Archon:云原生集群管理的革命者
Archon,一个基于Operator模式的Kubernetes控制器,旨在自动化你的日常服务器管理任务,如初始化、更新和扩展。它最初设计用于Kubernetes集群,但其声明性特性使得在其他分布式系统中也易于扩展。
项目介绍
Archon采取了与Kubernetes相同的设计原则,作为一个Kubernetes扩展,通过ThirdPartyResource进行操作。用户只需创建抽象的集群定义文件,Archon会将其渲染为资源,并在指定的云提供商中创建相应的计算资源。之后,你可以像管理容器一样,通过kubectl来管理和调整集群。
警告:Archon当前处于Beta阶段
观看演示,看看Archon是如何工作的。
技术分析
Archon的核心是一个通用执行引擎,提供以下关键功能:
- 证书管理:自动生成CA并用Secret签署新证书。
- 网络管理:从定义资源创建VPC并管理其生命周期。
- 用户管理:定义用户,用作实例的默认用户。
- 实例组管理:管理一组配置相似的实例,通过修改
replicas字段实现水平伸缩。 - 实例管理:从定义资源生成
userdata以进行cloudinit,管理实例生命周期。
应用场景
Archon可应用于多种场景,包括:
- 建立高可用性主控节点,避免单一故障点。
- 使用滚动更新策略创建新的实例组并淘汰旧组。
- 支持多种操作系统,如bootkube或kubeadm。
- 单一命令即可扩展集群。
- 使用matchbox和PXE管理baremetal服务器。
为什么选择Archon?
在kubeadm和kops等工具已存在的背景下,为什么还要选择Archon呢?原因有三:
- 现有的工具多为命令式,而声明式工具能帮助用户分享集群定义经验,且更容易根据模板做定制。
- 自我托管的Kubernetes听起来非常有吸引力,我们需要能融入现有Kubernetes架构的集群管理工具。
- 有许多不同的环境可以部署Kubernetes集群,统一的体验和易于扩展的代码库将有助于开发者通过添加更多云提供商和操作系统支持来进行合作。
工作原理
Archon利用Kubernetes作为基础,通过创建yaml文件定义资源,然后使用kubectl管理其生命周期。运行中的archon-controller将会根据你的定义创建和管理状态。
一旦你的集群初始化完成,你可以将所有定义和控制器移入新集群,让它自我管理。这样你就可以只用kubectl一个命令行工具来管理应用程序和集群本身,非常方便。
平台支持
目前支持以下平台:
- 云提供商:AWS、阿里云
- 裸机启动器:matchbox
- 操作系统:CoreOS、Ubuntu、CentOS、RedHat
- 部署工具:bootkube、kubeadm
随着核心稳定,我们将增加更多的云提供商和操作系统的支持。
安装
可以直接下载最新版本,然后本地安装或者部署到你的集群中。详情参考项目文档的安装指南。
示例
项目提供了一些示例集群,你可以从这些示例开始,根据需求进行定制。
结论
Archon 是一款强大的工具,它将Kubernetes的灵活性引入了集群管理领域。它的声明式模型、对各种云平台和操作系统的广泛支持,以及集成于Kubernetes的特性,使其成为现代云计算环境的理想选择。无论是初学者还是经验丰富的管理员,都会发现Archon带来的便捷性和效率提升,是值得尝试的创新解决方案。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C0100
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python059
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00