cri-dockerd 项目教程
项目介绍
cri-dockerd 是一个适配器,为 Docker Engine 提供了一个 shim,使得可以通过 Kubernetes Container Runtime Interface (CRI) 来控制 Docker。Mirantis 和 Docker 已经同意合作,将这个 shim 代码独立维护在 Kubernetes 之外,作为一个符合 CRI 接口的 Docker Engine API。这意味着你可以继续基于 Docker Engine 构建 Kubernetes,只需从内置的 dockershim 切换到外部的 cri-dockerd。Mirantis 和 Docker 打算共同确保它继续像以前一样工作,并通过所有的一致性测试,继续像内置版本一样工作。
项目快速启动
安装 cri-dockerd
首先,克隆项目仓库:
git clone https://github.com/Mirantis/cri-dockerd.git
cd cri-dockerd
然后,构建并安装 cri-dockerd:
make build
sudo make install
配置 Kubernetes 使用 cri-dockerd
编辑 Kubernetes 的 kubelet 配置文件,通常位于 /etc/kubernetes/kubelet.conf,添加以下配置:
apiVersion: kubelet.config.k8s.io/v1beta1
kind: KubeletConfiguration
criSocket: /var/run/cri-dockerd.sock
重启 kubelet 服务:
sudo systemctl restart kubelet
应用案例和最佳实践
案例一:在 Mirantis Kubernetes Engine 中使用 cri-dockerd
Mirantis 将在 Mirantis Kubernetes Engine 中使用 cri-dockerd,确保 Docker Engine 的兼容性和一致性。
案例二:在 Docker Desktop 中使用 cri-dockerd
Docker 将继续在 Docker Desktop 中提供这个 shim,使得用户可以在本地开发环境中无缝使用 Kubernetes。
最佳实践
- 确保网络插件配置正确:对于版本 0.2.5 及以上的 cri-dockerd,默认网络插件是 CNI。Kubernetes 1.24+ 已经移除了 kubenet 和其他网络组件,因此需要配置 Calico、Flannel 或其他 CNI 插件。
- 定期更新和测试:定期更新 cri-dockerd 并进行一致性测试,确保与 Kubernetes 的兼容性。
典型生态项目
Calico
Calico 是一个开源的网络和网络安全解决方案,适用于容器、虚拟机和基于主机的本地工作负载。Calico 支持 Kubernetes、OpenShift、Docker 等平台。
Flannel
Flannel 是一个为 Kubernetes 设计的简单网络,它为每个主机分配一个子网,使得容器可以在不同主机之间通信。
Weave
Weave 是一个多主机网络解决方案,支持 Docker 和 Kubernetes,提供了一个简单的网络模型,使得容器可以在不同主机之间通信。
通过这些生态项目的配合,cri-dockerd 可以更好地融入 Kubernetes 生态系统,提供稳定和高效的容器运行环境。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00