netbox-branching 的安装和配置教程
项目基础介绍
netbox-branching 是一个为 NetBox 提供分支功能的官方插件,它允许用户创建 NetBox 数据库的静态快照,这些快照可以独立修改,并在之后合并回主数据库。这种功能使用户能够在不影响网络真相源完整性的情况下,对 NetBox 中的对象进行“离线”更改。此外,它也提供了一个机会,在应用更改之前可以批量审查这些更改。
该项目的主要编程语言是 Python。
项目使用的关键技术和框架
- NetBox: 一个开源的 IP 地址管理(IPAM)和数据中心自动化工具。
- PostgreSQL: 一个功能强大的开源对象关系型数据库系统。
- Django: 一个用于快速开发网站的高级 Python Web 框架。
项目安装和配置的准备工作
在开始安装 netbox-branching 插件之前,请确保您的系统满足以下要求:
- NetBox 版本 4.1 或更高。
- PostgreSQL 版本 12 或更高。
- Python 环境已经设置好,并且能够运行 NetBox。
接下来是详细的安装步骤:
-
授权 PostgreSQL 权限
首先,需要给 NetBox 数据库用户授权创建架构的权限:
GRANT CREATE ON DATABASE $database TO $user;请将
$database替换为实际的数据库名称,将$user替换为实际的数据库用户名称。 -
激活 NetBox 虚拟环境
在终端中,进入到 NetBox 的虚拟环境目录,并激活它:
$ source /opt/netbox/venv/bin/activate -
安装 netbox-branching 插件
使用 pip 命令从 PyPI 安装 netbox-branching 插件:
$ pip install netboxlabs-netbox-branching -
配置 NetBox 以使用插件
打开 NetBox 的
configuration.py文件,并在PLUGINS列表的末尾添加netbox_branching。请注意,netbox_branching必须是列表中的最后一个插件。PLUGINS = [ # ... 'netbox_branching', ] -
创建 local_settings.py
在与
settings.py相同的目录中创建一个local_settings.py文件,以覆盖DATABASES和DATABASE_ROUTERS设置,从而启用动态架构支持。from netbox_branching.utilities import DynamicSchemaDict from .configuration import DATABASE # 使用 DynamicSchemaDict 包装 DATABASES 以支持动态架构 DATABASES = DynamicSchemaDict({ 'default': DATABASE, }) # 使用自定义数据库路由器 DATABASE_ROUTERS = [ 'netbox_branching.database.BranchAwareRouter', ] -
运行 NetBox 迁移
最后,运行以下命令来执行 NetBox 迁移,应用 netbox-branching 插件的数据库变更:
$ ./manage.py migrate
完成以上步骤后,netbox-branching 插件应该就已经成功安装并配置完成了。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0195
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0124
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07