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。
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