新闻详情

新闻详情

首页 / 资讯中心 / 详情

k3s学习

发布时间:2026/11/20 4:31:34来源:尧图网络
k3s学习
1.k3s一个master一个slave安装机器规划2 台虚拟机 CentOS‑9 主机名IP角色k3s‑server192.168.118.100Server控制平面masterk3s‑worker01192.168.122.101Agentworker 工作节点关闭防火墙测试环境生产环境需要放行端口# Ubuntu ufw disable # CentOS/RHEL systemctl stop firewalld systemctl disable firewalld关闭 swapk8s 系产品必须关闭 swapswapoff -a #临时关闭swap sed -i / swap / s/^\(.*\)$/#\1/g /etc/fstab #永久关闭设置主机名分别在对应机器设置# server节点执行 hostnamectl set-hostname k3s-server # worker节点执行 hostnamectl set-hostname k3s-worker01时间同步系统时间保持一致timedatectl set-ntp trueK3s 默认自带 containerd 容器运行时不用手动装 docker。步骤 1部署 K3s Server控制节点192.168.122.10 上执行官方一键安装脚本。curl -sfL https://get.k3s.io | sh -加速一键安装脚本推荐curl -sfL https://rancher-mirror.rancher.cn/k3s/k3s-install.sh | INSTALL_K3S_MIRRORcn sh -执行完脚本之后k3s 服务自动启动systemctl status k3skubeconfig 配置文件自动生成/etc/rancher/k3s/k3s.yaml获取 node‑tokenworker 加入集群需要这个 token非常重要cat /var/lib/rancher/k3s/server/node-token复制输出的一长串 token 字符串保存下来后面 worker 要用。✨ 在 server 节点kubectl 已经直接可用k3s 内置 kubectl 命令不用单独装# 验证节点刚装完只有server一个节点 kubectl get nodes此时状态应该 Ready。补充说明默认 k3s server 内置嵌入式 sqlite 数据库单 master 场景多 master 高可用才需要外置 etcd。我们本节课就单 master。 步骤 2部署 K3s Agentworker 工作节点192.168.122.11 机器上执行worker 机器上执行安装脚本需要传入两个环境变量K3S_URL指定 server 节点地址https://192.168.118.100:6443K3S_TOKEN就是刚才 server 拿到的 node‑token官方脚本# 替换下面IP和token为你自己环境的值 curl -sfL https://get.k3s.io | K3S_URLhttps://192.168.118.100:6443 K3S_TOKEN你的node-token字符串 sh -加速脚本(推荐)curl -sfL https://rancher-mirror.rancher.cn/k3s/k3s-install.sh | INSTALL_K3S_MIRRORcn K3S_URLhttps://192.168.118.100:6443 K3S_TOKENK107c36d4ba7f53e3ddd030016525bb7ec5be55c5be981aae97c3806587724d6eb2::server:ca69e6133590fe25261005c225ad06c2 sh -worker 节点安装完之后服务名字是k3s‑agentsystemctl status k3s-agent✅ 步骤 3回到 server 节点验证整个集群在 k3s‑server 执行kubectl get nodes预期输出会看到两台节点STATUS 都是 Ready。NAME STATUS ROLES AGE VERSION k3s-server Ready control-plane,master 15m v1.30.xk3s1 k3s-worker01 Ready none 3m v1.30.xk3s1再看系统 pod 是否全部 runningkubectl get pods -n kube-systemkube‑system 里面跑 traefik (ingress)、local‑path‑provisioner (本地存储)、coredns 等 k3s 自带组件。全部 Running 代表集群安装成功加速地址(所有机器都要做)sudo mkdir -p /etc/rancher/k3s sudo cat /etc/rancher/k3s/registries.yaml EOF mirrors: docker.io: endpoint: - https://docker.m.daocloud.io - https://dockerproxy.com - https://docker.nju.edu.cn - https://registry-1.docker.io rancher: endpoint: - https://docker.m.daocloud.io EOF sudo systemctl restart k3s systemctl restart k3s-agentsudo mkdir -p /etc/rancher/k3s sudo cat /etc/rancher/k3s/registries.yaml EOF mirrors: docker.io: endpoint: - https://docker.mirrors.ustc.edu.cn - https://hub-mirror.c.163.com - https://mirror.baidubce.com rancher: endpoint: - https://docker.mirrors.ustc.edu.cn EOF sudo systemctl restart k3s systemctl restart k3s-agentHELM学习Helm 就是 Kubernetes 的包管理器类似 Ubuntu apt、Centos yum。基础名词Helm Chart就是软件安装包把一整套 k8s 资源 yaml 打包。 Chart 里面包含一堆模板 yaml values.yaml配置参数文件。 模板里面留占位符安装的时候填入自定义参数渲染出最终 yaml。values.yaml自定义配置文件不要直接改模板修改 values 来覆盖参数。安装 Chart 时可以改副本数、镜像版本、存储类、资源限制全部在 values 写。Release发布实例在集群里面每一次 helm 安装就生成一个 Release 同一个 Chart 可以在集群装多份每一份就是独立 Release名字不一样。注意helm本地客户端工具k3s 已经内置 helm不需要额外安装 helm 二进制。在 K3s 节点或管理机上安装Helm v3 CLI推荐用官方脚本简单可靠。方法一使用官方安装脚本推荐curl https://raw.githubusercontent.com/helm/helm/main/scripts/get-helm-3 | bash安装完成后验证helm version先用社区维护的国内镜像源添加 itboon 镜像源国内可用helm repo add bitnami https://helm-charts.itboon.top/bitnami --force-update helm repo update
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/20 0:44:51

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/19 15:17:14

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/19 20:26:12

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/19 15:16:22

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/19 18:03:31

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/20 0:44:55

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉