这是一个自动化部署、伸缩和操作应用程序容器的开源平台，可以做到快速提供给基础架构以真正的以容器为中心的开发环境。
Rancher Labs由CloudStack之父梁胜创建，一直以来都算是最先扎入该领域的“排头兵”。
其旗舰产品Rancher，作为一个开源的企业级Kubernetes管理平台，率先实现了Kubernetes集群在混合云+本地数据中心的集中部署与管理，并已于2020年2月完成了中国本土化和国产化。
对此，Rancher中国 CTO 江鹏感同身受，2017-2018年，那时更多的云服务厂商将容器视为自身服务的一种，但并不是最核心的那一个。
当然，这种变化还集中表现在参与者在认可云原生领域或者技术栈的同时，更多思考业务“落地”的问题。
例如应用的运行、微服务的治理甚至是Kubernetes集群的管理与安全，还包括与新技术AI的结合等。
就此推断，或许更加关注生态层面的创新，越发灵活适应用户需求变化，通过创新性的项目产品来解决云原生推广或者落地过程中的诸多问题，可能才是企业决胜云原生战事的关键。
此外谈及云原生的落地问题，K8S多集群管理、容器边缘部署包括与AI技术相结合等层面都是不容规避的难点。
从实践看，对于大部分刚开始使用云原生或者Kubernetes技术的企业来说，使用的就已经不是单集群了，但此时更多被简单定义为少量集群。
举个例子，很多企业开发环境中有一个集群，生产环境中又有一个集群，这或许是刚开始上线的典型场景。
但伴随业务发展体量扩大，容器平台在企业内部采纳的程度变得越来越高，用户就会随之发现有更多应用需要迁移到集群之上。
江鹏进一步透露，多集群管理中的“多”还不单单体现在集群的量级，哪怕在不同团队中，理念上也会存在不小的差异。
对于平台建设团队，多集群管理技术更多意味着如何能够帮助屏蔽底层基础设施的差异性，来提供一致性的认证授权，以及管理、运维能力。
而针对应用团队来说，更希望以一个统一且具备一致性的方式去部署和使用这些集群，能够在不同的集群之上提供一个一致性的上层支撑能力。将监控、告警、日志采集或者包括微服务治理在内的种种应用，更快速地部署到多个集群中是关键。
以金融用户多活的数据中心为例，它是比较典型的两地三中心的架构，对于应用团队而言，他们的关注点更加集中在：是否能将一些核心业务系统快速一键部署到数据中心，来实现跨数据中心的容灾或者多活？
基于此，Rancher对自己的产品做了一些增强，包括多集群、多租户的监控功能以及单一应用跨多Kubernetes集群的部署和管理等。
具体来说，在定义集群模板的基础上，可以一键将应用商店的应用程序系统无缝部署到任意数量集群中的多个Project里。
整个容器的镜像怎么保证其中内置的组件或者服务不存在一些安全漏洞，用户对于这一点的关注还算比较常见。
比方说遵照安全基准测试benchmark，关闭匿名访问端口，各个组件之间使用双向的TLS加密，判断相关组件是不是以最小权限去启动等。
除此之外，集群的运行安全还涉及到集群更上层的应用运行时的一些配置，例如容器运行时runtime。
如果是在多租户的场景中，不同的租户之间如何去做网络隔离也会被考虑其中，甚至还会借助一些专业安全厂商的技术支持。
区别在于，Azure IoT中心是基于Docker容器技术，现阶段可能还没有使用类似Kubernetes的一些编排。
尽管容器具有与生俱来的天然属性，但部署管理的过程所面临的问题却并没有在云端、数据中心甚至是异构基础设施上部署那么简单。
更重要的是，边缘场景与传统的云端或者是数据中心场景，最大的区别在于，边缘场景是一个非常多样化或者碎片化的场景。
相对于数据中心来说，大家使用的是标准的X86服务器以及统一存储，Kubernetes可以提供一致性的API去支撑业务的标准化运行。
“举个简单的例子，一些制造业客户的生产线上会有很多windows系统，而不是Linux系统，甚至更多可能还不是windows server。如果这些设备通过一些协议去和产线上的其他设备进行交互的话，难度可想而知。”
在边缘场景中，用户要去进行一些系统或是应用的容器化或者是云原生改造，还需要有一个逐步适配、改造的过程。
“我们已经看到将Docker引擎用在边缘侧，但在边缘侧要实现更强大的编排能力，是否将标准的Kubernetes的推到边缘侧，还亟待探讨。”
据量子位了解，大部分投身容器的云服务商还是更多选择将标准的Kubernetes部署在边缘侧，以求有效管理；但Rancher例外，这也是K3s应时而出的原因。
降低用户去部署和管理Kubernetes的复杂度，不再需要管理各种复杂的组件，开箱即用一键部署。
从以上出发，降低资源消耗，让用户在低计算资源的设备上也能够去运行Kubernetes 集群等，或许是K3s的优势所在。
此外，最近官宣开源的Fleet，也正是Rancher以管理cattle的方式去管理部门的子集群，确保海量Kubernetes集群的集中管理优势体验。
“关注的着眼点不再是某一个集群的应用部署情况，而是把集群作为一个集群组（cluster group），从一个更高维度去做管理。”
如今，无论是AI行业的专业厂商，还是实际AI训练的场景应用，出现了越来越多将AI业务运行在容器之上的情况，此举也逐渐成为探究业务落地的重要问题之一。
例如在AI模型的训练中，大量访问或者读取的数据、图片或者源文件等注定了大规模算力的消耗，然而典型的大规模计算场景，正是容器所需要的。
江鹏表示，由于Nvidia官方并没有像vGPU的实现，导致在标准的Kubernetes或者社区版的Kubernetes集群之中，资源调度的粒度比较粗，资源的利用率不是太高。
当企业CIO们将AI作为被思考的头等大事儿时，对于Kubernetes的关键作用也不容小觑。
容器和Serverless将使机器学习模型作为独立的功能提供服务，从而以更低的开销运行AI应用，足见Kubernetes+AI前景光明。
每日头条、业界资讯、热点资讯、八卦爆料，全天跟踪微博播报。各种爆料、内幕、花边、资讯一网打尽。百万互联网粉丝互动参与，TechWeb官方微博期待您的关注。
