Harvester项目中VM创建时SSH密钥生成问题的分析与解决
问题背景
在Harvester虚拟化管理平台与Rancher集成的使用场景中,用户报告了一个关于虚拟机创建过程中SSH密钥生成功能的异常问题。具体表现为:当用户通过Rancher界面创建Harvester集群中的虚拟机时,在SSH密钥选择界面点击"创建新密钥"按钮后,系统未能正常弹出创建对话框,导致无法直接在虚拟机创建流程中生成新的SSH密钥。
问题现象分析
该问题出现在特定的版本组合环境下:
- Rancher v2.10.5
- Harvester v1.4.3-rc1
- Harvester UI Extension v1.0.6-rc1
在标准的Harvester嵌入式Rancher界面中,此功能工作正常,可以顺利创建新的SSH密钥。这表明问题很可能出在Harvester UI扩展与Rancher集成的特定环节。
技术原因探究
经过开发团队分析,问题根源在于UI扩展组件的模态对话框触发机制存在缺陷。当用户在Rancher环境下通过扩展界面操作时,创建SSH密钥的对话框事件未能正确绑定和触发。这属于前端组件间的通信问题。
此外,进一步测试发现,即使用户通过其他途径创建了SSH密钥,在后续虚拟机创建过程中也存在云初始化配置不完整的问题。具体表现为生成的cloud-init配置缺少必要的"#cloud-config"声明头,这会导致SSH密钥注入失败,最终造成虚拟机无法通过SSH连接。
解决方案
开发团队通过两个主要PR解决了这个问题:
-
修复了模态对话框无法弹出的前端问题,确保用户能够在虚拟机创建流程中正常打开SSH密钥创建界面。
-
修正了cloud-init配置生成逻辑,确保所有通过该流程创建的SSH密钥都能正确注入到虚拟机中。具体修复内容包括:
- 确保生成的配置包含标准的"#cloud-config"声明
- 完善SSH公钥的注入格式
- 验证配置在不同Linux发行版(如SLES、Ubuntu)上的兼容性
验证与确认
问题修复后,测试团队在以下环境中进行了验证:
- Rancher v2.10.5
- Harvester v1.4.3-rc2
- Harvester UI Extension v1.0.6-rc2
验证内容包括:
- 在虚拟机创建流程中成功打开SSH密钥创建对话框
- 创建新密钥并应用于虚拟机
- 验证虚拟机创建后能够通过新创建的SSH密钥正常连接
所有测试用例均通过,确认问题已解决。
最佳实践建议
对于使用Harvester与Rancher集成的用户,建议:
- 保持各组件版本同步更新
- 创建SSH密钥时,优先使用虚拟机创建流程中的集成功能
- 如遇连接问题,可检查虚拟机的cloud-init配置是否完整
- 定期验证基础镜像对cloud-init的支持情况
该问题的解决不仅修复了功能缺陷,也提升了Harvester与Rancher集成的用户体验,为混合云环境下的虚拟机管理提供了更可靠的基础设施支持。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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