P2:大规模软件部署的利器
P2 是一套强大的工具集,旨在让大规模机器集群参与安全、灵活且可扩展的部署模式。这个项目源自Square,但设计为一个通用框架,对于密切关注Kubernetes的人来说,它可能会显得非常眼熟。
不只支持Docker
P2并非强依赖于Docker,而是支持内部的"Hoist artifacts"规范,这是一个.tar.gz文件,带有定义好的布局。几乎任何.tar.gz文件都可以作为Hoist artifact,只要它有一个bin/launch脚本或由进程管理器(我们使用Runit)执行的脚本目录。
这些工件是完全自包含的,大多数依赖项都已静态链接在内部,只有极少数例外。
通过资源限制的cgroup和不同的用户、不同的家目录执行工件,实现了极其轻量级的隔离。
从Kubernetes中汲取灵感
借鉴了Kubernetes的一些优秀工具,如Pods、Labels 和 Replication Controllers,我们也实现了它们!目前,我们的生产环境中已经支持与Kubernetes相似的pod-manifests、replication controllers以及rolling updates。
除此之外,我们正在积极开发pod-clusters,这是对我们版本的Kubernetes服务的改进。
更多亮点!
为了解决Square当前面临的问题,我们在设计之初就考虑到了以下特性:
- 参数文件支持:manifest中可以包含任意参数文件,以
CONFIG_PATH挂载供应用程序使用。 - 应用生命周期管理和健康检查:停止实例时先运行
bin/disable,启动时则运行bin/enable,并通过GET /_status监控应用程序状态。 - 丰富插件架构:例如,我们与Keywhiz的集成就是在
after_install钩子中实现的。hooks包提供了方便的Go库,用于编写可调度的钩子。 - 自我托管:P2可以用P2来部署,这得益于
p2-bootstrap二进制文件,它可以设置主机上的Consul代理和P2准备器。 - 部署授权:通过GPG签名的pod manifest来限制谁可以启动哪个应用,或者如果不喜欢GPG,你可以选择使用委托签名和信任的编排服务。
开始试用
要构建p2中的工具,只需运行rake build。bin目录包含管理部署的代理和可执行文件,而pkg目录则包含对这些可执行文件有用的独立库。
集成测试
运行rake integration会在你的计算机上启动一个Vagrant Centos7虚拟机,安装Consul和P2预处理器,然后启动一个应用程序。如果看到成功消息,你可以直接vagrant up已暂停的盒子,无需自己做任何设置即可查看参数。
确保已安装Vagrant 和VirtualBox ,以便rake integration正常工作。
依赖性
P2基于Square现有的部署工具,所有P2库都需要以下系统依赖:
许多P2二进制文件期望能够调用p2-exec二进制文件,理想情况下知道其完整路径。可以通过修改github.com/square/p2/pkg/p2exec.DefaultP2Exec变量并在go install -ldflags中使用-X标志来完成这项任务。
如果预处理程序参数选项process_result_reporter_config被设置,且找不到参数的提取器,预处理程序将会崩溃。我们提供了一个可能的实现p2-finish-env-extractor。
接下来的目标
尽管功能强大,但P2仍在不断进化。下一步计划添加Docker支持,最终帮助我们过渡到使用Docker(或等效的RunC实现)。此外,P2目前缺乏原生的工作负载准入和调度系统,所有的pod调度目前都是手动通过标签选择器或主机名完成。解决方案还在探讨之中。
许可证
P2遵循Apache 2.0 许可证。
如果你正在寻找一个能够适应大规模环境、具有高度灵活性并能与现有基础设施无缝协作的部署解决方案,那么P2无疑是值得尝试的。现在就开始你的P2之旅吧!
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 StartedRust0191
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 Notebook0114
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。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
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java04
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08