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。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0201
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0130
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python08
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07