Nomad v1.7.19 企业版发布:安全增强与调度优化
项目简介
Nomad 是 HashiCorp 公司开发的一款轻量级、高性能的工作负载编排工具,它能够高效地部署和管理容器化及非容器化的应用程序。作为现代基础设施编排领域的重要解决方案,Nomad 以其简洁的架构和强大的调度能力赢得了众多企业的青睐。
安全增强
本次发布的 v1.7.19 企业版包含了一个重要的安全修复。在 OIDC(OpenID Connect)认证流程中,客户端密钥(client secret)现在会从 API 响应和事件流中被自动过滤掉。这一改进有效防止了敏感信息泄露的风险,提升了系统的整体安全性。
对于使用 OIDC 进行身份验证的企业用户来说,这一变化意味着更高的安全保障,无需担心敏感凭证信息在系统交互过程中被意外暴露。
核心改进
调度器优化
本次更新对调度器进行了重要改进,解决了节点类哈希计算中包含唯一属性的问题。在之前的版本中,调度器在计算节点类哈希时会将节点的唯一属性纳入考量,这会导致调度过程产生不必要的计算开销。
新版本通过将 consul.addr.dns 和 nomad.advertise.address 这类属性标记为唯一属性(分别更名为 unique.consul.addr.dns 和 unique.advertise.address),使调度器能够更高效地进行节点分类和任务分配。这一变化特别有利于大规模集群环境,能够显著提升调度性能。
CNI 网络改进
容器网络接口(CNI)方面修复了一个可能导致 IP 冲突的重要问题。在之前的版本中,Nomad 升级后可能不会正确迁移 CNI 状态信息,这会导致 IP 地址分配出现冲突。新版本确保了 CNI 状态的正确迁移,保障了网络配置的连续性。
CSI 插件稳定性
对于使用容器存储接口(CSI)的用户,本次更新修复了一个影响插件稳定性的问题。之前版本中,如果 CSI 插件在初始指纹采集阶段失败,系统不会自动重启这些插件。新版本改进了这一行为,确保插件能够被正确重启,提高了存储子系统的可靠性。
配置与模板改进
HCL 解析增强
在 HCL 配置解析方面,新版本增加了对空值(null)持续时间字段的检查,避免了可能出现的程序崩溃问题。这一改进使得配置处理更加健壮,特别是在处理复杂或动态生成的配置时。
模板系统优化
模板系统有两个重要改进:
- 修复了客户端模板重试配置的问题,确保未设置的
client.template重试块会正确使用默认值 - 升级了底层的 consul-template 依赖至 v0.40.0 版本,解决了可能导致客户端 CPU 使用率升高的 quiescence 计时器问题。这一改进特别有利于运行多个模板块的任务,能够有效降低资源消耗。
其他改进
- 基础架构升级至 Go 1.24.1,带来了语言层面的性能改进和安全修复
- 改进了 raw_exec 驱动在非 root 环境下的进程监控指标采集
- 完善了使用任务工作负载身份时的 Consul 策略配置,确保包含必要的节点前缀读取权限
升级建议
对于企业用户而言,v1.7.19 版本提供了多项重要的稳定性改进和安全增强。特别是对于以下场景,建议尽快安排升级:
- 使用 OIDC 认证的环境,以获取安全修复
- 大规模集群,可从调度器优化中获益
- 依赖 CNI 网络或 CSI 存储的部署环境
- 使用复杂模板配置的应用
升级前建议仔细阅读变更说明,特别是涉及节点属性名称变更的部分,确保相关配置和工具能够兼容新版本。
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