Harvester项目中的Rancher UI扩展在离线环境下的部署指南
2025-06-15 18:35:59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
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
最新内容推荐
STM32到GD32项目移植完全指南:从兼容性到实战技巧 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 开源电子设计自动化利器:KiCad EDA全方位使用指南 网页设计期末大作业资源包 - 一站式解决方案助力高效完成项目 STDF-View解析查看软件:半导体测试数据分析的终极工具指南 Adobe Acrobat XI Pro PDF拼版插件:提升排版效率的专业利器 MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Jetson TX2开发板官方资源完全指南:从入门到精通 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 ONVIF设备模拟器:开发测试必备的智能安防仿真工具
项目优选
收起
deepin linux kernel
C
24
9
暂无简介
Dart
669
155
Ascend Extension for PyTorch
Python
219
236
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
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++
660
308
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.81 K
React Native鸿蒙化仓库
JavaScript
259
322
🎉 (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
1.19 K
653
仓颉编程语言运行时与标准库。
Cangjie
141
878