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。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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