Incus网络转发功能中的SNAT支持问题分析
在云计算环境中,为虚拟机实例分配公网IP地址是一个常见需求。Incus作为容器和虚拟机管理工具,其网络转发功能目前存在一个重要的功能缺口——缺乏对SNAT(源网络地址转换)的完整支持。
当前实现机制
Incus目前通过OVN负载均衡器(LB)实现网络转发功能。当管理员执行类似incus network forward create net1 203.0.113.2 target_address=192.168.0.2的命令时,系统会在底层创建OVN LB规则,将公网IP 203.0.113.2的入站流量转发到内部IP 192.168.0.2。
这种实现方式存在一个明显缺陷:虽然入站(DNAT)功能正常,但出站流量仍然使用实例的原始内网IP地址,而不是期望的公网IP地址。这会导致出站通信时源地址不一致的问题,可能影响某些应用的正常运行。
行业对比分析
主流云平台如OpenStack Neutron(使用OVN后端)采用不同的实现方式。它们使用OVN的"dnat_and_snat"类型NAT规则,同时处理入站和出站流量。这种实现确保了1:1的完整NAT映射,入站和出站流量都使用相同的公网IP地址。
解决方案探讨
目前有两种可能的改进方向:
-
统一使用OVN NAT:借鉴OpenStack Neutron的做法,完全改用OVN的dnat_and_snat功能。这种方式实现简洁,与行业标准一致,能提供完整的NAT功能。
-
补充SNAT规则:在现有LB基础上,额外添加专门的SNAT规则。这种方法需要同时管理两种不同类型的网络规则,增加了复杂性和维护成本。
从技术角度看,第一种方案更为合理和优雅。它不仅简化了实现逻辑,还能与其他云平台保持行为一致,减少用户的学习成本。
总结
Incus的网络转发功能目前缺乏SNAT支持是一个已知问题。社区已经意识到这一点,并计划通过改进实现方式来解决。对于需要完整NAT功能的用户,建议关注项目后续版本更新,或者考虑使用其他临时解决方案来满足业务需求。
随着云计算技术的普及,完整的网络地址转换功能已成为基础需求。Incus项目组正在积极改进这一功能,以提供更完善的网络服务能力。
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。C030
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