Unfurl:基础设施即代码的最佳实践
2025-05-17 00:00:39作者:温艾琴Wonderful
1. 项目介绍
Unfurl 是一个开源的命令行工具,用于部署服务和应用。它允许用户使用 OASIS TOSCA(Topology and Orchestration Specification for Cloud Applications)标准在高级别描述应用程序架构。Unfurl 根据部署环境(如云服务提供商、Kubernetes 或自托管机器)创建一个适应性的部署计划,使用如壳脚本、Terraform 模块或 Ansible playbooks 等工具。
Unfurl 在 Git 中记录所有必要信息,以便实现可重现的部署,包括配置、部署中使用的工件和源代码库以及已部署资源的状态。这使用户能够在配置、依赖项或环境变化时进行智能更新。
2. 项目快速启动
首先,确保您的系统已安装以下依赖项:
- Python 3.6 或更高版本
- Git
然后,克隆 Unfurl 仓库:
git clone https://github.com/onecommons/unfurl.git
cd unfurl
安装项目依赖:
pip install -r requirements.txt
创建一个 Unfurl 项目:
unfurl init myproject
cd myproject
定义您的云蓝图。在 blueprint.py 文件中,描述您的应用程序架构:
from unfurl import TOSCA, BaseTemplate
class MyTemplate(BaseTemplate):
# 定义资源、服务和工件
pass
if __name__ == '__main__':
print(TOSCA(MyTemplate()))
实例化并部署您的蓝图:
unfurl instantiate myblueprint.yaml
unfurl deploy
3. 应用案例和最佳实践
案例一:部署简单的 Web 应用
- 定义一个包含 Web 服务器、数据库和负载均衡器的 TOSCA 模板。
- 使用 Unfurl 将模板实例化为部署计划。
- 使用 Git 跟踪配置和部署状态,实现可重现的部署。
最佳实践
- 保持蓝图简单易懂,避免不必要的复杂性。
- 利用 Unfurl 的版本控制功能,确保部署的一致性和可追踪性。
- 使用 Unfurl 的密钥管理功能,保护敏感信息。
4. 典型生态项目
- Terraform:用于创建和管理云基础架构。
- Ansible:自动化配置管理和应用部署。
- Kubernetes:容器编排和自动化部署。
以上就是使用 Unfurl 的最佳实践方式。通过这些步骤,您可以更有效地管理和部署云基础设施。
登录后查看全文
热门项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
jiuwenclawJiuwenClaw 是一款基于openJiuwen开发的智能AI Agent,它能够将大语言模型的强大能力,通过你日常使用的各类通讯应用,直接延伸至你的指尖。Python0220- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
AtomGit城市坐标计划AtomGit 城市坐标计划开启!让开源有坐标,让城市有星火。致力于与城市合伙人共同构建并长期运营一个健康、活跃的本地开发者生态。01
AntSK基于.Net9 + AntBlazor + SemanticKernel 和KernelMemory 打造的AI知识库/智能体,支持本地离线AI大模型。可以不联网离线运行。支持aspire观测应用数据CSS01
项目优选
收起
deepin linux kernel
C
27
13
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
625
4.12 K
Ascend Extension for PyTorch
Python
464
554
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
930
801
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
69
21
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
114
181
暂无简介
Dart
871
207
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
130
189
openJiuwen agent-studio提供零码、低码可视化开发和工作流编排,模型、知识库、插件等各资源管理能力
TSX
1.43 K
378
昇腾LLM分布式训练框架
Python
136
160