效利用 KCL 奠定了基础。通过掌握这些概念,开发人员可以充分利用 KCL 的强大功能来创建强大而动态的基础架构配置。这些基础步骤对于使用 KCL 引导 Composition 构建非常有用,但该语言本身提供了更多深度和功能可供探索,详情请参阅 https://www.kcl-lang.io/ 上的详尽文档。

此外,function-kcl 示例目录 https://github.com/crossplane-contrib/function-kcl/tree/main/examples 提供了丰富的实用示例,可重复使用并适用于各种 Crossplane 用例。

与其他函数的比较

1. Patch & Transform 函数

在 KCL 之前,Crossplane 中的动态配置管理是通过 function-patch-and-transform 等方法实现的。这种方法通过对基本 YAML 定义应用补丁和转换来实现一定程度的动态配置。虽然它在修改静态配置方面提供了灵活性,但它在处理循环和条件等更复杂的逻辑时往往受到限制,这要求开发人员在 YAML 的约束下工作。

2. Go Templating 函数

Crossplane 生态系统中的另一种方法是使用function-go-templating。此方法在 YAML 模板中引入了动态功能,例如循环、条件和流控制。虽然它增加了更复杂配置所需的灵活性,但也带来了与可维护性相关的重大挑战。管理和调试复杂的模板化 YAML 文件很快就会变得繁琐,尤其是在可读性和简单性至关重要的大型项目中。

相比之下,KCL 提供了一种平衡的方法,将静态 YAML 的优点与高级逻辑功能相结合。它提供了一种更清晰、更易于维护的语法来表达条件和迭代,而没有大量模板的缺点。KCL 的设计简化了管理复杂配置的过程,使其成为现代基础设施配置的有力选择。

进一步提升开发者体验:不只是在 YAML 中嵌入 KCL

虽然将 KCL 嵌入 YAML 配置中是向前迈出的宝贵一步,但它并不是完美的开发人员体验。YAML 中 KCL 表达式的混合有时会使配置的可读性和维护变得复杂。意识到这一点后,我发起了另一个拉取请求 https://github.com/upbound/configuration-aws-eks/pull/68 来增强我们的工作流程。

在这次增强中,我们开始使用专用的 KCL 文件进行配置定义。这种方法可以更清晰地分离关注点,其中 KCL 处理逻辑和动态方面,而 YAML 则作为输出格式。通过在 KCL 中编写配置,然后为 Crossplane 组合生成必要的 YAML,我们实现了更精简和更易于维护的设置。这种分离还使调试和修改配置变得更加容易,因为逻辑结构包含在 KCL 文件中,而生成的 Composition YAML 仍然干净且专注于其目的。

用户反馈和未来计划

我已经开始向 Upbound 用户介绍 KCL,反馈非常积极。用户对 KCL 为他们的配置工作流程带来的清晰度和可维护性改进表示赞赏。我们很高兴很快分享一篇详细的博客文章,重点介绍一个真实的用户故事,强调 KCL 在 Composition Building 中的应用。

结论

KCL 正在彻底改变开发人员与 Crossplane 交互的方式。通过提供更具表现力、类型安全且模块化的配置管理方法,KCL 增强了开发人员的体验并降低了构建 Crossplane 组合的复杂性。随着 Crossplane 生态系统的不断发展,采用 KCL 可能会在实现更高效、无错误的基础设施管理方面发挥关键作用。

虽然 KCL 确实存在学习曲线,但其丰富的文档和实际示例使过渡更加顺畅。此外,KCL Cheatsheet https://www.kcl-lang.io/assets/images/cheatsheet-9dd02ca1109d7a0b8f94114807250496.png 等资源对于快速上手非常有用。

Upbound 最近举办了一场网络研讨会 https://resources.upbound.io/all-content/whats-new-with-crossplane-v1-16,Jared 和 Viktor 分享了他们对 KCL 的实用看法。他们强调,KCL 比 CUE 更简单,同时避免了过于简单的方法,从而有效地平衡了简单性和功能性

无论您是经验丰富的 Crossplane 用户还是刚刚开始使用,将 KCL 集成到您的工作流程中都可以带来显著的好处,简化开发流程并使您能够专注于真正重要的事情:构建出色的应用程序。

如果您想更深入地了解 Crossplane 之旅,此后还将介绍如何使用 AWS 提供商使用 Upbound/Crossplane 创建功能齐全的 AWS EKS 集群。

https://www.upbound.io/resources/events/webinars/creating-functional-aws-eks-cluster-with-crossplane-upbound

内容概要:本文提出了一种基于非合作博弈理论的居民负荷分层调度模型,并结合双层鲸鱼优化算法(Two-level Whale Optimization Algorithm)进行高效求解,模型与算法均通过Matlab代码实现。研究针对电力系统中居民侧用电负荷的复杂调度问题,引入非合作博弈机制刻画各用户之间的利益竞争关系,实现负荷的分层优化分配;同时设计双层优化架构,上层优化资源配置,下层模拟用户自主决策行为,提升了模型的实用性与合理性。通过智能优化算法求解多层级、非凸非线性的博弈模型,有效提高了调度方案的收敛性与全局寻优能力,适用于现代智能电网中的需求侧管理与能源优化场景。; 适合人群:具备电力系统基础理论知识和Matlab编程能力,从事智能电网、能源优化调度、需求侧管理、博弈论应用等方向的科研人员、高校研究生及工程技术人员。; 使用场景及目标:①应用于居民区电力负荷的分层优化调度系统设计与仿真分析;②为非合作博弈在多主体能源系统建模中的应用提供方法论支持;③利用双层鲸鱼算法解决具有嵌套结构的复杂双层优化问题,提升求解效率与调度方案的可行性。; 阅读建议:建议读者结合提供的Matlab代码深入理解模型构建逻辑与算法实现流程,重点关注博弈模型的效用函数设计、纳什均衡求解思路以及双层优化结构的迭代机制,宜配合实际用电数据开展复现实验以验证模型有效性与鲁棒性。
内容概要:本文围绕基于自适应神经模糊推理系统(ANFIS)智能控制器的可再生能源微电网功率管理系统展开研究,结合Simulink仿真实现,深入探讨了微电网中功率的智能调控与经济机组组合调度问题。通过引入ANFIS控制器,有效应对风能、光伏等可再生能源出力的波动性与不确定性,提升系统运行的稳定性与电能质量。研究内容涵盖微电网多源协调控制策略、功率平衡管理、优化调度模型构建及仿真验证,实现了对分布式电源、储能系统和负荷的协同优化,兼顾经济性与可靠性目标,并通过仿真平台验证了所提方法的有效性与优越性。; 适合人群:具备电力系统、自动化或新能源相关专业背景,熟悉Matlab/Simulink仿真环境,从事微电网能量管理、智能控制、能源优化等领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①用于高比例可再生能源接入场景下的微电网能量管理系统研发与教学实践;②为实现微电网功率稳定控制与经济高效运行提供先进的智能控制解决方案;③支撑高水平学术论文复现、科研课题攻关及实际工程项目的仿真验证与方案优化。; 阅读建议:建议结合提供的Simulink模型与相关代码进行动手实践,重点关注ANFIS控制器的设计流程、规则库构建与参数调优方法,并通过与传统PID或MPC控制策略的对比实验,深入理解其在动态响应与鲁棒性方面的优势。同时可进一步拓展文中提出的优化调度逻辑,应用于多目标、多约束的复杂实际应用场景中。
内容概要:本文档聚焦于“直流电机双闭环控制Matlab仿真”,系统阐述了基于Matlab/Simulink平台实现直流电机双闭环控制系统(主要包括速度环与电流环)的设计与仿真全过程。通过构建直流电机的数学模型,结合PI控制器进行调控,实现对电机转速和电枢电流的高精度动态控制,验证控制策略的稳定性与响应性能。文档详细介绍了仿真模型的搭建流程、关键参数的整定方法、系统动态波形的分析手段以及仿真结果的有效性验证,体现了经典自动控制理论在实际电机系统中的工程应用,是电机控制与电力电子技术相结合的典型研究案例。; 适合人群:具备自动控制原理、电机与拖动基础、电力电子技术和Matlab/Simulink仿真能力的电气工程、自动化、机电一体化等专业的本科生、研究生及从事电机驱动系统研发的工程技术人员。; 使用场景及目标:①作为高校课程设计或实验教学材料,帮助学生深入理解双闭环调速系统的工作机理与工程实现;②服务于科研项目,为新型电机控制算法(如滑模、模糊PID等)的开发与性能对比提供基础仿真验证平台;③作为工业界产品前期设计的仿真工具,用于评估不同控制策略在动态响应、抗干扰能力和稳态精度方面的可行性。; 阅读建议:建议读者在学习过程中紧密结合自动控制理论知识,亲手在Simulink环境中搭建完整的双闭环仿真模型,通过反复调整PI控制器的比例与积分参数,观察并分析转速、电流的阶跃响应曲线,从而深刻理解反馈控制的本质、系统稳定性条件以及参数整定对动态性能的影响,进而掌握电机控制系统的设计精髓。
内容概要:本文研究了基于Benders分解与输电网运营商(TSO)和配电网运营商(DSO)协调机制的不确定环境下输配电网双层优化模型,旨在提升高比例可再生能源接入背景下电网系统的协调性与鲁棒性。模型上层以系统整体经济性为目标进行优化调度,下层采用Benders分解实现TSO与DSO之间的信息交互与协同决策,通过引入割平面迭代机制保障求解的收敛性与全局最优性。研究充分考虑新能源出力与负荷需求的不确定性,构建了具有强适应性的双层优化框架,并基于Matlab完成了模型的编程实现与仿真验证,有效解决了多主体、多层级、多不确定性因素耦合下的电力系统优化调度难题。; 适合人群:具备电力系统分析、运筹学与优化理论基础,熟悉Matlab编程环境,从事智能电网、能源互联网、分布式能源集成、电力市场等方向的研究生、科研人员及工程技术人员。; 使用场景及目标:①研究高渗透率可再生能源条件下输配电网协同优化调度策略;②掌握Benders分解在电力系统双层优化建模中的应用方法与实现技巧;③构建TSO-DSO多主体协调机制,实现跨层级电网资源的高效互动与决策解耦;④提升对不确定性建模、分解算法设计及大规模优化问题求解能力。; 阅读建议:建议读者结合Matlab代码逐模块剖析模型构建流程,重点理解Benders割的生成逻辑、主从问题的信息传递机制及收敛判据设定,推荐在标准IEEE测试系统上复现实验以深入掌握模型特性与算法性能。
内容概要:本文系统研究了基于灰狼优化算法(GWO)优化Elman神经网络的方法,并提供了完整的Matlab代码实现。研究重点在于利用灰狼优化算法强大的全局搜索能力,对Elman神经网络的关键参数进行智能优化,从而克服传统训练方法易陷入局部最优的缺陷,显著提升模型在时序预测与非线性系统建模任务中的精度与稳定性。文章详细阐述了Elman网络的动态反馈机制及其在处理时间序列数据方面的优势,构建了GWO与Elman相结合的混合预测框架,涵盖了从模型搭建、参数寻优、仿真测试到结果分析的全流程,特别适用于风电功率预测、电力负荷预测等具有强时变性和不确定性的工程应用场景。; 适合人群:具备一定Matlab编程能力和神经网络基础知识,从事智能优化算法、时间序列预测、电力系统分析或新能源出力预测等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①掌握灰狼优化算法在神经网络超参数优化中的具体实施路径与技术细节;②深入理解Elman递归神经网络与群体智能优化算法融合的建模范式;③将其应用于风电、光伏等新能源发电功率预测及复杂动态系统的建模与仿真,提升预测性能。; 阅读建议:建议读者结合所提供的Matlab代码进行动手实践,重点关注GWO算法与Elman网络的接口设计、适应度函数构建及参数优化迭代过程,可通过调整数据集或迁移至其他预测场景以深化理解和验证模型泛化能力。
源码直接下载地址: https://pan.quark.cn/s/a4b39357ea24 JMeter的录制方法及过滤策略、线程组构成要素是什么? JMeter能够借助第三方录制工具(如BadBoy)或其自带的录制功能来完成录制工作,JMeter的录制机制:是借助HTTP代理服务器来捕获用户在操作网站时产生的链接信息。JMeter允许在配置HTTP代理服务器时,排除掉非必要的CSS、GIF等资源,以此减轻不必要的负担。 线程组涵盖:线程组的名称标识、附加注释说明、线程组内的用户数量、线程组完成请求的时间分配、循环执行次数、时间调度机制 【JMeter性能测试详解】 JMeter是一款功能强大的性能测试软件,常用于模拟大规模用户同时访问Web应用,用以衡量系统的性能表现和稳定性。接下来将具体说明JMeter的操作方法、线程组的设置以及性能测试的重要环节。 **JMeter录制与过滤** JMeter可以通过BadBoy等外部工具或其自带的HTTP代理服务器来记录用户的行为。其录制原理是JMeter作为HTTP代理,拦截用户浏览器发出的所有网络请求。在配置代理服务器时,能够过滤掉不必要的CSS、GIF等静态资源,以减少无效的负载。 **线程组配置** 线程组是JMeter测试计划的核心部分,包含以下几个关键参数: 1. **线程组名**:用于区分测试计划中的不同测试区域。 2. **注释**:用于记录测试目标或注意事项。 3. **线程数**:用于模拟并发用户的数量。 4. **循环次数**:每个线程需要执行的循环次数,可以设置为无限循环。 5. **Ramp-up period**:规定所有线程启动的时间跨度,旨在平滑增加负载。 6. **定时器**:例如思考时间或...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值