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。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-7BSpark-Formalizer-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00