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。
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