Cobbler项目中的CentOS 9 Stream EFI引导问题分析与解决方案
问题背景
在Cobbler自动化部署环境中,当使用CentOS 9 Stream操作系统并启用UEFI模式时,系统安装完成后会出现引导失败的问题。具体表现为系统无法从本地GRUB选项正确引导,而是显示找不到EFI引导文件的错误信息。
问题现象
系统重启后尝试从本地引导时,会出现以下错误提示:
Failed to open \efi\boot\grubx64.efi - Not Found
Failed to load image \efi\boot\grubx64.efi: Not Found
start_image() returned Not Found
error: ../../grub-core/loader/efi/chainloader.c:88:unknown error.
技术分析
这个问题源于Cobbler的GRUB配置文件中缺少对CentOS 9 Stream特定EFI引导路径的支持。在UEFI模式下,不同Linux发行版的GRUB引导文件存放路径有所不同:
- Ubuntu系统通常将GRUB EFI文件存放在
/efi/ubuntu/grubx64.efi - 传统GRUB安装可能使用
/efi/grub/grub.efi - CentOS 9 Stream则将其GRUB EFI文件存放在
/efi/centos/grubx64.efi
当前的Cobbler配置只检查了前两种路径,当找不到这些文件时会默认尝试加载/efi/boot/bootx64.efi,而CentOS 9 Stream并不在这个默认路径安装GRUB EFI文件,导致引导失败。
解决方案
解决此问题需要修改Cobbler的GRUB配置文件,增加对CentOS 9 Stream EFI引导路径的支持。具体修改如下:
- 编辑
config/grub/grub/local_efi.cfg文件 - 在现有的条件判断中增加对CentOS路径的检查
- 如果找到CentOS的GRUB EFI文件,则加载该文件
修改后的配置片段如下:
elif [ -f (${root})/efi/centos/grubx64.efi ] ; then
chainloader (${root})/efi/centos/grubx64.efi
实施建议
对于已经部署的系统,可以通过以下方式应用此修复:
- 在Cobbler服务器上修改GRUB配置文件
- 重新生成系统引导配置
- 在客户端系统上验证EFI引导文件确实存在于
/efi/centos/grubx64.efi路径 - 重启客户端系统测试引导是否正常
技术延伸
这个问题反映了现代Linux发行版在UEFI引导实现上的差异。随着UEFI成为主流的引导方式,不同发行版对EFI系统分区的使用规范尚未完全统一。作为系统部署工具,Cobbler需要适应这些差异,提供更全面的路径检测机制。
对于系统管理员来说,理解各发行版的EFI文件存放位置对于故障排查非常重要。除了CentOS外,其他主流发行版的典型路径包括:
- RHEL:
/efi/redhat/grubx64.efi - Fedora:
/efi/fedora/grubx64.efi - Debian:
/efi/debian/grubx64.efi
总结
通过增加对CentOS 9 Stream特定EFI引导路径的支持,可以有效解决Cobbler部署后系统无法本地引导的问题。这个案例也提醒我们,在自动化部署工具中需要持续更新对各种发行版新版本的支持,特别是在引导机制等关键系统组件发生变化时。对于使用Cobbler进行大规模部署的环境,建议定期检查并更新这类基础配置,以确保对新版本操作系统的兼容性。
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