Terraform Provider for AzureRM:解决Marketplace镜像部署VM时的Plan报错问题
问题背景
在使用Terraform Provider for AzureRM部署基于Azure Marketplace镜像的虚拟机时,开发者可能会遇到一个常见错误:"Creating a virtual machine from Marketplace image requires Plan information in the request"。这个错误表明Azure平台要求为Marketplace镜像提供额外的Plan信息,但开发者已经按照文档配置了plan块却仍然报错。
问题分析
从错误日志可以看出,系统明确提示需要为Marketplace镜像提供Plan信息。Plan是Azure Marketplace中第三方镜像的授权协议,包含三个关键元素:publisher(发布者)、product(产品名称)和name(SKU名称)。当使用这些镜像创建VM时,必须接受相关条款并指定正确的Plan信息。
在提供的配置中,开发者已经为rocky-8-lvm镜像配置了plan块,但系统仍然报错。经过仔细检查,发现配置中存在几个潜在问题:
- 资源定义逻辑存在问题:同时创建了两个VM资源(vm_rocky和vm),但条件判断不够严谨
- 变量传递可能存在问题:os_distribution变量的值可能被错误解析
- 镜像信息可能不完整:plan块中的信息需要与source_image_reference完全匹配
解决方案
1. 确保Plan信息完整准确
Plan块必须包含三个必要字段,且必须与source_image_reference中的对应字段完全一致:
plan {
publisher = "resf" # 必须与source_image_reference中的publisher一致
product = "rockylinux-x86_64" # 必须与source_image_reference中的offer一致
name = "8-lvm" # 必须与source_image_reference中的sku一致
}
2. 简化资源定义逻辑
原配置中使用了两个独立的VM资源定义(vm_rocky和vm),并通过条件判断选择使用哪个。这种设计容易导致逻辑混乱,建议简化为单一资源定义:
resource "azurerm_linux_virtual_machine" "vm" {
# 公共配置...
dynamic "plan" {
for_each = contains(["rocky-8-lvm", "rocky-9-lvm"], var.os_distribution) ? [1] : []
content {
publisher = local.image_map[var.os_distribution].image_publisher
product = local.image_map[var.os_distribution].image_offer
name = local.image_map[var.os_distribution].image_sku
}
}
source_image_reference {
publisher = local.image_map[var.os_distribution].image_publisher
offer = local.image_map[var.os_distribution].image_offer
sku = local.image_map[var.os_distribution].image_sku
version = var.image_version
}
}
3. 验证Marketplace协议
即使正确配置了Plan信息,还需要确保订阅已接受相关Marketplace镜像的使用条款。可以通过Azure CLI验证:
az vm image terms show --publisher resf --offer rockylinux-x86_64 --plan 8-lvm
如果尚未接受条款,需要使用以下命令接受:
az vm image terms accept --publisher resf --offer rockylinux-x86_64 --plan 8-lvm
最佳实践建议
- 统一资源定义:避免使用多个相似的资源定义,改用dynamic块处理不同情况
- 完善变量验证:为os_distribution变量添加验证,确保只传递有效值
- 模块化设计:将VM创建逻辑封装为模块,提高复用性
- 状态管理:定期执行terraform plan检测配置漂移
- 错误处理:为关键资源配置合理的timeout设置
总结
在使用Terraform部署Azure Marketplace镜像时,正确处理Plan信息是关键。开发者需要确保:
- Plan块信息完整且与镜像引用一致
- 已接受相关Marketplace条款
- 资源定义逻辑清晰简洁
- 配置验证机制完善
通过以上措施,可以有效避免"Plan information required"错误,确保虚拟机部署流程顺利完成。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00