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。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
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-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
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