Harvester项目中VM创建时SSH密钥生成问题的分析与解决
问题背景
在Rancher与Harvester集成环境中,用户报告了一个关于虚拟机创建流程中SSH密钥生成功能的异常情况。具体表现为:当通过Rancher界面创建Harvester集群中的虚拟机时,尝试通过"Create a new..."按钮生成新的SSH密钥时,系统未能正常弹出创建模态窗口,导致无法直接在VM创建界面生成SSH密钥。
问题现象分析
该问题出现在Rancher v2.10.5与Harvester v1.4.3-rc1的集成环境中,同时安装了Harvester UI Extension v1.0.6-rc1版本。值得注意的是,在原生Harvester(嵌入式Rancher)UI中,相同的功能可以正常工作,这表明问题可能出在Harvester UI扩展与Rancher集成的特定环节。
技术细节探究
深入分析后发现,该问题涉及前端UI组件交互逻辑的异常。当用户在VM创建表单中点击SSH密钥下拉菜单的"Create a new..."选项时,预期应该触发一个模态窗口用于输入新的SSH密钥信息。然而,在问题环境中,这个模态窗口未能正确渲染和显示。
进一步测试发现,即使用户通过其他途径(如Advanced -> SSH Keys)创建了SSH密钥,在VM创建过程中选择该密钥后,生成的cloud-init配置也存在格式问题,缺少必要的#cloud-config声明头,这会导致虚拟机实例化后SSH服务无法正常配置。
解决方案
开发团队通过两个关键PR解决了这个问题:
- 修复了模态窗口无法弹出的前端交互问题
- 修正了通过模态窗口创建SSH密钥时cloud-init配置的生成逻辑
解决方案确保了:
- 模态窗口能够正常弹出并接收用户输入
- 生成的SSH密钥能够正确注入到虚拟机的cloud-init配置中
- 最终的cloud-init配置包含必要的声明头和正确格式
验证与确认
在Harvester v1.4.3-rc2、Harvester-UI-Extension v1.0.6-rc2与Rancher v2.10.5的组合环境中,修复得到了验证:
- 可以正常通过VM创建界面的模态窗口生成新SSH密钥
- 使用新生成的密钥创建的虚拟机能够正确配置SSH服务
- cloud-init配置格式完整,包含必要的声明头
总结
这个案例展示了集成环境中UI组件交互可能出现的微妙问题,以及配置生成流程中格式一致性的重要性。开发团队通过前后端协同修复,确保了功能的完整性和用户体验的一致性。对于用户而言,理解这类问题的本质有助于更好地使用和管理Harvester与Rancher的集成环境。
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-1.5暂无简介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
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
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