Harvester v1.5.0-rc2 技术预览版深度解析
Harvester作为一款基于Kubernetes构建的开源超融合基础设施(HCI)解决方案,近日发布了v1.5.0-rc2技术预览版。这个版本标志着Harvester在存储功能、虚拟化管理以及集群稳定性方面又向前迈进了一大步。
核心组件升级
本次发布的v1.5.0-rc2版本对多个核心组件进行了重要升级:
- Longhorn升级至v1.8.1:新版Longhorn带来了更强大的数据引擎和存储管理能力,特别是在数据持久化和备份恢复方面有显著提升。
- KubeVirt升级至v1.4.0:增强了虚拟机的生命周期管理功能,为VM的创建、迁移和监控提供了更稳定的基础。
- RKE2升级至v1.32.2+rke2r1:底层Kubernetes发行版的升级为整个平台带来了更好的安全性和性能表现。
存储功能增强
v1.5.0-rc2版本在存储方面有几个值得关注的改进:
-
第三方存储支持:现在可以更灵活地集成外部存储系统,包括LVM等存储方案,为用户提供了更多存储选择。
-
Longhorn v2数据引擎:引入了对boot volume和backing image的支持,同时实现了live migration功能,显著提升了存储的灵活性和可用性。
-
存储网络配置优化:改进了存储网络的设置流程,使网络配置更加直观和可靠。
虚拟化管理改进
在虚拟机管理方面,新版本带来了多项增强:
- PCI设备直通稳定性提升:解决了之前版本中PCI设备直通后可能出现的设备不可用问题。
- vGPU分配显示优化:现在能够更准确地显示分配给VM的vGPU数量。
- EFI支持增强:增加了对EFI持久状态的配置选项,为需要EFI启动的虚拟机提供了更好的支持。
安装与升级优化
安装和升级流程也得到了一系列改进:
- 多路径配置优化:在非外部磁盘启动场景下,改进了multipath的配置方式。
- 升级控制器增强:更好地处理了升级过程中的各种错误情况,包括镜像清理失败等问题。
- ISO安装改进:修复了之前版本中ISO安装可能失败的问题,提高了安装成功率。
网络功能完善
网络相关功能在这个版本中也有显著提升:
- 自定义CA证书支持:解决了在加入集群时使用自定义CA证书可能失败的问题。
- DHCP功能增强:改进了DHCP检查机制,特别是在使用静态IP地址的场景下表现更稳定。
- 存储网络支持:现在可以更灵活地配置存储网络,包括支持untagged VLAN。
用户体验改进
在用户界面和操作体验方面:
- 卷管理界面优化:解决了删除卷后界面显示不一致的问题。
- 备份管理增强:改进了备份目标的设置和兼容性检查。
- 资源配额计算修正:更准确地计算VM的资源配额,避免资源分配不足的情况。
技术预览说明
需要注意的是,v1.5.0-rc2仍是一个技术预览版本,不建议在生产环境中使用。该版本主要面向技术爱好者和早期采用者,用于测试新功能和提供反馈。官方明确表示不支持从该版本升级到后续版本,也不建议从其他版本升级到该版本。
对于ARM64架构,此版本仍处于技术预览阶段,用户在使用时可能会遇到一些限制或问题。AMD64架构的支持相对更加成熟稳定。
总结
Harvester v1.5.0-rc2版本在存储功能、虚拟化管理和集群稳定性方面都带来了显著改进。特别是对第三方存储的支持和Longhorn v2数据引擎的引入,为未来版本的功能扩展奠定了坚实基础。虽然目前仍是预览版本,但这些改进预示着Harvester在超融合基础设施领域的持续创新和发展方向。
对于技术爱好者而言,这个版本提供了体验最新HCI技术的机会;对于企业用户,则可以开始评估这些新功能对未来生产环境部署的潜在价值。随着后续正式版的发布,这些功能将更加成熟稳定,为用户提供更强大的超融合基础设施解决方案。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0195
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0124
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07