Harbor Helm Chart v1.17.0 版本发布:全面支持 Harbor 2.13.0 的新特性
Harbor 是一个企业级的开源容器镜像仓库,提供了镜像存储、签名扫描、安全检查、访问控制等丰富的功能。而 Harbor Helm Chart 则是 Harbor 在 Kubernetes 环境中的部署方案,通过 Helm 包管理器简化了 Harbor 在 Kubernetes 集群中的安装和配置过程。
核心更新内容
1. Redis TLS 支持增强
本次版本更新中,对 Redis 的 TLS 配置进行了优化。Redis 作为 Harbor 的关键组件之一,负责缓存和会话存储等功能。通过改进 TLS 配置模板,现在可以更灵活地配置 Redis 的安全通信,包括:
- 支持自定义 TLS 证书配置
- 优化了 TLS 相关参数的渲染逻辑
- 增强了 Redis 服务间的安全通信能力
这一改进特别适合对安全性要求较高的生产环境,确保重要数据在传输过程中的安全性。
2. 日志级别配置修复
修复了一个长期存在的日志级别配置问题。在之前的版本中,某些情况下日志级别配置可能无法正确应用到所有组件。这个修复确保了:
- 日志级别配置能够正确应用到所有 Harbor 组件
- 管理员可以更精确地控制日志输出级别
- 便于问题排查和系统监控
3. Ingress 配置文档完善
针对 Kubernetes Ingress 的配置文档进行了补充和完善,特别是增加了对 ingress.className 参数的说明。这个参数在现代 Kubernetes 集群中越来越重要,因为:
- 许多集群使用多个 Ingress 控制器
- 需要明确指定使用哪个 Ingress 类
- 帮助用户避免常见的 Ingress 配置错误
4. 安全防护密钥配置说明
增加了对安全防护密钥配置的详细注释。安全防护是 Web 应用安全的重要机制,新版本中:
- 明确了安全密钥的配置位置
- 提供了最佳实践建议
- 帮助管理员理解这一安全配置的重要性
5. Exporter 组件单元测试增强
对 Exporter 组件增加了更全面的单元测试。Exporter 负责将 Harbor 的监控数据暴露给 Prometheus 等监控系统。这一改进:
- 提高了 Exporter 组件的代码质量
- 减少了潜在的错误
- 为未来的功能扩展提供了更好的测试基础
版本兼容性
此 Helm Chart 版本(v1.17.0)专门为 Harbor OSS v2.13.0 设计,包含了所有必要的配置模板和参数,确保能够充分利用 Harbor 2.13.0 的新特性和改进。
升级建议
对于现有用户,建议在测试环境中先验证新版本的兼容性,特别注意:
- 如果使用了 Redis TLS,需要检查现有配置与新版本的兼容性
- 验证日志级别配置是否符合预期
- 检查 Ingress 配置是否需要调整
对于新用户,这个版本提供了更完善的文档和更稳定的功能,是开始使用 Harbor on Kubernetes 的良好起点。
总结
Harbor Helm Chart v1.17.0 版本通过多项改进和修复,进一步提升了在 Kubernetes 环境中部署 Harbor 的可靠性和易用性。特别是安全相关的增强,如 Redis TLS 支持和安全配置说明,使得这个版本更适合生产环境部署。同时,文档的完善和测试的增强也为长期维护奠定了更好的基础。
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 StartedRust0195
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 Notebook0124
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。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
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07