Harvester项目中的第三方存储集成技术解析
前言
在云原生和虚拟化技术快速发展的今天,存储系统的灵活性和可扩展性变得尤为重要。作为一款基于Kubernetes构建的开源超融合基础设施(HCI)解决方案,Harvester项目近期实现了对第三方存储系统的集成能力,这标志着其存储架构的重要演进。
存储集成架构设计
Harvester通过Containerized Data Importer(CDI)技术实现了对多种存储后端的支持。CDI作为Kubernetes生态系统中的数据导入工具,为Harvester提供了标准化的存储卷管理接口。系统设计中特别考虑了以下关键点:
-
存储后端抽象层:通过spec.backend字段区分不同存储类型,如Longhorn V1使用backingimage,其他类型则使用cdi。
-
存储类动态选择:用户可以在创建镜像时选择任意可用的StorageClass,系统会自动适配不同的存储后端。
-
数据迁移机制:特别针对Longhorn v2数据引擎,默认启用migratable特性以支持v1.8版本后的实时迁移功能。
用户界面交互优化
Harvester团队对用户界面进行了全面升级以支持新的存储架构:
-
镜像管理界面:
- 新增存储类显示列,方便用户识别镜像的存储位置
- 上传/下载镜像时自动填充后端存储类型信息
-
虚拟机创建流程:
- 显示根磁盘的存储类和虚拟大小信息
- 当根磁盘大小小于镜像虚拟大小时显示错误提示并禁用创建按钮
- 优化了从Longhorn v2镜像创建VM时的状态显示逻辑
-
存储卷管理:
- 过滤掉标记为黄金镜像的PVC和卷
- 根据存储类型动态调整可用操作(如导出镜像、创建快照等)
技术实现细节
在底层实现上,Harvester采用了多项关键技术:
-
克隆策略管理:控制器会自动为已验证的存储提供程序(如Longhorn v2引擎)补丁cloneStrategy字段,目前仅支持copy方式。
-
存储特性适配:
- 对于CDI卷(如LVM、NFS、LHv2),禁止导出到LHv1镜像
- 除LHv2存储类外,其他卷支持快照操作
-
状态机优化:解决了从Longhorn v2镜像创建VM时因CDI完整拷贝导致的长时间"stopping"状态问题,通过状态机调整实现了更流畅的用户体验。
未来发展方向
虽然当前版本已实现核心功能,但团队规划了进一步的优化:
-
存储策略配置:计划为高级用户提供cloneStrategy等参数的界面配置能力
-
第三方存储配置:将建立专门的配置界面和管理流程
-
性能优化:持续改进从外部存储创建VM的等待时间和状态显示
结语
Harvester对第三方存储的集成不仅扩展了其应用场景,也为用户提供了更灵活的存储选择。这种架构设计体现了云原生技术的优势,通过抽象层将不同存储系统无缝集成,同时保持用户体验的一致性。随着功能的不断完善,Harvester有望成为更加强大和通用的云原生虚拟化平台。
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 StartedRust0191
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 Notebook0120
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。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
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01