NFS-子目录外部供应者(NFS-Subdir-External-Provisioner)安装与使用指南
目录结构及介绍
本指南将引导您理解并操作nfs-subdir-external-provisioner项目,这是一个用于Kubernetes环境下的存储供应器,能够基于现有的NFS服务器来创建动态的持久卷。
目录概览
在克隆或下载了该项目之后,您将看到如下的主要目录:
- deploy: 包含了用于部署供应器及其相关资源的所有YAML模板。
deployment.yaml: 供应器实例的部署定义。test-*: 测试脚本和样例持久卷请求(PVC)以及Pod。
- charts: Helm图表用于在Kubernetes集群中以更简洁的方式部署供应器。
- docs: 文档和说明性文件。
- Makefile: 自动化构建、测试和打包任务的定义。
- main.go: 主应用程序代码。
- Dockerfile: Docker镜像的构建脚本。
启动文件介绍
部署前准备: 确保您的环境中已正确设置了Kubernetes集群并具有权限进行API调用。
部署步骤:
-
编辑
deploy/deployment.yaml中的容器图像位置以匹配您的NFS客户端供应器图像的位置。spec: containers: - name: nfs-client-provisioner image: YOUR_IMAGE_NAME其中
YOUR_IMAGE_NAME应替换为您实际使用的图像名称。 -
在
deploy/deployment.yaml中指定NFS服务器详细信息。env: - name: NFS_SERVER value: YOUR_NFS_SERVER_HOSTNAME - name: NFS_PATH value: "/path/on/nfs/server"更新
YOUR_NFS_SERVER_HOSTNAME和路径以反映您的环境。 -
创建服务账号及相关策略:
使用
kubectl apply -f deploy/rbac.yaml来应用RBAC规则。 -
最终通过运行
kubectl apply -f deploy/deployment.yaml来启动供应器。
配置文件介绍
nfs-subdir-external-provisioner的关键配置在于其StorageClass的定义,它决定了如何从NFS服务器创建存储卷。
编辑StorageClass:
-
打开
deploy/storageclass.yaml文件。 -
修改
provisioner字段以匹配您在deployment.yaml中的PROVISIONER_NAME设定值。provisioner: k8s-sigs.io/nfs-subdir-external-provisioner这个字段应同
deployment.yaml内的name一致。 -
根据需求调整参数,例如
onDelete行为决定PVC释放时是否删除对应的NFS子目录。
以上步骤构成了初始化和配置nfs-subdir-external-provisioner的主要流程,在熟悉这些基本操作后,您可以进一步探索高级特性与故障排查方法。
请注意始终检查官方文档以获取最新指导和兼容性注意事项,特别是当涉及到不同版本的Kubernetes与存储类定义时。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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