Nutanix前不久推出Karbon2.0,实现了一键Kubernetes升级,支持气隙环境,并与Nutanix Prism Pro集成,为用户提供统一界面管理体验。紧跟着Karbon2.0的步伐,Nutanix现又宣布重磅推出Karbon 2.1。在最新的Karbon 2.1版本中,Nutanix重点解决了Kubernetes两个最棘手的挑战:网络和存储。
将Kubernetes pods联网并允许其他服务或外部网络访问,这其实是一项非常复杂的工作,通常需要用到overlay网络和NATs。而大规模地进行此项工作就会变得极其复杂。因此,许多寻求容器网络一致体验和跨Kubernetes环境应用能力的云原生企业纷纷转而采用Calico。
Calico融合了灵活的网络功能与可随处运行的安全执行,提供了具有原生Linux内核性能和真正云原生扩展能力的解决方案,因此成为了开源Kubernetes网络技术的事实标准,也是我们许多使用Karbon的客户所要求的标准。得到这样的市场反馈后,我们现在将Calico作为Karbon的集成组件提供给客户。
集成了Calico之后,Karbon用户现使用基于原生工具的简化版Kubernetes网络,与Flannel或基于overlay网络插件相比拥有更强大的吞吐量。这是因为Calico采用的是标准网络工具和公认协议,网络和系统管理员可以依赖已有的知识和经验更加轻松地进行故障排除。
此外,Calico还提供了实施网络安全策略的简单方法。例如,用户可以将pod彼此隔离,并限制对应用程序的双向访问,由此用户可以在应用部署层面拥有更精细的网络控制。
Karbon对Calico的集成得益于Nutanix与Tigera的官方技术联盟。Tigera是一家开源公司,是Project Calico计划的发明者和主要维护者。Tigera在开源Calico项目的基础上推出了Calico Enterprise产品,新增了能帮助多个团队和企业在安全生产环境中运行Kubernetes的多项功能。Tigera的技术应用于最大型的软件服务、金融服务、游戏和零售公司,安全性和合规性对这些公司的业务至关重要。
Tigera产品管理及业务开发副总裁Amit Gupta表示:“我们很高兴能与Nutanix合作,并看到Nutanix将Calico标准化作为Karbon产品的默认CNI。通过将Calico可随处运行的安全执行能力带给Karbon用户,开发人员和集群运营商能够拥有一致的体验,并加速其Kubernetes应用进程。”
卷克隆是一项重要的数据保护能力,近期已在Kubernetes中得到应用。根据Kubernetes用户文档介绍,CSI(容器存储界面)卷克隆功能现可支持在 dataSource 字段中指定现有 PVCs,来表示用户想要进行卷克隆。在Kubernetes中克隆卷时,将创建指定卷的精确副本,并可以与原始卷一样进行使用。
通过在自己的CSI(包含在Karbon中)中添加卷克隆功能,用户可以充分利用Nutanix具有高效空间利用能力的克隆技术。Nutanix可以在创建应用程序时就将数据植入到应用程序中,从而减少安装时间和总体空间使用量。此外,如果使用克隆卷的应用程序需要更大的卷容量,CSI驱动程序会随后相应增加克隆卷的容量。
克隆卷技术为用户提供了一种快速排除有状态容器化应用程序故障的方法,让用户可以即时复制正在运行的应用程序数据,以便诊断问题,或对新版本的应用程序进行测试。
使用Karbon2.1,用户可以进一步利用自己的首选工具和端口来执行Karbon工作流。通过Nutanix的Calm、ServiceNow或任何其他可以发送API指令的端口,都可以自助创建Kubernetes集群。
通过Karbon的增强API,用户可以按需提供Kubernetes集群(向每个开发人员、每个项目等),并且为指定的集群自动收集kubeconfig文件。Karbon 2.1现在还可以实现对集群节点的SSH自动化访问,有助于调试排除故障。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。