Harvester v1.5.0:企业级超融合基础设施平台的重要更新
项目概述
Harvester是一个开源的超融合基础设施(HCI)解决方案,它将计算、存储和网络功能整合到单一平台上,专为虚拟化和容器化工作负载设计。作为一个基于Kubernetes构建的平台,Harvester结合了Kubernetes的灵活性和传统虚拟化环境的易用性,为用户提供了现代化的基础设施管理体验。
核心特性解析
实验性功能:Longhorn V2数据引擎增强
Harvester v1.5.0集成了Longhorn v1.8.1,引入了V2数据引擎的重大改进。这一更新支持使用V2存储类创建虚拟机镜像和启动卷,并实现了带有V2卷的虚拟机实时迁移功能。值得注意的是,要充分利用这些增强功能,用户需要在升级后创建新的V2存储类,因为v1.4.x版本创建的V2卷在升级后仍不支持迁移。
第三方存储支持
v1.5.0版本的一个关键进步是增加了对第三方存储解决方案的支持。通过外部容器存储接口(CSI)驱动,用户现在可以为根卷和数据卷配置存储后端。这一功能扩展了Harvester的存储选项,使企业能够根据特定需求选择适合的存储解决方案,无论是性能优化还是与现有存储基础设施的无缝集成。
ARM64架构全面支持
此版本标志着Harvester对ARM64架构的全面支持。所有组件,包括之前仅支持AMD64的插件,现在都可在ARM平台上运行。升级路径也得到了完善,使ARM-only集群能够平滑过渡到新版本。经过全面测试,ARM版本现已稳定,适合生产环境部署。
安装与升级
安装选项
Harvester v1.5.0提供多种安装方式:
- 标准ISO镜像安装
- 可启动USB驱动器安装
- PXE网络引导安装
- 新增的网络安装ISO(仅包含核心OS组件)
安装程序现在会严格检查硬件是否符合生产环境的最低要求,若检查失败将停止安装。对于测试目的,用户可通过添加特定内核参数跳过这些检查。
升级路径
Harvester仅支持从特定版本进行升级。v1.5.0特别强调了对ARM64集群升级路径的支持,确保了不同架构环境的平滑过渡。
技术增强与优化
存储网络改进
新版本改进了存储网络的配置选项,支持未标记的VLAN,为网络配置提供了更大的灵活性。同时,文档中增加了关于存储网络最佳实践的详细指南,帮助用户优化配置。
虚拟机管理增强
在虚拟机管理方面,v1.5.0引入了多项改进:
- 支持持久性TPM(可信平台模块)
- 改进的EFI模式支持
- 增强的CPU固定功能
- 优化的资源配额计算
监控与日志
监控和日志组件进行了版本升级,提供了更全面的系统洞察能力。升级日志功能也得到了增强,更好地适应了日志堆栈的变化。
问题修复与稳定性提升
v1.5.0版本解决了大量已知问题,包括但不限于:
- PCI设备直通问题
- 虚拟机迁移过程中的资源配额竞争条件
- 存储网络配置错误处理
- 虚拟机备份与第三方存储的兼容性问题
- 安装程序对异常输入的处理
这些修复显著提高了平台的稳定性和可靠性。
组件版本更新
Harvester v1.5.0集成了多个核心组件的更新版本:
- Longhorn升级至v1.8.1
- KubeVirt升级至v1.4.0
- 嵌入式Rancher升级至v2.11.0
- RKE2升级至v1.32.3+rke2r1
- 基于SLE Micro 5.5的操作系统
总结
Harvester v1.5.0通过引入第三方存储支持、完善ARM64架构兼容性、增强数据引擎功能等一系列重要更新,进一步巩固了其作为现代化超融合基础设施解决方案的地位。对于寻求简化基础设施管理、提高资源利用率的企业来说,这一版本提供了更强大、更灵活的平台选择。无论是新部署还是现有环境升级,v1.5.0都值得考虑。
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 StartedRust0198
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 Notebook0129
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。Python07
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