CCI弹性伸缩策略如何配置？

创建工作负载时，CCI如何设置实例（Pod）数？ 

CCI 资源包中的核时怎么理解？求大佬帮助

北京时间2025年9月29日，Volcano v1.13 版本[1]正式发布。本次更新在多方面进行了功能增强，为用户提供更完善的云原生批量计算解决方案。新版本主要亮点包括：新增对大模型推理LWS的支持；新增定时任务管理能力；提供更灵活的网络拓扑发现机制，并增强对主流AI计算框架的兼容性。同时在混部架构上实现了重要改进，提升了在不同环境中的部署灵活性。这些增强功能共同提升了Volcano[2]在复杂工作负载管理中的实用性和易用性，旨在打造更高效、更稳定的大规模计算平台，为AI时代的基础设施提供关键调度支撑。  大模型推理场景支持 LeaderWorkerSet  LeaderWorkerSet (LWS)[3] 是一个用于在 Kubernetes 上部署一组 Pod 的 API。它主要用于解决 AI/ML 推理工作负载中的多主机推理，尤其是需要将大型语言模型（LLM）分片并跨多个节点上的多个设备运行的场景。Volcano自开源以来，积极与上下游生态进行集成，构建了完善的AI、大数据等批量计算社区生态，LWS在 v0.7[4]的版本中，原生集成了Volcano的AI调度能力，配合Volcano的新版本，用户在使用LWS时，可自动创建PodGroup，由Volcano进行Pod的调度与资源管理，从而实现了大模型推理场景下的Gang调度等高阶能力。展望未来，Volcano 将继续扩展其生态系统集成能力，为更多致力于在 Kubernetes 上实现分布式推理的项目提供强大的调度和资源管理支持。使用文档请参考：LeaderWorkerSet With Gang[5]相关PRs:cid:link_12 cid:link_13由衷感谢社区开发者：@JesseStutler 对该特性的贡献！  新增 Cron Volcano Job  该版本引入了对 Cron Volcano Job 的支持，用户可以像使用原生 Kubernetes CronJob 一样，按预定的时间计划（schedule）来周期性地创建和运行 Volcano Job，以实现周期性运行AI、大数据等批量计算任务。详细功能如下：定时调度：通过标准的 Cron 表达式（spec.schedule）定义作业的执行周期。时区支持：支持在 spec.timeZone 中设置时区，以确保作业在预期的本地时间执行。并发策略：通过 spec.concurrencyPolicy 控制并发行为：AllowConcurrent：允许并发运行多个作业（默认）。ForbidConcurrent：如果前一个作业尚未完成，则跳过本次调度。ReplaceConcurrent：如果前一个作业仍在运行，则终止它并启动新的作业。历史记录管理：可配置保留成功（successfulJobsHistoryLimit）和失败（failedJobsHistoryLimit）的作业历史记录数量，自动清理旧的作业。错过调度处理：通过 startingDeadlineSeconds 字段，可以容忍一定时间内的调度延迟，超时则视为错过执行。状态追踪：CronJob 的状态（status）会追踪当前活跃的作业、上一次调度时间以及上一次成功完成的时间，便于监控和管理。使用例子请参考：Cron Volcano Job Example[6]相关PRs：cid:link_24 cid:link_14由衷感谢社区开发者：@GoingCharlie, @hwdef, @Monokaix 对该特性的贡献！  支持基于 Label 的 HyperNode 自动发现机制  Volcano 在 v1.12 版本中正式推出了网络拓扑感知调度能力，并率先实现了基于 InfiniBand (IB) 网络的 UFM 自动发现机制。然而，对于不支持 IB 网络或采用其他网络架构的硬件集群（如以太网），手动维护网络拓扑结构依然繁琐。为解决这一问题，新版本引入了基于节点标签（Label）的 HyperNode 自动发现机制。该功能为用户提供了一种通用且灵活的方式来描述网络拓扑，将复杂的拓扑管理工作转变为简单的节点标签管理。该机制允许用户在 volcano-controller-configmap 中定义拓扑层级与节点标签的对应关系。Volcano 控制器会周期性地扫描集群中的所有节点，并根据其标签自动完成以下工作：自动构建拓扑：根据节点上的一组标签，从上至下（例如：机架 -> 交换机 -> 节点）自动构建出多层 HyperNode 拓扑结构。动态维护：当节点的标签发生变化，或节点被添加、移除时，控制器会自动更新 HyperNode 的成员和结构，确保拓扑信息始终与集群状态保持一致。支持多种拓扑类型：允许用户同时定义多种独立的网络拓扑，以适应不同的硬件集群（如 GPU 集群、NPU 集群等）或不同的网络分区。配置示例：# volcano-controller-configmap.yamlapiVersion: v1kind: ConfigMapmetadata:  name: volcano-controller-configmap  namespace: volcano-systemdata:  volcano-controller.conf: |    networkTopologyDiscovery:      - source: label        enabled: true        interval: 10m # 发现周期        config:          networkTopologyTypes:            # 定义一个名为 topology-A 的拓扑类型            topology-A:              # 定义拓扑层级，顺序从上到下              - nodeLabel: "volcano.sh/hypercluster"# 顶层 HyperNode              - nodeLabel: "volcano.sh/hypernode"   # 中间层 HyperNode              - nodeLabel: "kubernetes.io/hostname"# 底层物理节点 通过在 Volcano 控制器的 ConfigMap 中添加 label 源即可启用此功能。以下配置定义了一个名为 topology-A 的三层拓扑结构：顶层 (Tier 2) ：由 volcano.sh/hypercluster 标签定义。中间层 (Tier 1) ：由 volcano.sh/hypernode 标签定义。底层 ：物理节点，由 Kubernetes 内置的 kubernetes.io/hostname 标签标识。当一个节点被打上如下标签时，它将被自动识别并归入 cluster-s4 -> node-group-s0 的拓扑路径下：# 节点 node-0 的标签labels:  kubernetes.io/hostname: node-0  volcano.sh/hypernode: node-group-s0 volcano.sh/hypercluster: cluster-s4基于label的网络拓扑自动发现功能具有出色的通用性与灵活性，不依赖于特定的网络硬件（如 IB），因此适用于各类异构集群，并允许用户通过标签灵活定义任意深度的层级结构。它将复杂的拓扑维护工作转变为简单的节点标签管理，实现了自动化，从而显著降低运维成本和出错风险。此外，该机制能够动态适应集群节点和标签的变化，无需人工干预即可实时保持拓扑信息的准确性。使用文档请参考：HyperNode Auto Discovery[7]相关PR：cid:link_15由衷感谢社区开发者：@zhaoqi612 对该特性的贡献！  原生支持 Ray 框架  Ray是一个开源的统一分布式计算框架，其核心目标是简化从单机到大规模集群的并行计算，特别适合扩展Python和AI应用。为了在Kubernetes上管理和运行Ray，社区提供了KubeRay——一个专为Kubernetes设计的Operator，它充当了Kubernetes和Ray框架之间的桥梁，极大地简化了Ray集群和作业的部署与管理。一直以来，在Kubernetes上运行Ray工作负载主要依赖于KubeRay Operator，同时Kuberay在v0.4.0 (2022年release) 版本已经集成了Volcano来进行Ray Cluster的调度和资源管理，以解决分布式训练场景的资源死锁等问题。现在，通过新版本的Volcano，用户可以直接通过原生Volcano Job来创建和管理Ray集群，并提交计算任务。这为Ray用户提供了另一种使用方案，可以更直接地使用Volcano的Gang Scheduling、队列管理与公平调度、作业生命周期管理等能力来运行Ray工作负载。相关PR: cid:link_16设计文档请参考: Ray Design Doc[8]使用文档请参考: Ray User Guide[9]由衷感谢社区开发者：@Wonki4 对该特性的贡献！  新增 HCCL 插件支持  新版本在Volcano Job中增加了分布式AI训练场景需要的HCCL Rank 插件（hcclrank），用于在分布式任务中自动为 Pod 分配 HCCL Rank。具体包括：新增 Volcano Job的hcclrank 插件实现，支持通过任务类型（master/worker）和索引自动计算并注入 HCCL Rank 到 Pod 注解。插件支持自定义 master/worker 任务名，用户可以指定分布式任务的master/worker角色。该功能提升了 Volcano 在华为昇腾等 HCCL 通信场景下的原生支持，方便用户在 AI 训练任务中自动管理和分配 Rank。相关PR:cid:link_27/pull/4524由衷感谢社区开发者：@kingeasternsun 对该特性的贡献！  增强 NodeGroup 功能  在层级队列结构中，为每个子队列重复配置与其父队列相同的节点组亲和性（nodeGroupAffinity）会导致配置冗余且难以维护。为解决此问题，Nodegroup 插件新增了对层级队列亲和性的继承支持。启用后，调度器将遵循以下规则解析队列的有效亲和性：优先自身配置：若队列已定义 spec.affinity，则直接使用该配置。向上继承：若队列未定义 spec.affinity，则沿其父级向上查找，并继承最近的祖先队列所定义的亲和性配置。覆盖能力：子队列可通过定义自身的 spec.affinity 来覆盖继承的配置，保证了灵活性。此功能允许管理员在父队列（如部门级别）设置统一的节点组亲和性，其下的所有子队列（如团队级别）将自动继承该设置，从而简化了管理。同时对于未设置NodeAffinity的队列，用户可以在插件配置中设置"strict"参数来决定调度行为。当 strict 为 true（默认值）时，这些队列的任务将无法被调度到任何节点上。当 strict 设置为 false 时，这些任务则被允许调度到未设置 "volcano.sh/nodegroup-name" 标签的普通节点上。在调度配置文件的 nodegroup 插件参数中，设置 enableHierarchy: true可开启层级队列模式，设置strict为false可设置non-strict模式，示例配置如下：actions: "allocate, backfill, preempt, reclaim"tiers:- plugins:  - name: nodegroup    enableHierarchy: true# 启用层级队列    arguments:     strict: false# 设置为non-strict模式，队列内任务可以被调度到不包含"volcano.sh/nodegroup-name"标签的节点上相关PRs:cid:link_27/pull/4455 cid:link_17NodeGroup设计文档请参考：NodeGroup Design[10]NodeGroup使用文档请参考: NodeGroup User Guide[11]由衷感谢社区开发者：@JesseStutler , @wuyueandrew 对该特性的贡献！  新增 ResourceStrategyFit 插件  在 Kubernetes 原生的 noderesources 调度策略中，只能对所有资源应用单一的聚合（MostAllocated）或分散（LeastAllocated）策略。这在复杂的异构计算环境（如 AI/ML 集群）中存在局限性。为了满足差异化调度需求，Volcano 增强提出了 ResourceStrategyFit 插件，以应对更加复杂的场景。该插件现在集成了两大核心功能：按资源类型配置独立策略以及稀缺资源规避（SRA）。▍按资源类型的独立打分策略  此功能允许用户为不同的资源（如 cpu, memory, nvidia.com/gpu）分别指定 MostAllocated（聚合）或 LeastAllocated（分散）策略，并为其分配不同权重。调度器会根据每个资源的独立配置精细化计算节点得分。为了简化对同一系列资源（如来自同一供应商的不同型号 GPU）的管理，该功能还支持资源名称的后缀通配符（*）匹配。语法规则：仅支持后缀通配符，例如 nvidia.com/gpu/*。诸如 vendor./gpu 等模式将被视为无效。匹配优先级：采用“最长前缀匹配”原则。精确匹配的优先级最高；当没有精确匹配时，将选择前缀最长的通配符模式。配置示例： 以下配置为特定型号的 V100 GPU 设置了高优先级的聚合策略，为所有其他 NVIDIA GPU 设置了通用的聚合策略，同时为 CPU 资源配置了分散策略。actions: "enqueue, allocate, backfill, reclaim, preempt"tiers:- plugins:  - name: resource-strategy-fit    arguments:      resourceStrategyFitWeight: 10      resources:        # 精确匹配，最高优先级        nvidia.com/gpu-v100:          type: MostAllocated          weight: 3        # 通配符匹配，适用于其他所有 NVIDIA GPU        nvidia.com/gpu/*:          type: MostAllocated          weight: 2        # 精确匹配，用于 CPU 资源        cpu:          type: LeastAllocated          weight: 1同时ResourceStrategyFit 插件也支持设置Pod粒度的资源打分策略。主要通过以下两个注解进行设置：volcano.sh/resource-strategy-scoring-type: 指定该 Pod 的资源调度策略，可选值为 "LeastAllocated"（优先调度到资源使用率最低的节点）或 "MostAllocated"（优先调度到资源使用率最高的节点）。volcano.sh/resource-strategy-weight: 以 JSON 格式为不同的资源（如 CPU、内存、GPU 等）设置自定义的调度权重，以影响最终的节点评分。以下示例展示了如何为一个 Volcano Job 配置 Pod 粒度的资源调度策略：apiVersion: batch.volcano.sh/v1alpha1kind: Jobmetadata:  name: resource-strategy-jobspec:  minAvailable: 2  schedulerName: volcano  tasks:  - replicas: 2    name: worker    template:      metadata:        annotations:          # 为该任务的 Pod 设置调度策略为 LeastAllocated          volcano.sh/resource-strategy-scoring-type: "LeastAllocated"          # 为 CPU 和内存资源设置不同的调度权重          volcano.sh/resource-strategy-weight: '{"cpu": 2, "memory": 1}'      spec:        containers:        - name: worker          image: my-worker:latest          resources:            requests:              cpu: "2"              memory: "4Gi"            limits:              cpu: "2"              memory: "4Gi"       restartPolicy: Never在这个例子中，worker 任务下的所有 Pod 在调度时将遵循 LeastAllocated 策略。在计算节点分数时，CPU 的权重是 2，内存的权重是 1。这意味着调度器会更倾向于将 Pod 调度到 CPU 和内存空闲资源（根据权重加权后）更多的节点上。▍稀缺资源规避（Scarce Resource Avoidance, SRA）SRA 是一项“软”策略，旨在提高昂贵或稀缺资源（如 GPU）的整体利用率。它通过影响节点评分，引导那些不需要特定稀缺资源的普通任务（如纯 CPU 任务）尽量避开包含这些资源的节点。这样可以将稀缺资源节点“预留”给真正需要它们的任务，从而减少资源竞争和任务等待时间。工作机制：1.  用户在配置中定义一组“稀缺资源”（如 nvidia.com/gpu）。2.  当调度一个不请求任何已定义稀缺资源的 Pod 时，SRA 策略会生效。3.  调度器会降低那些拥有这些稀缺资源的节点的得分。节点上存在的稀缺资源种类越多，其得分就越低。4.  对于那些请求了稀缺资源的 Pod，SRA 策略不会对其调度决策产生负面影响。配置示例：以下配置将 nvidia.com/gpu 定义为稀缺资源。当调度纯 CPU 任务时，拥有 GPU 的节点得分会降低，从而使任务更倾向于被调度到没有 GPU 的节点上。actions: "enqueue, allocate, backfill, reclaim, preempt"tiers:- plugins:  - name: resource-strategy-fit    arguments:      # ... resourceStrategyFit 的聚合/分散策略配置 ...      resources:        nvidia.com/gpu:          type: MostAllocated          weight: 2        cpu:          type: LeastAllocated          weight: 1      # SRA 策略配置      sra:        enable: true        resources: "nvidia.com/gpu"# 定义稀缺资源列表，逗号分隔        weight: 10 # SRA 策略在总分中的权重        resourceWeight:          nvidia.com/gpu: 1 # 定义 nvidia.com/gpu 为稀缺资源及其权重通过将 ResourceStrategyFit 的聚合/分散策略与 SRA 的规避策略相结合，用户可以实现更精细、更高效的异构资源调度。关于ResourceStrategyFit设计和使用文档，请参考：ResourceStrategyFit[12]，how to use resource strategy fit plugin[13]相关PRs：cid:link_18 cid:link_19 cid:link_20由衷感谢社区开发者：@LY-today, @XbaoWu, @ditingdapeng, @kingeasternsun对该特性的贡献！  实现混部与 OS 解耦  Volcano 混部能力分为应用态和内核态两部分，应用态混部提供在离线统一调度、动态资源超卖、节点压力驱逐等能力，内核态混部分为内核层面的CPU/Memory/Network等资源的QoS保障，内核态混部能力通常需要特性OS支持（如OpenEuler等）。在新版本中，Volcano将混部能力与OS进行了解耦，对于使用了不支持混部能力的OS的用户来讲，可以选择使用Volcano应用态的混部能力，来达到在离线任务统一调度、动态资源超卖、高优任务保障等能力。具体使用方式如下，在安装Volcano agent时指定--supported-features参数：helm install volcano . --create-namespace -n volcano-system --set custom.colocation_enable=true --set"custom.agent_supported_features=OverSubscription\,Eviction\,Resources"混部相关文档请参考：https://volcano.sh/en/docs/colocation/相关PRs:cid:link_27/pull/4409 cid:link_21由衷感谢社区开发者：@ShuhanYan, @Monokaix 对该特性的贡献！  支持自定义混部超卖资源名称  Vocano混部Agent新增参数 --extend-resource-cpu-name 和 --extend-resource-memory-name，允许用户自定义超卖资源名称，支持自定义设置 CPU 和内存资源的名称（默认分别为 kubernetes.io/batch-cpu 和 kubernetes.io/batch-memory）。提升了超卖资源名称设置的灵活性。具体使用方式如下，在安装Volcano时指定--extend-resource-cpu-name和--extend-resource-memory-name参数：helm install volcano . --create-namespace -n volcano-system --set custom.colocation_enable=true --set custom.agent_extend_resource_cpu_name=example.com/cpu --set custom.agent_extend_resource_memory_name=example.com/gpu混部相关文档请参考：https://volcano.sh/en/docs/colocation/相关PRs：cid:link_22 cid:link_21由衷感谢社区开发者：@ShuhanYan, @Monokaix 对该特性的贡献！  将网络拓扑感知调度能力扩展至 Kubernetes 标准工作负载  在新版本中，Volcano 的网络拓扑感知调度能力不再局限于 Volcano Job。现在，也可以为 Kubernetes 的标准工作负载（如 Deployment、StatefulSet 等）配置网络拓扑约束。该功能通过 Pod 模板中的注解（Annotation）实现。当为 Deployment 或 StatefulSet 的 Pod 模板添加网络拓扑相关的注解后，Volcano 的 podgroup-controller 会自动为这些 Pod 创建一个PodGroup，并将注解中定义的网络拓扑约束继承到 PodGroup 的规约（Spec）中，从而在调度时应用相应的网络亲和性策略。可以通过以下两个注解来配置网络拓扑感知调度：Deployment 配置示例以下示例展示了如何为一个 Deployment 配置网络拓扑感知调度。调度器将把该 Deployment 的 Pod 调度到网络层级不超过 2 的节点上：apiVersion: apps/v1kind: Deploymentmetadata:  name: network-aware-deploymentspec:  replicas: 3  selector:    matchLabels:      app: my-app  template:    metadata:      labels:        app: my-app      annotations:        # 设置网络拓扑为硬约束        topology.volcano.sh/network-topology-mode: "hard"        # 设置允许调度的最高网络层级为 2        topology.volcano.sh/network-topology-highest-tier: "2"    spec:      # 必须指定调度器为 volcano      schedulerName: volcano      containers:      - name: main-container        image: nginx:latest        resources:          requests:            cpu: "1"            memory: "1Gi"          limits:            cpu: "1"            memory: "1Gi"相关PRs:cid:link_27/pull/4583cid:link_25由衷感谢社区开发者：@zhifei92 对该特性的贡献！  适配 Kubernetes 1.33  Volcano 版本紧随 Kubernetes 社区版本。v1.13 支持最新的 Kubernetes v1.33 版本，并通过完整的 UT 和 E2E 测试用例确保功能和可靠性。如需参与 Volcano 对新 Kubernetes 版本的适配工作，请参考：adapt-k8s-todo[14]。相关PR：cid:link_23由衷感谢社区开发者：@mahdikhashan 对该特性的贡献！  致谢贡献者  Volcano v1.13 版本包含了来自 36 位社区贡献者的上百次代码提交，在此对各位贡献者表示由衷的感谢，贡献者 GitHub ID：相关链接[1]Volcano v1.13版本: cid:link_10[2]Volcano: https://volcano.sh/en/[3]LeaderWorkerSet (LWS): cid:link_26[4]LWS v0.7: cid:link_11[5]LeaderWorkerSet With Gang: cid:link_6[6]Cron Volcano Job Example: cid:link_8[7]HyperNode Auto Discovery: cid:link_1[8]Ray Design Doc: cid:link_4[9]Ray User Guide: cid:link_5[10]NodeGroup Design: cid:link_9[11]NodeGroup User Guide: cid:link_3[12]ResourceStrategyFit: cid:link_2[13]how to use resource strategy fit plugin: cid:link_0[14]adapt-k8s-todo: cid:link_7Volcano 是业界首个云原生批量计算引擎，也是 CNCF 首个和唯一的批量计算项目。项目主要用于 AI、大数据、基因、渲染等诸多高性能计算场景，对主流通用计算框架均有很好的支持。目前，Volcano在人工智能、大数据、基因测序等海量数据计算和分析场景已得到快速应用，已完成对 Spark、Flink、Ray、 Tensorflow、PyTorch、Argo、MindSpore、Paddlepaddle 、Kubeflow、MPI、Horovod、Mxnet、KubeGene 等众多主流计算框架的支持，并构建起完善的上下游生态。Website：https://volcano.shGitHub: cid:link_27每周例会：https://zoom.us/j/91804791393  添加社区小助手回复“Volcano”进入技术交流群 

一、 vue.js研究1.1 vue.js介绍1 、vue.js是什么？Vue (读音 /vjuː/，类似于 view) 是一套用于构建用户界面的渐进式框架。与其它大型框架不同的是，Vue 被设计为可以自底向上逐层应用。Vue 的核心库只关注视图层，不仅易于上手，还便于与第三方库或既有项目整合。另一方面，当与现代化的工具链以及各种支持类库结合使用时，Vue 也完全能够为复杂的单页应用提供驱动。渐进式框架：Progressive，说明vue.js的轻量，是指一个前端项目可以使用vue.js一两个特性也可以整个项目都用vue.js。自底向上逐层应用：作为渐进式框架要实现的目标就是方便项目增量开发。参考：https://cn.vuejs.org/2 、Vue.js与ECMAScriptVue 不支持 IE8 及以下版本，因为 Vue 使用了 IE8 无法模拟的 ECMAScript 5 特性。什么是ECMAScript?  ECMAScript（简称ES）是一种规范，我们平常所说的Js/Javascript是ECMAScript的实现，早期主要应用的ES3，当前主流浏览器都支持ES5、ES6，ES8已于 2017 年发布。ES6：http://www.ecma-international.org/ecma-262/6.0/ES7：http://www.ecma-international.org/ecma-262/7.0/3 、Vue.js的使用1 ）在html页面使用script引入vue.js的库即可使用。2 ）使用Npm管理依赖，使用webpack打包工具对vue.js应用打包。大型应用推荐此方案。3 ）Vue-CLI脚手架使用vue.js官方提供的CLI脚本架很方便去创建vue.js工程雏形。4 、vue.js有哪些功能？1 ）声明式渲染Vue.js 的核心是一个允许采用简洁的模板语法来声明式地将数据渲染进 DOM 的系统。比如：使用vue.js的插值表达式放在Dom的任意地方， 插值表达式的值将被渲染在Dom中。{{name}}2 ）条件与循环dom中可以使用vue.js提供的v-if、v-for等标签，方便对数据进行判断、循环。3 ）双向数据绑定Vue 提供v-model 指令，它可以轻松实现Dom元素和数据对象之间双向绑定，即修改Dom元素中的值自动修改绑定的数据对象，修改数据对象的值自动修改Dom元素中的值。4 ）处理用户输入为了让用户和你的应用进行交互，我们可以用 v-on 指令添加一个事件监听器，通过它调用在 Vue 实例中定义的方法5 ）组件化应用构建vue.js可以定义一个一个的组件，在vue页面中引用组件，这个功能非常适合构建大型应用。1.2 vue.js基础1.2.1 MVVM模式vue.js是一个MVVM的框架，理解MVVM有利于学习vue.js。MVVM拆分解释为：Model:负责数据存储View:负责页面展示View Model:负责业务逻辑处理（比如Ajax请求等），对数据进行加工后交给视图展示MVVM要解决的问题是将业务逻辑代码与视图代码进行完全分离，使各自的职责更加清晰，后期代码维护更 加简单用图解的形式分析Ajax请求回来数据后直接操作Dom来达到视图的更新的缺点，以及使用MVVM模式是如何 来解决这个缺点的Vue中的 MVVM  从上图看出，VM(ViewModel)可以把view视图和Model模型解耦合，VM的要做的工作就是vue.js所承担的。1.2.2 入门程序本次测试我们在门户目录中创建一个html页面进行测试，正式的页面管理前端程序会单独创建工程。在门户目录中创建vuetest目录，并且在目录下创建vue_01.html文件<!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF‐8"> <title>vue.js入门程序</title> <script src="/js/vue/vue.min.js"></script> </head> <body> <div id="app"> {{name}} <!‐‐ 在Vue接管区域中使用Vue的系统指令呈现数据 这些指令就相当于是MVVM中的View这个角色 ‐‐> </div> </body> <script> // 实例化Vue对象 //vm :叫做MVVM中的 View Model var VM = new Vue({ el:"#app",//表示当前vue对象接管app的div区域 data:{ name:'高级程序员'// 相当于是MVVM中的Model这个角色 } }); </script> </html>代码编写步骤：1 、定义html，引入vue.js2 、定义app div，此区域作为vue的接管区域3 、定义vue实例，接管app区域。4 、定义model（数据对象）5 、VM完成在app中展示数据  1.2.3 1+1=2实现效果：  代码如下：<!DOCTYPE html> <html lang="en" xmlns:v‐on="http://www.w3.org/1999/xhtml"> <head> <meta charset="UTF‐8"> <title>vue.js入门程序</title> </head> <body> <div id="app"> <!‐‐{{name}}解决闪烁问题使用v‐text‐‐> <a v‐bind:href="url"><span v‐text="name"></span></a> <input type="text" v‐model="num1">+ <input type="text" v‐model="num2">= <span v‐text="result"></span> <!‐‐ <span v‐text="Number.parseInt(num1)+Number.parseInt(num2)"></span>‐‐> <!‐‐{{num1+num2}}‐‐> <!‐‐<input type="text" v‐model="result">‐‐> <button v‐on:click="change">计算</button> <!‐‐ 在Vue接管区域中使用Vue的系统指令呈现数据 这些指令就相当于是MVVM中的View这个角色 ‐‐> </div> </body> <script src="/js/vue/vue.min.js"></script> <script> // 实例化Vue对象 //vm :叫做MVVM中的 View Model var VM = new Vue({ el:"#app",//表示当前vue对象接管app的div区域 data:{ name:'高级程序员',// 相当于是MVVM中的Model这个角色 num1:0, num2:0, result:0, url:'http://www.lxw.cn' }, methods:{ change:function(){ this.result = Number.parseInt(this.num1)+Number.parseInt(this.num2) alert(this.result) } } }); </script> </html>本例子学习了：1 、v-model：1 、在表单控件或者组件上创建双向绑定 2 、v-model仅能在如下元素中使用：input select textarea components（Vue中的组件）2 、解决插值表达式闪烁问题，使用v-textv-text可以将一个变量的值渲染到指定的元素中,它可以解决插值表达式闪烁的问题3 、v-on,@绑定一个按钮的单击事件4 、v-bind1 、作用： v‐bind可以将数据对象绑定在dom的任意属性中。 v‐bind可以给dom对象绑定一个或多个特性，例如动态绑定style和class 2 、举例： <img v‐bind:src="imageSrc"> <div v‐bind:style="{ fontSize: size + 'px' }"></div> 3 、缩写形式 <img :src="imageSrc"> <div :style="{ fontSize: size + 'px' }"></div>1.2.4 v-if和v-for<!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF‐8"> <title>Document</title> <script src="/js/vue/vue.min.js"></script> </head> <body> <div id="app"> <ul> <!‐‐只显示偶数行‐‐> <li v‐for="(item,index) in list" :key="index" v‐if="index % 2==0">{{index}}‐{{item}}</li> <li v‐for ="(value,key) in user">{{key}}‐{{value}}</li> <li v‐for="(item,index) in userlist" :key="item.user.uname"> <div v‐if="item.user.uname=='yunhe'" style="background: chartreuse"> <!‐‐名称为yunhe的加背景色‐‐> {{index}}‐{{item.user.uname}}‐{{item.user.age}} </div> <div v‐else=""> {{index}}‐{{item.user.uname}}‐{{item.user.age}} </li> </div> </ul> </div> </body> <script> new Vue({ el:'#app', data:{ list:[1,2,3,4,4], user:{uname:'lxw',age:10}, userlist:[ { user: {uname:'lxw',age:10}}, { user: {uname:'yunhe',age:11}} ] } }); </script> </html>总结 Vue.js 是一套基于 MVVM 模式的渐进式前端框架，核心聚焦视图层，兼具易学性与灵活性，可自底向上逐层应用于项目，既支持轻量引入也能驱动复杂单页应用，不支持 IE8 及以下版本，依赖 ES5 及以上特性。其核心优势在于数据驱动与组件化。采用声明式渲染，通过{{}}插值表达式或v-text指令（解决闪烁问题）绑定数据；v-model实现表单元素与数据双向绑定，v-bind（可缩写为:）动态绑定 DOM 属性，v-on（可缩写为@）处理用户交互。借助v-if条件渲染与v-for列表循环，能高效操控 DOM。架构上以 ViewModel 为核心，解耦 Model（数据存储）与 View（页面展示），自动处理数据与视图同步，简化开发。使用方式灵活，可通过 script 标签快速引入，也能借助 Vue-CLI 脚手架与 Webpack 构建大型项目，组件化特性更让大型应用的开发与维护更高效，是当前前端开发的主流框架之一。

CCI Administrator 有上传镜像包的权限吗？

CCI 是否提供基础容器镜像的下载服务？

CCI如何制作容器镜像？

CCE集群界面的某个节点磁盘监控高达80%以上，而进入云监控界面看到的磁盘使用率在40%不到

CCE 集群删除之后相关数据能否再次找回？

如何确认已创建的集群是否为多控制节点模式？

 CCE 集群如何重置或重装？

CCE如果当前资源配额限制无法满足使用需要，怎么申请

华为云云容器引擎（Cloud Container Engine，简称CCE）提供高度可扩展的、高性能的企业级Kubernetes集群。借助云容器引擎，您可以在华为云上轻松部署、管理和扩展容器化应用程序。华为云云容器引擎CCE匠心打磨使用文档，场景原理、参数说明、操作流程、视频触点、页面样式全面优化，AI实践案例更加丰富，助您高效获取和使用，轻松玩转CCE！   华为云云容器引擎CCE：cid:link_1云容器引擎CCE文档：cid:link_0 

 CCE 集群创建时的根证书如何更新？