VMware vSphere资源管理手册(一):vSphere系统需求

VMware vSphere 新手入门(五) ESXi资源分配 16.affinity concept 当我们讨论VMware Distributed Resource Scheduler(DRS)时,我们非常详细地了解了如何通过在主机群集中移动正在运行的VM来配置DRS来优化和平衡资源。 但是,在DRS算法中总是存在难以包含的其他考虑因素; 这些考虑因素导致一些管理员避免在完全自动化模式下配置DRS以防止错误放置其VM。 但是可以使用亲和力和反关联性规则... 阅读详情

转自   EMC中文支持论坛https://community.emc.com/go/chinese

介绍

 

本系列文章覆盖VMware vSphere资源管理的知识点。包括系统需求,虚拟机资源管理,功能特性等内容。

 

更多信息

 

ESXi系统需求:

 

VMware vSphere Hypervisor,也称为ESXi,是构建vSphere环境的基础。hypervisor是管理和分配物理资源给虚拟资源的软件。Hypervisor分为两大类:第一类安装在裸机上,如ESXi。第二类安装在现有操作系统上,例如VMware Workstation,安装在Windows或Linux之上。

 

ESXi 5.5资源需求如下:

  • 至少两个内核的64比特x86处理器,支持硬件虚拟化(Intel VT-x 或 AMD RVI)。比如Intel Xeon E5-2640 或 AMD Opteron 6320。
  • 安装ESXi至少需4 GB RAM。这只是一个最小需求,因为用户要求的固化比例和应用需求才真正决定了服务器所需的RAM。
  • 至少1g网卡。
  • 至少需1GB空间安装ESXi以及5.2GB创建分区。

 

可以从http://vmware.com/go/hcl查找VMware兼容性指南来验证硬件是否支持。VMware的合作伙伴网还是比较庞大的。如下图所示:

image002.jpg

返回结果如下:

image003.jpg

 

vCenter组件:

 

ESXi是搭建虚拟环境的基础,而通过VMware vCenter将多个ESXi主机联合起来并管理,才使得物理机的资源得到充分利用。vCenter有两个版本:基础版和标准版。基础版为小型部署设计,仅支持3台主机,通常是作为essentials kits工具包的形式。标准版面向三个以上主机管理。

 

与其他应用一样,用户需要合适的部署vCenter,以保证它能够支持你的环境。VMware为部署vCenter提供两个基本选项:作为一个应用安装于Microsoft Windows之上,或作为预装的Linux虚拟设备。从vSphere 5.5开始,使用内嵌的PostgreSQL数据库环境下,支持最多100台ESXi设备或3000台虚拟机,外部Oracle数据库环境下,支持1000台主机或10,000台虚拟机。

 

vSphere 5.1中,VMware将原本绑定在一起的功能拆成独立的服务,让用户能够更好的控制vCenter部署。主要部件如下:

  • vCenter
  • vCenter Single Sign-On
  • vCenter Inventory Service
  • vSphere Web Client

vCenter也要求一个数据库服务器来存储配置信息,收集关于环境的统计信息,执行各种任务来维护健康的数据库。vCenter可以和数据库安装在同一台服务器上,

 

VMware认为vCenter一个小型的部署上限是100台主机或1000个VM。对于很多小型组织来说已经足够,但VMware还可以支持更多设备。让vCenter有效运行所需的资源建立于主机或VM inventory。

 

vCenter,vCenter SSO, vCenter Inventory Service,以及web client的流水化安装,有以下要求:

  • 2个64bit处理器内核(如ESXi,可以是Intel或AMD),速度为2GHz
  • 12 GB内存
  • 40至60GB磁盘空间
  • 64bit数据库服务器

需要强调的是这是在数据库服务器之外的额外要求。


VMware vSphere 常见问题解答整理 无意中发现的一位大哥的总结的东东,感觉很好的诠释了目前服务端虚拟化的一些基本概念和困惑。 PS:部署测试过XenServer、VMwarevSphere、KVM的虚拟化方案,还是认为VMware vSphere的方案最成熟、bug最少!就是有点贵。本人的实践经验得出这样的结论:XenServer和KVM合适一个专业的团队来二次开发和管理,自由度高,但bug不少,很多功能需要二次开发,出 阅读详情

相关推荐

VMware vsphere Enterprise各个版本的区别

VMware vsphere Essentials Kit ,VMware vsphere Essentials Plus Kit ,VMware vsphere Standard Enterprise, VMware vsphere Enterprise Plus 各个版本功能区别

新版本vsphere支持最大单个vmdk超过2T,理论上支持最大62T

新版本vsphere支持最大单个vmdk超过2T,理论上支持最大62TIn vSphere 5.5, large capacity virtual disks have these conditions and limitations:An ESXi 5.5 or later host is required.The maximum supported VMDK size o...

weixin_34176694的博客 895

vcreport:VMware vSphere vCenter 报表工具,负责统计并入库相关资源数据

vcreport 根据 VMware vSphere vCenter 资源视图做检索,持久化统计数据到后端存储,类似对 VirtualMachine 资源做统计并自动注册到监控系统的工具 。 配置 主要配置文件为同级目录下的 config.py,主要为 sqlalchemy 存储端的地址和需要做遍历统计的 vCenter 查询用户信息。 from urllib import parse # vCenter 的的认证配置 VC_CONFIG_MAP = { "DC1-vCenter": { "host": "10.10.10.1", "user": "query", "pwd": "password", }, "DC2-vCenter": { "host": "10.10.10.3", "

虚拟化--042 vsphere Vapp&resource pool内存和cpu资源参数详细介绍

这里说明一下,vapp中的几个cpu和内存参数都是一样,理解方法一样。和resource pool中的也一样。份额(shares)此 vApp 拥有的、相对于父级的总 CPU 份额值。同级 vApp 将根据其相对份额值共享资源,该份额值受预留和限制的约束。选择低、正常或高,这三种级别分别按 1:2:4 这个比率指定份额值。选择自定义为每个 vApp 提供表示比例权重的特...

weixin_34008933的博客 506

VMware ESX配置指南

本手册(《ESX 配置指南》)提供了有关如何为 VMware® ESX 配置网络的信息,其中包括如何创建虚拟交换机和端口,以及如何为虚拟机、VMware vMotion™ 和 IP 存储设置网络。此外还论述了如何配置文件系统及各种类型的存储器,如 iSCSI 和光纤通道。本指南提供了有关 ESX 中内置的安全功能的论述,以及为使 ESX 免遭攻击而可采取的措施。此外,它还包括一个 ESX 技术支持命令及其 VMware vSphere™ Client 等效指令的列表,以及 vmkfstools 实用程序的描述。

VMware vSphere 5.5 资源管理指南(中文)

VMware vSphere 5.5 资源管理指南,全中文,共130页。ESXi 5.5 vCenter Server 5.5

VMware vSphere虚拟化系统完整部署配置

目 录 一、实施目标... 2 二、实施环境工作... 2 2.1 实施拓扑... 2 2.2 实施前准备... 3 2.3 IP 地址... 4 三、名词解释... 4 四、安装配置 EXSI 主机... 5 4.1安装 ESXI 主机... 5 4.2配置 ESXI 主机... 7 五、安装 Vmware vSphere Client

雪夕阳 1万+

VMware vSphere 5.5 虚拟机管理指南(中文)

VMware vSphere 5.5 虚拟机管理指南,全中文,共212页。ESXi 5.5 vCenter Server 5.5

VMware ESX内存管理

在虚拟机属性设置页面有一些我们可以配置内存的选项.1. Allocated memory该值在虚拟机属性的硬件选项卡中, 为虚拟机用到的物理内存总额, 虚拟机不能超过该限制获取更多的内存.2. Reservations(保留)分配虚拟机的最少内存量, 确保虚拟机可以获得的最小内存. 当该条件不能得到满足时, 将无法启动虚拟机. 就是所谓的”接入控制”. 该值在虚拟机属性的资源...

weixin_34250709的博客 425

使用GitLab+Drone CI持续集成自动部署web项目,图文详细

kind: pipeline # 定义对象类型,还有secret和signature两种类型 type: docker # 定义流水线类型,还有kubernetes、exec、ssh等类型 name: mall-tiny-drone # 定义流水线名称 steps: # 定义流水线执行步骤,这些步骤将顺序执行 - name: package # 流水线名称 image: maven:3-jdk-8 # 定义创建容器的Docker镜像 volumes: # 将容器内目录挂载到宿主机,仓库

4106

均值回归 高频交易_基于布林带的均值回归交易策略

BOLL指标是美国股市分析家约翰·布林根据统计学中的标准差原理设计出来的一种非常简单实用的技术分析指标。一般而言,股价的运动总是围绕某一价值中枢(如均线、成本线等)在一定的范围内变动,布林线指标正是在上述条件的基础上,引进了“股价通道”的概念,其认为股价通道的宽窄随着股价波动幅度的大小而变化,而且股价通道又具有变异性,它会随着股价的变化而自动调整。由于之前大部分交易策略都是选股或者趋势追踪的择时,...

weixin_42528534的博客 1459

【免费下载】 VMware vSphere 6.5 全套中文手册:您的虚拟化管理利器

在当今的数字化时代,虚拟化技术已成为企业IT基础设施的核心组成部分。VMware vSphere 6.5 作为业界领先的虚拟化平台,为企业提供了强大的计算、存储和网络资源管理能力。为了帮助广大用户更好地理解和使用这一平台,我们推出了 **VMware vSphere 6.5 全套中文手册**。 本项目旨在为用户提供一套完整、详尽的中文文档,涵盖了从基础安装到高级管理的各个方面。无论您是初学者还是

gitblog_09715的博客 1421

V2签名预装失败原因及解决方案

GOOGLE最新的GTS要求targetSdkVersion 大于30的APK必须使用V2及以上签名。 但实际在预装过程中,GTS测试会失败。 后面发现这是由于预装方式的原因造成的。原来的预装方式是使用APK,指定APK使用预签名的方式。Android.mk如下: LOCAL_PATH := $(call my-dir) include $(CLEAR_VARS) LOCAL_MODULE := DKTest LOCAL_MODULE_CLASS := APPS LOCAL_MODULE_TAGS

zyfzhangyafei的专栏 6306

虚拟化概述及VMware VSphere介绍

虚拟化概述及VMware VSphere介绍:虚拟化打破了物理硬件与操作系统及在其上运行的应用程序之间的硬性连接。操作系统和应用程序在虚拟机中实现虚拟化之后,便不再因位于单台物理计算机中而受到种种束缚。物理元素(如交换机和存储器)的虚拟等效于在可跨越整个企业的虚拟基础架构内运行。与物理机一样,虚拟机是运行操作系统和应用程序的软件计算机。管理程序用作虚拟机的运行平台,并且可以整合计算资源。每个虚拟机...

Kim_Weir的专栏 1万+

基于XGBoost的混凝土力学性能预测系统

本文介绍了一个基于XGBoost算法的混凝土力学性能预测系统。该系统通过模拟生成3000组混凝土配合比数据(包含水灰比、水泥用量和龄期三个关键特征),利用XGBoost强大的非线性建模能力预测混凝土抗压强度。研究背景源于传统混凝土性能测试方法耗时耗力的痛点,该系统可显著减少实验次数,优化配合比设计。系统实现包括:数据生成与特征工程(模拟真实工程数据并添加噪声和异常值)、XGBoost模型构建、以及预测性能评估。XGBoost算法因其处理非线性关系能力强、鲁棒性好等优势被选用,可为智能建造和数字化施工提供技术

huanghm88的专栏 132

calibre:将calibre 的layer number 转换为实际的laymer 名称(7)

可以使用与版图数据库配套的(Standard Verification Rule Format,标准验证规则格式),在 Calibre DESIGNrev 中加载图层名称。

u013620135的博客 985

VMware vSphere虚拟化学习之一--Vmware vSphere虚拟化入门

     这段时间对VMware的vsphere虚拟化有了兴趣,想把一些淘汰的服务器利用起来组建一个虚拟化集群,VMware的虚拟化产品相比Openstack更加成熟稳定,对于一个单位内部建设虚拟化环境来说,VMware比Openstack的学习成本以及易用程度要高不少,但是这也并不意味着VMware的vsphere非常简单,它也有很多概念需要掌握。 一、VMware vSphere基本情况介绍...

wangli的博客 4997

【YOLOv8全方位学习手册】第四章 数据增强:从扩充数据到塑造模型的认知边界

"""使用 Albumentations 做自定义增强,兼容 YOLO 格式"""])# 转成 numpy# boxes 必须是 [[x_min,y_min,x_max,y_max], ...]# 在数据加载时调用你可以把集成到 PyTorch 的 Dataset 类里,或使用 Ultralytics 自带的DataLoader。

VectorShift的博客 213

VMware vSphere 功能特性比较 vsphere 6.5/6.7/7.0

源文件地址: https://www.vmware.com/content/dam/digitalmarketing/vmware/zh-cn/pdf/products/vsphere/vmware-vsphere-feature-comparison-datasheet.pdf VMware vSphere 功能特性比较 各个版本 (Version) ...

荒野求生的博客 8565

【图论】系列(一)之图论的构成

图论是研究图的数学分支,本章介绍了图论的基本构成和概念

qq_30066733的博客 751

华为OD机考双机位C卷 - 朋友圈个数(Java & Python& JS & C/C++ & GO )

华为OD机考双机位C卷 - 朋友圈个数(OD上机考试双机位C卷)。提供Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解,以及在线OJ模拟做题。

算法大师! 695

VMware vSphere 自动化运维神器:Terraform Provider 核心功能全解析

Terraform Provider for VMware vSphere 是一款强大的开源工具,它允许用户通过 Infrastructure as Code (IaC) 的方式自动化管理 VMware vSphere 环境。无论是创建虚拟机、配置网络,还是管理存储资源,这款工具都能帮助运维团队实现高效、可重复的基础设施部署与管理。 ## 为什么选择 Terraform Provider for

gitblog_00442的博客 740

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

深度揭秘:Terraform Provider for VMware vSphere 代码架构与实现原理

Terraform Provider for VMware vSphere 是一款强大的工具,它能够帮助用户通过 Infrastructure as Code 的方式高效管理 VMware vSphere 环境。无论是创建虚拟机、配置网络,还是管理存储资源,这款 provider 都提供了全面的支持,让基础设施管理变得更加自动化和可扩展。 ## 核心架构概览:插件设计的精妙之处 Terrafo

gitblog_00996的博客 414

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

为什么选择 Terraform Provider for VMware vSphere?10个让运维效率倍增的理由

Terraform Provider for VMware vSphere 是一款专为 VMware vSphere 环境打造的基础设施即代码工具,它能帮助运维团队通过代码方式高效管理虚拟机器、网络和存储资源。作为 VMware 官方支持的 Partner 级 Terraform 提供商,该工具已成为企业级 vSphere 环境自动化的首选方案。 ## 1. 官方认证的企业级支持 🛡️ 作为

gitblog_00168的博客 869

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

终极指南:Terraform Provider for VMware vSphere 如何彻底改变你的虚拟化管理流程

Terraform Provider for VMware vSphere 是一款强大的插件,它能让你通过 Terraform 与 VMware vSphere 进行高效交互,彻底改变传统的虚拟化管理流程,实现自动化、可扩展的基础设施管理。无论是新手还是有经验的用户,都能借助它轻松掌控 vSphere 环境。 ## 为什么选择 Terraform Provider for VMware vSph

gitblog_00027的博客 387

VMware vSphere功能特性比较 6.5 6.7 7.0

VMware vSphere 功能特性比较 各个版本(Version) 主要功能特性/功能 VMWARE VSPHERE®版本 6.5 6.7 71 vSPHERE 7 WITH KUBERNETES2 (在VMWARE CLOUD FOUNDATION中提供,请致电销售代表) 以应用为中心的管理 ...

荒野求生的博客 1万+
上一篇: 远程访问管理卡iDRAC 7
下一篇: 虚拟机Virtulbox
AddisonJ
博客等级 码龄16年 45粉丝 50原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值