OVN-Kubernetes 安装与使用指南
1. 项目目录结构及介绍
OVN-Kubernetes项目在GitHub上的仓库地址是 https://github.com/ovn-org/ovn-kubernetes.git,其结构如下:
.
├── ADOPTERS.md # 采用者列表,记录了使用该项目的组织或项目。
├── CODEOWNERS # 指定代码审查负责人。
├── CODE_OF_CONDUCT.md # 代码行为规范。
├── CONTRIBUTING.md # 贡献者指南,说明如何参与项目贡献。
├── GOVERNANCE.md # 项目治理方式说明。
├── LICENSE # 许可证文件,表明遵循Apache-2.0许可。
├── MAINTAINERS.md # 维护者名单。
├── MEETINGS.md # 社区会议信息。
├── OWNERS # 项目维护和代码所有者的指定文件。
├── README.md # 主要的项目读我文件,概述项目功能和快速入门指导。
├── REVIEWING.md # 代码审查指南。
├── SECURITY.md # 安全政策相关说明。
├── crd-docs-config.yaml # CRD配置相关的文档配置文件。
├── mkdocs.yml # MkDocs配置文件,用于构建项目文档网站。
├── requirements.txt # Python依赖文件,如果项目中包含了Python脚本或工具的依赖。
└── 目录结构的其他部分包括各个关键组件的源码(如go-controller, helm等)以及测试相关文件。
每个Markdown文档都对应了一部分内容,对于理解项目整体架构、贡献流程、社区规则等方面至关重要。源代码目录则包含了实现特定功能的模块,例如go-controller处理核心逻辑,helm提供了Helm图表以便于部署。
2. 项目的启动文件介绍
OVN-Kubernetes作为一个Kubernetes网络插件,并没有一个单一的“启动文件”来直接启动整个项目。它的部署通常涉及多个步骤,包括设置环境、配置网络策略、以及安装CNI插件等。部署时,可能会用到Helm图表(位于helm目录下),或者通过Kubernetes的YAML配置文件进行手动部署。因此,启动过程更多地依赖于Kubernetes集群本身的管理命令和特定的部署脚本/配置文件。
Helm启动简述
若使用Helm进行部署,你会查找或编辑helm目录下的Chart模板,然后执行类似以下的命令:
helm install ovn-kubernetes <path-to-helm-chart> --namespace ovn-kubernetes
这只是一个简化示例,实际部署可能需要更具体的参数配置。
3. 项目的配置文件介绍
OVN-Kubernetes的配置主要体现在以下几个方面:
-
Kubernetes资源定义:通过Kubernetes YAML文件定义网络策略、服务、部署等。这些文件不是固定存在于某个特定位置,而是依据部署需求由管理员或自动化工具创建。
-
CNI配置:当作为CNI插件使用时,OVN-Kubernetes的配置可能涉及修改节点上的CNI配置文件,如
/etc/cni/net.d/目录下的配置文件,指示Kubernetes使用OVN作为网络后端。 -
Helm Chart配置:如果你选择Helm进行部署,
values.yaml文件是主要的配置入口点,允许你调整各种运行时参数,比如网络范围、服务CIDR等。
由于项目的核心在于与Kubernetes API交互并基于之配置网络,具体配置文件的内容和形式高度依赖于部署场景,可以非常定制化。建议查阅官方文档中的部署指南,特别是对于如何利用Helm图表自定义配置部分,以获得详细配置实例。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00