【FusionCompute】添加CNA主机到VRM管理节点(四)

简介: 【FusionCompute】添加CNA主机到VRM管理节点(四)

一、实验说明


本实验一开始使用的是FusionCompute 8.0.0版本进行实验,在VM虚拟机上安装完CNA主机后,使用FusionCompute_Installer-8.0.0工具安装VRM管理节点时,中途发生报错,提示添加主机过程中刷新资源失败,请检查系统状态。于是,转而采用挂载VRM镜像的方式,完成VRM的安装部署。


在完成VRM的安装后,通过WEB浏览器,登录VRM的管理平台,尝试添加之前创建好的CNA主机,但还是提示,发生报错信息,提示添加主机过程中刷新资源失败,请检查系统状态。


之后,采用FusionCompute 6.5.1版本的进行实验,采用挂载CNA和VRM镜像的方式,分别创建了两台虚拟机,登录VRM管理平台,尝试添加CNA主机,成功添加。


二、实验操作


1、登录VRM管理后台


输入IP地址https://192.168.200.66:8443/



登录成功。



2、创建集群


点击“创建集群”。



创建集群名称。



默认。单击“下一步”。



确认信息。单击“确认”。



集群创建完成。



3、添加CNA主机


点击“添加主机”。



配置主机,填写名称和CNA主机的IP地址。



确认信息。单击“确定”



添加完成




三、实验总结


添加CNA主机至VRM管理平台,整体较为简单。但是在使用VM虚拟机进行演示操作时,发现不是很兼容,容易出错。因为FusionCompute 8.0.0版本是不支持的,所以本实验采用了FusionCompute 6.5.1版本进行演示操作的,是支持的虚拟化嵌套。建议还是使用物理服务器进行安装部署。


相关文章
|
测试技术 虚拟化 数据安全/隐私保护
【FusionCompute】使用VMware Workstaion安装部署VRM(三)
【FusionCompute】使用VMware Workstaion安装部署VRM(三)
1806 0
【FusionCompute】使用VMware Workstaion安装部署VRM(三)
|
Linux 测试技术
非LVM磁盘分区根目录扩容操作参考
在操作系统部署时,根目录使用的是非LVM分区,后期空间不足又无法扩容。 提供一个思路是新增一块硬盘,创建为逻辑卷,把根目录迁移过去,然后引导以新分区启动。 迁移完成后,旧的根目录可以再格式化为逻辑卷,合并到新磁盘分区。 本操作仅在CentOS Linux release 7.9.2009实验过,其他环境可能不支持。
2699 0
|
网络安全 数据安全/隐私保护
FusionCompute 6.5.1 重置 web 登录的 admin 密码
FusionCompute 6.5.1 重置 web 登录的 admin 密码
3437 0
|
2月前
|
数据采集 人工智能 缓存
2025年,告别手动数据爬取,Coze AI Agent助你全程无忧!
本文介绍如何利用Coze AI Agent构建智能数据采集方案,实现从网站抓取到数据清洗、存储的全流程自动化。通过可视化工作流设计,该方案可将人工日均处理量从不足百条提升至无限制自动采集,大幅提升数据工作效率。
|
人工智能 数据可视化 关系型数据库
快速构建,JeeLowCode让你的应用开发速度飞起来#快速开发
低代码平台通过直观的图形化界面和模块化设计,大幅缩短开发周期、降低成本,使企业无需大量技术人员即可快速构建应用。其可视化开发、高效数据处理、模型驱动开发、AI智能助力及灵活扩展的插件生态,帮助企业应对复杂业务需求,实现快速迭代与市场响应,推动数字化转型。平台支持多种数据库和跨平台兼容,内置五大核心引擎,提供丰富的底层组件和自定义功能,确保开发效率与应用质量。开源框架与定制开发支持二次开发,进一步提升灵活性与可靠性。低代码平台让开发更简单、高效,助力企业释放创新潜力。
629 19
|
网络协议 安全 网络安全
|
Linux 虚拟化 开发者
一键将CentOs的yum源更换为国内阿里yum源
一键将CentOs的yum源更换为国内阿里yum源
20893 31
|
Ubuntu Linux 网络安全
Docker&Docker Compose安装(离线+在线)
Docker&Docker Compose安装(离线+在线)
20058 1
|
机器学习/深度学习 存储 算法
梯度下降算法(一)
梯度下降是一种迭代优化算法,用于找到多变量函数的最小值。它不直接求解方程,而是从随机初始点开始,沿着梯度(函数增大幅度最大方向)的反方向逐步调整参数,逐步逼近函数的最小值。在单变量函数中,梯度是导数,而在多变量函数中,梯度是一个包含所有变量偏导数的向量。通过计算梯度并乘以学习率,算法更新参数以接近最小值。代码示例展示了如何用Python实现梯度下降,通过不断迭代直到梯度足够小或达到预设的最大迭代次数。该过程可以类比为在雾中下山,通过感知坡度变化来调整前进方向。