Netmiko项目中Fortinet防火墙多VDOM配置的技术实践
背景介绍
在使用Netmiko库管理Fortinet防火墙时,当设备启用了多VDOM(虚拟域)功能时,常规的连接和命令执行方式可能会遇到问题。本文将通过一个实际案例,详细介绍如何正确使用Netmiko与启用了多VDOM功能的Fortinet防火墙进行交互。
问题现象
在尝试通过Netmiko执行config vdom命令进入VDOM配置模式时,系统会抛出错误提示:"Pattern not detected: 'FW\-NUA\-FW01\ \$' in output"。这表明Netmiko无法识别设备返回的新提示符模式,导致命令执行失败。
问题分析
Fortinet防火墙在多VDOM环境下,当执行config vdom命令后,设备的提示符会发生变化。例如:
- 执行前提示符可能是:
FW-NUA-FW01 # - 执行
config vdom后提示符变为:FW-NUA-FW01 (vdom) #
Netmiko默认使用初始连接时获取的提示符模式来验证命令执行完成,当提示符发生变化时,这种验证就会失败。
解决方案
针对这个问题,我们可以使用Netmiko的expect_string参数来显式指定预期的提示符模式。具体实现如下:
# 进入VDOM配置模式
net_connect.send_command('config vdom', expect_string=r"\ \(\w+\)\ [#$]")
# 切换到特定VDOM
net_connect.send_command(f'edit {vdom}', expect_string=r"\ \(\w+\)\ [#$]")
# 执行后续命令
net_connect.send_command(f'exec ping-options source {source}', expect_string=r"\ \(\w+\)\ [#$]")
关键点说明:
expect_string参数使用正则表达式来匹配变化后的提示符- 模式
\ \(\w+\)\ [#$]可以匹配形如(vdom) #或(vdom) $的提示符 - 每个可能改变提示符的命令都需要指定
expect_string
完整示例
以下是一个完整的示例代码,展示了如何在多VDOM环境下执行ping测试:
from netmiko import ConnectHandler
def ping_test(host, target, source, port, vdom=None):
device = {
"device_type": "fortinet",
"host": host,
"port": port,
"username": "admin",
"password": "password"
}
try:
with ConnectHandler(**device, allow_auto_change=True) as net_connect:
if vdom is not None:
net_connect.send_command('config vdom', expect_string=r"\ \(\w+\)\ [#$]")
net_connect.send_command(f'edit {vdom}', expect_string=r"\ \(\w+\)\ [#$]")
net_connect.send_command(f'exec ping-options source {source}', expect_string=r"\ \(\w+\)\ [#$]")
result = net_connect.send_command(f'execute ping {target}', read_timeout=60, expect_string=r"\ \(\w+\)\ [#$]")
else:
net_connect.send_command(f'exec ping-options source {source}')
result = net_connect.send_command(f'execute ping {target}', read_timeout=60)
return process_ping_result(result)
except Exception as e:
print(f"Error occurred: {e}")
return None
最佳实践建议
-
提示符模式设计:仔细分析设备在不同模式下的提示符变化,设计能够覆盖所有可能情况的正则表达式。
-
超时设置:对于执行时间较长的命令(如ping),适当增加
read_timeout参数值。 -
错误处理:实现完善的异常处理机制,特别是网络连接不稳定时。
-
日志记录:启用Netmiko的会话日志功能,便于调试和问题排查。
-
权限考虑:注意不同权限级别(如
#和$)对命令执行的影响。
总结
通过合理使用expect_string参数,我们可以有效解决Netmiko与Fortinet防火墙多VDOM环境下的交互问题。这种方法不仅适用于VDOM切换场景,也可推广到其他会导致提示符变化的设备操作中。掌握这一技巧能够大大增强网络自动化脚本的健壮性和可靠性。
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