PiKVM中Redfish系统补丁的无操作实现与启动覆盖支持
在基于PiKVM的远程服务器管理场景中,Redfish协议的支持对于现代基础设施管理至关重要。近期在PiKVM项目中实现了一个重要改进,使得系统能够更好地兼容OpenShift/OKD等Kubernetes发行版的安装需求。
技术背景
Redfish是一种基于RESTful接口的硬件管理标准协议,广泛应用于服务器硬件管理。在IPMI(智能平台管理接口)之外,Redfish提供了更现代化的管理方式。PiKVM作为开源的KVM-over-IP解决方案,通过模拟Redfish接口实现了对服务器的远程管理能力。
问题分析
在使用OKD(OpenShift Kubernetes发行版)的安装程序时,系统会通过Redfish接口执行两个关键操作:
- 向系统端点发送PATCH请求以配置启动参数
- 查询系统启动覆盖配置信息
然而,PiKVM作为硬件管理接口的代理,实际上无法直接修改服务器的BIOS设置来更改启动顺序。这导致了与某些自动化安装工具的兼容性问题。
解决方案实现
PiKVM团队采纳了一个优雅的解决方案:
-
PATCH请求的无操作处理:当收到对
/redfish/v1/Systems/0的PATCH请求时,直接返回204(No Content)状态码,表示请求已成功处理但实际上不执行任何操作。 -
启动覆盖信息的模拟响应:在GET请求响应中返回标准的Redfish格式数据,包括:
- 系统电源状态
- 允许的重置操作类型
- 启动覆盖配置(默认设置为禁用状态)
这种实现方式既满足了自动化安装工具对API的调用要求,又避免了实际修改无法控制的硬件设置。
技术实现细节
在代码层面,主要修改包括:
- 系统信息响应中增加了标准的Redfish计算机系统数据结构
- 实现了Boot字段的模拟响应
- 为PATCH请求添加了无操作处理器
这种设计遵循了"模拟而非实现"的原则,在保持接口兼容性的同时,将实际的启动顺序配置工作留给管理员通过其他方式完成。
应用价值
这一改进特别适用于:
- 使用PiKVM管理OKD/OpenShift集群的安装环境
- 需要Redfish接口兼容性的自动化部署工具
- 不希望PiKVM实际修改硬件设置的场景
管理员可以手动配置服务器的启动顺序,同时自动化工具能够顺利完成其安装流程。这种折衷方案在实际生产环境中被证明是行之有效的。
版本与升级
该功能已在PiKVM 4.73版本中发布,用户可以通过执行pikvm-update命令来升级系统获取这一改进。
这一改进展示了PiKVM项目对实际使用场景的快速响应能力,以及在不修改硬件的前提下提供兼容性解决方案的灵活性。对于使用PiKVM管理Kubernetes集群的用户来说,这显著简化了集群的部署流程。
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