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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0100
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00