RKE2 v1.29.13版本发布:Kubernetes发行版的重要更新
RKE2(Rancher Kubernetes Engine 2)是Rancher团队开发的一个经过CNCF认证的Kubernetes发行版,专为生产环境设计,具有轻量级、安全性和易用性等特点。它结合了Kubernetes的强大功能和Rancher的简化管理体验,特别适合需要企业级Kubernetes解决方案的用户。
核心组件升级
本次发布的v1.29.13+rke2r1版本将Kubernetes核心升级到了v1.29.13,这是Kubernetes 1.29系列的最新稳定版本。作为Kubernetes发行版,RKE2始终紧跟上游社区的稳定版本,确保用户能够获得最新的功能和安全修复。
在容器运行时方面,该版本包含了Containerd v1.7.23-k3s2和Runc v1.2.4的组合。这两个组件是容器生态系统的核心,它们的稳定性和安全性直接关系到整个Kubernetes集群的运行质量。值得注意的是,这个版本的Containerd是经过RKE2团队特别定制的版本,针对Kubernetes环境进行了优化。
网络插件增强
网络是Kubernetes集群的关键组件,RKE2提供了多种CNI(容器网络接口)插件选项:
- Canal(默认选项):结合了Flannel v0.26.3的简单性和Calico v3.29.1的策略能力,并且是FIPS兼容的
- 纯Calico:版本v3.29.1,适合需要高级网络策略的用户
- Cilium:升级到v1.16.5,为需要eBPF高性能网络的用户提供了选择
- Multus:v4.1.4版本,支持多网络接口的复杂场景
特别值得一提的是,本次更新中对Calico和Canal插件进行了优化,改进了IPv6环境下的IP自动检测功能,这对于纯IPv6部署场景的用户来说是一个重要改进。
存储与云提供商集成
在存储方面,该版本包含了多个重要更新:
- Harvester CSI Driver升级到v0.1.22
- Harvester Cloud Provider升级到v0.2.9
- vSphere CSI驱动保持v3.3.1-rancher700版本
- vSphere CPI升级到v1.9.100
这些更新显著提升了在各类云环境和本地虚拟化平台上的存储管理能力,特别是对于使用Harvester或vSphere作为底层基础设施的用户。
安全与运维改进
安全始终是RKE2的重点关注领域。本次发布中,Ingress-Nginx组件升级到了v1.12.0-hardened2版本,这是一个经过强化安全配置的特别版本。Metrics Server也更新到了v0.7.2,提供了更完善的集群监控指标。
运维方面新增了一个重要功能:运行时类(Runtime Classes)的钩子和运行时图表。这使得用户能够更灵活地配置和管理不同的容器运行时,对于需要混合使用不同运行时的场景特别有用。
重要注意事项
对于集群管理员来说,需要特别注意令牌管理:如果服务器节点启动时没有显式指定令牌,RKE2会在初始集群启动时生成一个随机令牌。这个令牌不仅用于新节点加入集群,还用于加密存储在数据存储中的集群引导数据。管理员应妥善保管这个令牌,特别是在进行集群恢复操作时会需要它。
可以通过以下命令从已加入集群的任何服务器节点上检索令牌值:
cat /var/lib/rancher/rke2/server/token
总结
RKE2 v1.29.13+rke2r1版本在Kubernetes核心、网络组件、存储集成和安全性方面都带来了重要更新。作为一款面向生产环境的Kubernetes发行版,RKE2通过持续的组件更新和优化,为用户提供了更稳定、更安全的容器编排平台。无论是新功能的引入还是现有组件的增强,都体现了RKE2团队对产品质量和用户体验的重视。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C098
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00