做技术的朋友可能有过类似这样的感觉——每天都会遇到新的问题,或者学到新的知识。然而一个人的时间和精力毕竟有限,不是所有的岗位都能做到总是亲力亲为,每人最擅长的领域也各不相同。为了使工程师自己踩过的坑、那些实用的心得体会也能给大家带来帮助,把经验记录和分享出来就显得尤为可贵,这就是我们开设《工程师笔记》专栏的目的。
只需2步轻松实现vCenter快速部署
在POC(Proof of Concept)测试或者中小型企业虚拟化环境中,很多人都在使用VMware 提供的 VMware VCSA进行vCenter的快速部署,以实现vSphere 的高级功能。相比以前传统的在Windows Server 操作系统部署vCenter的方式,更为快速、简便,不需要额外安装操作系统和独立的数据库软件(注:中大型企业规模虚拟化环境还是推荐在Windows Server 环境下)。
工作中我经常在戴尔的服务器、存储环境中部署VMware VCSA 6.0,遇到一些比较普遍的问题(对其他品牌硬件设备同样适用),其中包括:
✓ 如何将现有的Linux 版本vCenter 加入域?
✓ 如何通过利用现有的Windows AD域控,授权域中的账户具有相应的vCenter管理权限 ?
下面介绍解决该问题的两个简单步骤,希望我们的经验分享能给您带来帮助。
1.vCenter 加域
首先使用安装VMware VCSA 6.0 的sso账号密码登陆vCenter 6.0 web页面。
登录后在HOME- Administration-System Configuration-Nodes 选中node ,在Manage-Setting编辑信息中选择Networking 并在Enter settings Manually 的 Hostname 输入自行定义好的Hostname.xxx.xxx;主要DNS中输入dns server信息,Search domains中输入域信息。
上述操作完毕后,在HOME-Administration-System Configuration-Nodes 选中node,在Manage Settings-Active Directory 弹出的对话框中,输入当前域的名称以及具有权限的用户名和密码(建议使用域管理员的账号和密码)。
重新启动后会发现该vCenter 虚拟机已经加入域中。
2.授权域用户管理vCenter权限
在vCenter6.0 Home-Administration-Single Sign-On-Configuration 右边菜单中选择 Identity Sources选择+符号,弹出的页面中,选择第1个选项Active Directory (Integrated Windows Authentication)在Domain name 中填写域名称,点击确定。
在Identity Sources中可以看到添加的域信息。
回到“Administration”-“Access Control”-“Global Permissions” ,如下图操作,给域用户和用户组进行授权(其中vmuser 用户和VMgroup 用户组在AD中添加好,这里不详细描述操作)。
给域中用户分配相应的权限。
如此,就可以使用vmuser域账号及密码可以正常登录并管理vCenter了。
好文章,需要你的鼓励
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
武汉大学研究团队提出DITING网络小说翻译评估框架,首次系统评估大型语言模型在网络小说翻译方面的表现。该研究构建了六维评估体系和AgentEval多智能体评估方法,发现中国训练的模型在文化理解方面具有优势,DeepSeek-V3表现最佳。研究揭示了AI翻译在文化适应和创意表达方面的挑战,为未来发展指明方向。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
参数实验室等机构联合发布的Dr.LLM技术,通过为大型语言模型配备智能路由器,让AI能根据问题复杂度动态选择计算路径。该系统仅用4000个训练样本和极少参数,就实现了准确率提升3.4%同时节省计算资源的突破,在多个任务上表现出色且具有强泛化能力,为AI效率优化开辟新方向。