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。
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
KuiklyUI基于KMP技术的高性能、全平台开发框架,具备统一代码库、极致易用性和动态灵活性。 Provide a high-performance, full-platform development framework with unified codebase, ultimate ease of use, and dynamic flexibility. 注意:本仓库为Github仓库镜像,PR或Issue请移步至Github发起,感谢支持!Kotlin08
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00