Longhorn Engine 使用教程
1. 项目介绍
Longhorn Engine 是一个轻量级的块设备存储控制器,能够将数据存储在多个副本中。它类似于网络 RAID 控制器,副本由 Linux 稀疏文件支持,并支持使用差异磁盘进行高效的快照。副本功能类似于网络磁盘,支持通过网络协议进行读写操作。前端(目前仅支持 Open-iSCSI/tgt)是一个内核驱动程序,将 Longhorn 块设备(映射到 /dev/longhorn/vol-name)上的读写操作转换为用户级别的网络请求。每个 Longhorn 块设备都由其专用的控制器支持,控制器同步复制写操作到所有副本,检测故障副本并重建副本,协调快照和备份操作。控制器和副本被打包为 Docker 容器。
2. 项目快速启动
2.1 环境准备
在开始之前,确保你的主机已经安装了 Docker。可以通过以下命令检查 Docker 是否安装:
docker info
2.2 启动单个副本的控制器
最简单的尝试 Longhorn Engine 的方法是启动一个带有单个副本的控制器。运行以下命令:
docker run --privileged -v /dev:/host/dev -v /proc:/host/proc -v /volume \
longhornio/longhorn-engine:master-head launch-simple-longhorn vol-name 10g tgt-blockdev
这将创建一个设备 /dev/longhorn/vol-name。
2.3 启动多个副本的控制器
要启动带有多个副本的 Longhorn Engine,你需要在副本容器和控制器容器之间设置网络。以下是使用 Docker 网络功能进行演示的步骤:
-
创建一个名为
longhorn-net的网络:docker network create --subnet=172.18.0.0/16 longhorn-net -
将两个副本添加到网络中,并将其 IP 设置为 172.18.0.2 和 172.18.0.3:
docker run --net longhorn-net --ip 172.18.0.2 -v /volume \ longhornio/longhorn-engine longhorn replica --listen 172.18.0.2:9502 --size 10g /volume docker run --net longhorn-net --ip 172.18.0.3 -v /volume \ longhornio/longhorn-engine longhorn replica --listen 172.18.0.3:9502 --size 10g /volume -
启动控制器(以 tgt-blockdev 为例):
docker run --net longhorn-net --privileged -v /dev:/host/dev -v /proc:/host/proc \ longhornio/longhorn-engine longhorn controller --frontend tgt-blockdev \ --replica tcp://172.18.0.2:9502 --replica tcp://172.18.0.3:9502 vol-name
现在你将拥有设备 /dev/longhorn/vol-name。
3. 应用案例和最佳实践
3.1 应用案例
Longhorn Engine 适用于需要高可用性和数据冗余的场景,例如:
- Kubernetes 集群:在 Kubernetes 集群中,Longhorn Engine 可以作为持久存储解决方案,确保数据在多个节点之间同步和备份。
- 分布式数据库:在分布式数据库系统中,Longhorn Engine 可以提供可靠的存储层,确保数据在多个副本之间的一致性。
3.2 最佳实践
- 副本数量:建议至少使用三个副本以确保数据的可靠性和高可用性。
- 网络配置:确保副本和控制器之间的网络连接稳定,避免网络延迟和丢包。
- 监控和日志:定期监控 Longhorn Engine 的运行状态,并记录日志以便故障排查。
4. 典型生态项目
Longhorn Engine 通常与其他开源项目结合使用,以构建完整的存储解决方案。以下是一些典型的生态项目:
- Longhorn:Longhorn 是一个基于 Kubernetes 的分布式块存储系统,使用 Longhorn Engine 作为其存储控制器。
- Rancher:Rancher 是一个 Kubernetes 管理平台,支持 Longhorn 作为其存储选项之一。
- OpenEBS:OpenEBS 是一个开源的容器附加存储解决方案,可以与 Longhorn Engine 结合使用,提供更丰富的存储功能。
通过结合这些生态项目,用户可以构建出更加强大和灵活的存储解决方案,满足不同场景的需求。
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