Virtual Kubelet 使用教程
项目介绍
Virtual Kubelet 是一个开源的 Kubernetes kubelet 实现,它伪装成一个 kubelet,目的是将 Kubernetes 连接到其他 API。这使得节点可以由其他服务支持,如 ACI、AWS Fargate、IoT Edge 等。Virtual Kubelet 的主要应用场景是扩展 Kubernetes API 到无服务器容器平台,如 ACI 和 Fargate。尽管如此,它并不旨在替代 Kubernetes 联邦。
项目快速启动
安装 Virtual Kubelet
首先,确保你已经安装了 Kubernetes 集群。然后,你可以通过以下命令安装 Virtual Kubelet:
# 克隆项目仓库
git clone https://github.com/virtual-kubelet/virtual-kubelet.git
cd virtual-kubelet
# 构建并运行 Virtual Kubelet
make build
./bin/virtual-kubelet --provider <PROVIDER_NAME> --kubeconfig <PATH_TO_KUBECONFIG>
配置 Provider
Virtual Kubelet 支持多种 Provider,例如 ACI、AWS Fargate 等。你需要根据选择的 Provider 进行相应的配置。以下是一个示例配置:
apiVersion: v1
kind: ConfigMap
metadata:
name: virtual-kubelet-config
namespace: default
data:
provider: "aci"
# 其他 Provider 特定的配置
应用案例和最佳实践
案例一:使用 Virtual Kubelet 连接到 ACI
假设你有一个 Kubernetes 集群,并且希望将一些工作负载部署到 Azure Container Instances (ACI)。你可以通过以下步骤实现:
-
安装 Virtual Kubelet ACI Provider:
helm install virtual-kubelet/virtual-kubelet --name vk-aci --namespace vk-aci --set provider=azure -
部署应用到 ACI:
apiVersion: apps/v1 kind: Deployment metadata: name: aci-deployment spec: replicas: 3 selector: matchLabels: app: aci-app template: metadata: labels: app: aci-app spec: containers: - name: aci-app image: nginx:latest ports: - containerPort: 80 nodeSelector: kubernetes.io/role: agent beta.kubernetes.io/os: linux type: virtual-kubelet tolerations: - key: virtual-kubelet.io/provider operator: Equal value: azure effect: NoSchedule
最佳实践
- 资源管理:确保为 Virtual Kubelet 节点配置适当的 Taint 和 Tolerations,以保证容器和 VM Pod 的调度分离。
- 服务发现:通过 Provider 实现的 API 将 IaaS 层 VM 信息抽象成对应 Pod 对象的信息,以便上报 Endpoints。
典型生态项目
1. Azure Container Instances (ACI)
ACI 是一个完全托管的容器服务,可以与 Virtual Kubelet 无缝集成,提供按需、弹性的容器运行环境。
2. AWS Fargate
AWS Fargate 是一个无服务器计算引擎,适用于 Amazon ECS 和 EKS,可以与 Virtual Kubelet 结合使用,实现无服务器容器部署。
3. IoT Edge
IoT Edge 是一个用于在边缘设备上运行容器化应用的平台,Virtual Kubelet 可以扩展 Kubernetes 管理到边缘设备。
通过这些生态项目,Virtual Kubelet 不仅扩展了 Kubernetes 的管理能力,还提供了与多种云服务和边缘计算平台的集成。
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