Harvester中集成Rancher管理的最佳实践
在虚拟化平台Harvester中集成Rancher进行集群管理是一个常见的需求,特别是在1.4.0版本中。本文将详细介绍两种主要的集成方案,并针对常见的证书验证问题提供解决方案。
Rancher部署方案选择
对于Harvester用户来说,集成Rancher主要有两种途径:
-
独立部署方案:在专用物理机或虚拟机上部署Rancher服务。这种方式适合有额外硬件资源的环境,可以提供更好的性能和隔离性。
-
内置vCluster方案:通过Harvester的rancher-vcluster插件部署。这是资源受限环境下的理想选择,无需额外硬件即可获得Rancher管理功能。
证书验证问题的解决
在集成过程中,当Rancher使用自签名证书时(如IP地址为192.168.4.230的情况),Harvester可能会拒绝连接。这是因为Harvester默认不信任自签名证书。
解决此问题需要将Rancher的CA证书添加到Harvester的信任链中。具体操作步骤如下:
-
从Rancher集群获取CA证书: 使用kubectl命令从cattle-system命名空间中提取tls-rancher-ingress secret中的CA证书。
-
将获取的证书添加到Harvester: 通过Harvester的Web界面,在"设置"页面找到"additional-ca"配置项,将上一步获取的证书内容添加进去。
最佳实践建议
-
生产环境建议:对于生产环境,建议使用独立部署方案,并配置正式的SSL证书而非自签名证书,以提高安全性和可靠性。
-
测试环境建议:在测试或开发环境中,可以使用vCluster方案快速部署,但需要注意证书管理问题。
-
证书管理:无论采用哪种方案,都应建立完善的证书管理流程,确保证书在到期前及时更新。
通过以上方案,用户可以在Harvester环境中灵活地集成Rancher管理功能,根据实际需求选择最适合的部署方式,并有效解决常见的证书验证问题。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00