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。
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 StartedRust099- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiMo-V2.5-ProMiMo-V2.5-Pro作为旗舰模型,擅⻓处理复杂Agent任务,单次任务可完成近千次⼯具调⽤与⼗余轮上 下⽂压缩。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00