Harvester 开源项目教程
1. 项目介绍
Harvester 是一个基于 Kubernetes 的开源超融合基础设施 (HCI) 软件。它旨在为企业提供一个易于使用、高性能的基础设施平台,利用本地直接附加存储而不是复杂的外部 SAN。Harvester 通过 Kubernetes API 统一了容器和虚拟机工作负载的自动化语言,提供了虚拟机生命周期管理、实时迁移、备份与恢复、存储管理、网络管理等功能。
2. 项目快速启动
2.1 安装 Harvester
首先,从 GitHub 下载 Harvester ISO 文件:
wget https://github.com/harvester/harvester/releases/download/v1.3.2/harvester-v1.3.2-amd64.iso
将 ISO 文件挂载到裸金属服务器上,并启动服务器。选择 Harvester Installer 选项进行安装。
2.2 创建新集群
在安装过程中,选择“创建新 Harvester 集群”选项。配置以下参数:
- 安装磁盘:选择安装 Harvester 集群的磁盘。
- 数据磁盘:选择存储虚拟机数据的磁盘。
- 持久分区大小:如果使用同一磁盘存储系统和虚拟机数据,配置持久分区大小(默认 150 GiB)。
2.3 配置网络
配置管理网络接口,选择 DHCP 或静态 IP 地址。配置虚拟 IP (VIP) 以便其他节点加入集群。
2.4 完成安装
确认安装选项后,Harvester 将自动安装并配置集群。安装完成后,服务器将重启,Harvester 控制台将显示管理 URL 和状态。
3. 应用案例和最佳实践
3.1 企业级虚拟化
Harvester 适用于需要高性能虚拟化环境的企业。通过集成 Kubernetes,Harvester 不仅支持传统虚拟机,还能无缝支持容器化应用,实现从核心到边缘的统一管理。
3.2 边缘计算
Harvester 的轻量级和易于部署的特性使其成为边缘计算环境的理想选择。通过与 Rancher 集成,Harvester 可以在边缘节点上自动管理虚拟机和容器,确保数据和应用的高可用性。
3.3 混合云环境
Harvester 支持与现有云环境的集成,提供一致的管理体验。企业可以在本地数据中心和公有云之间灵活部署和管理应用,实现混合云架构。
4. 典型生态项目
4.1 Rancher
Rancher 是一个开源的多集群管理平台,与 Harvester 深度集成。通过 Rancher,用户可以在统一界面中管理 Harvester 集群和其他 Kubernetes 集群,实现跨环境的资源调度和应用管理。
4.2 Longhorn
Longhorn 是一个轻量级、可靠且易于使用的分布式块存储系统,专为 Kubernetes 设计。Harvester 集成了 Longhorn,提供高性能的分布式存储解决方案,支持虚拟机和容器的数据持久化。
4.3 KubeVirt
KubeVirt 是一个 Kubernetes 的虚拟机管理插件,允许在 Kubernetes 集群中运行和管理虚拟机。Harvester 利用 KubeVirt 提供虚拟机生命周期管理功能,确保虚拟机和容器在同一平台上的无缝集成。
通过以上模块的介绍,您可以快速了解 Harvester 开源项目的核心功能和应用场景,并开始在您的环境中部署和使用 Harvester。
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。C033
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
kylin-wayland-compositorkylin-wayland-compositor或kylin-wlcom(以下简称kywc)是一个基于wlroots编写的wayland合成器。 目前积极开发中,并作为默认显示服务器随openKylin系统发布。 该项目使用开源协议GPL-1.0-or-later,项目中来源于其他开源项目的文件或代码片段遵守原开源协议要求。C00
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-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
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