Harvester项目中的Rancher UI扩展在离线环境下的部署指南
2025-06-15 08:45:45作者:董灵辛Dennis
前言
在企业级Kubernetes管理场景中,离线环境(air-gapped)部署是一个常见需求。本文将详细介绍如何在离线环境中为Harvester项目配置Rancher UI扩展,帮助系统管理员和DevOps工程师顺利完成部署。
离线环境部署的核心挑战
Harvester从1.5版本开始引入了与Rancher v2.10.x的UI扩展集成。在标准网络环境下,UI扩展可以自动安装,但在离线环境中需要特殊配置。主要面临以下挑战:
- 需要建立本地扩展仓库
- Rancher UI对社区仓库的自动检测机制不适用于离线环境
- 版本升级时的兼容性问题
离线环境部署方案
1. 建立本地扩展仓库
首先需要准备一个容器镜像仓库来托管Harvester UI扩展的Chart包。推荐使用Harbor或Nexus等企业级仓库解决方案。
关键步骤包括:
- 从Harvester官方仓库获取UI扩展Chart包
- 将Chart推送到本地仓库
- 配置适当的访问权限和认证
2. Rancher中的配置
在Rancher管理界面中,需要手动添加本地仓库作为扩展源:
- 导航至"全局设置"→"扩展"
- 添加新的扩展仓库,指定本地仓库地址
- 验证仓库连接状态
3. 安装UI扩展
虽然Rancher UI会显示"Missing Repo"错误提示,但仍可通过以下方式手动安装:
- 创建Extension自定义资源
- 指定本地仓库中的Chart路径
- 应用配置并等待扩展加载
技术细节与最佳实践
命名空间注意事项
在Rancher v2.10.2版本中,需要预先创建cattle-ui-plugin-system命名空间。这是Rancher UI扩展运行的基础环境,建议在部署Rancher时就创建好该命名空间。
版本兼容性
不同版本的Harvester需要对应特定版本的UI扩展:
- Harvester 1.3/1.4/1.5分别有对应的扩展版本
- 升级时需要同步更新扩展版本
自动化改进方向
当前方案存在以下可优化点:
- 集成Rancher的
useSystemBundledCharts机制 - 自动检测离线环境状态
- 简化本地仓库的构建流程
总结
离线环境下的Harvester UI扩展部署虽然需要额外步骤,但通过合理的规划和配置完全可以实现稳定运行。建议企业在实施前:
- 详细规划仓库架构
- 测试不同版本的兼容性
- 建立完善的升级流程
随着Harvester项目的持续发展,预计未来版本会进一步简化离线部署流程,为企业用户提供更便捷的管理体验。
登录后查看全文
热门项目推荐
相关项目推荐
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
306
2.69 K
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
136
163
React Native鸿蒙化仓库
JavaScript
233
309
暂无简介
Dart
596
130
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
630
227
仓颉编译器源码及 cjdb 调试工具。
C++
123
656
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.06 K
614
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
195
71
仓颉编程语言测试用例。
Cangjie
36
657