Longhorn项目中支持数据引擎选项的Backing Image CSI流程解析
背景介绍
Longhorn作为一款开源的云原生分布式块存储系统,在Kubernetes环境中提供了持久化存储解决方案。在最新版本中,Longhorn引入了一个重要特性:在CSI(Container Storage Interface)流程中支持为Backing Image(后备镜像)指定数据引擎选项。
技术实现
该特性的核心思想是让StorageClass中的Backing Image配置能够继承Volume(卷)的数据引擎设置,而不是单独为Backing Image指定数据引擎类型。这种设计简化了配置流程,保持了配置的一致性。
在实现上,当用户创建一个带有dataEngine: "v2"参数的StorageClass,并在其中指定了Backing Image相关配置时,Longhorn会自动创建对应的v2数据引擎类型的Backing Image,并完成从指定数据源的下载过程。
配置示例
以下是一个完整的StorageClass配置示例,展示了如何同时指定数据引擎类型和Backing Image参数:
kind: StorageClass
apiVersion: storage.k8s.io/v1
metadata:
name: longhorn-backing-image-example
provisioner: driver.longhorn.io
parameters:
numberOfReplicas: "3"
backingImage: "bi-download"
backingImageDataSourceType: "download"
backingImageDataSourceParameters: '{"url": "https://backing-image-example.s3-region.amazonaws.com/test-backing-image"}'
backingImageChecksum: "304f3ed30ca6878e9056ee6f1b02b328239f0d0c2c1272840998212f9734b196371560b3b939037e4f4c2884ce457c2cbc9f0621f4f5d1ca983983c8cdf8cd9a"
dataEngine: "v2"
使用场景
这个特性特别适用于以下场景:
-
性能优化:当用户需要使用v2数据引擎以获得更好的性能时,可以确保Backing Image也使用相同的引擎类型,保持整个存储栈的一致性。
-
简化配置:避免了为Volume和Backing Image分别配置数据引擎的繁琐过程,减少了配置错误的可能性。
-
自动化部署:在CI/CD流程中,可以更简单地部署使用特定数据引擎的存储配置。
技术优势
-
一致性保证:Volume和其Backing Image使用相同的数据引擎,避免了潜在的兼容性问题。
-
简化运维:运维人员不需要额外关注Backing Image的引擎配置,降低了运维复杂度。
-
向后兼容:对于不需要特殊配置的场景,系统会使用默认值,不影响现有功能。
验证结果
该功能已在Longhorn的master分支和v1.8.0-rc2版本中得到验证。测试结果表明,当通过指定了v2数据引擎的StorageClass创建PVC时,系统能够正确创建v2类型的Volume,并自动下载和创建对应的v2类型Backing Image。
总结
Longhorn的这一增强功能为使用CSI流程创建存储卷提供了更灵活、更一致的配置方式。通过继承Volume的数据引擎设置,简化了Backing Image的配置过程,同时确保了整个存储栈的技术一致性。这对于追求高性能和简化运维的企业用户来说是一个有价值的改进。
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-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