Cloud-init在RHEL9系统中的网络渲染器选择问题解析
背景介绍
在Red Hat Enterprise Linux 9(RHEL9)系统中,网络配置存储方式发生了一个重要变化。从RHEL9开始,系统默认使用NetworkManager的keyfile格式(存储在/etc/NetworkManager/system-connections/目录下)来保存网络配置,而不是传统的sysconfig ifcfg文件格式(/etc/sysconfig/network-scripts/目录)。这一变化标志着ifcfg格式的逐步淘汰。
问题现象
然而,当在RHEL9系统上使用cloud-init进行网络配置时,发现一个与预期不符的行为:cloud-init始终选择使用sysconfig渲染器来生成ifcfg格式的网络配置文件,而不是遵循系统默认的NetworkManager keyfile格式。这导致系统网络配置处于非预期状态,即接口由NetworkManager管理,但配置文件却是传统的ifcfg格式。
技术分析
深入分析这个问题,我们发现其根源在于cloud-init的网络渲染器选择机制。在RHEL9系统中,cloud-init通过检测是否存在特定的NetworkManager插件文件(/usr/lib64/NetworkManager/*/libnm-settings-plugin-ifcfg-rh.so)来决定使用哪种渲染器。由于RHEL9的NetworkManager包始终包含这个插件文件,cloud-init便无条件地选择了sysconfig渲染器。
值得注意的是,RHEL9的不同版本对网络渲染器的支持有所差异:
- RHEL 9.0至9.2版本:仅支持sysconfig渲染器
- RHEL 9.3及以上版本:同时支持sysconfig和network-manager渲染器
解决方案
对于希望使用NetworkManager keyfile格式的用户,可以通过以下方式实现:
-
手动迁移:在系统启动后,使用nmcli命令将现有配置迁移到keyfile格式:
nmcli connection migrate -
自定义镜像:在创建系统镜像时,添加配置文件指定优先使用network-manager渲染器:
cat /etc/cloud/cloud.cfg.d/92_network_setup.cfg system_info: network: renderers: ['network-manager'] -
调整渲染器优先级:不删除其他渲染器,而是调整它们的优先级顺序:
network: renderers: ['netplan', 'network-manager', 'networkd', 'sysconfig', 'eni']
未来展望
根据Red Hat的规划,RHEL10将完全转向NetworkManager渲染器作为默认且唯一的网络配置方式。届时,sysconfig渲染器将不再可用,因为相应的ifcfg插件将被移除。RHEL9系列版本将作为过渡期,用于稳定NetworkManager渲染器的功能。
总结
虽然当前cloud-init在RHEL9上默认使用sysconfig渲染器的行为与系统默认的NetworkManager keyfile格式存在差异,但这实际上是设计使然。用户可以根据实际需求选择保持默认行为或主动配置使用NetworkManager渲染器。理解这一机制有助于系统管理员更好地管理和维护基于RHEL9的云环境网络配置。
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