【译文】亚马逊宣布容器服务成功支持Kubernetes

图片描述
亚马逊今天宣布了一件期待已久的事情,即成功实现了ECS(亚马逊旗下的高性能容器管理服务)对Kubernetes容器编配系统的支持。

时至今日,Kubernetes已经成为了容器编配的一种实际标准,并且已经获得了来自谷歌(亚马逊投资方之一)、微软以及几乎所有当前主流的云计算厂商的背书。尽管亚马逊的云服务早已经拥有了超过10万数的容器集群,甚至亚马逊的用户已经将容器集群数量扩大到百万级,但亚马逊实现对Kubernetes的支持是相对较晚的。

亚马逊的用户显然对此宣告十分感兴趣,实际上,许多用户已经在亚马逊系统上运行了Kubernetes,只是一直没能得到亚马逊的直接支持。今天,亚马逊宣布了这项新服务,**未来将会为用户管理容器编配系统。**ECS的 Kubernetes将支持最新版本的Kubernetes,同时亚马逊将管理其升级更新及所有集群的服务。

亚马逊的首席执行官Andy Jassy指出,公司当初推出ECS时,还没有像Kubernetes这样真正的容器编排系统。 他强调到,“ECS与亚马逊的其他平台是深度融合的,因此比其他容器服务更广泛”。

原文链接:

https://techcrunch.com/2017/11/29/awss-container-service-gets-support-for-kubernetes/

关于Ghostcloud精灵云

Ghostcloud精灵云是国内首批从事容器虚拟化研发的企业,其产品企业级容器云PaaS/CaaS平台EcOS,与微服务/DevOps相融合,致力于为企业提供互联网化、私有云管理平台、大数据业务基础架构等服务,帮助客户降低成本、提升效率、简化运维及产品部署,提升系统可靠性和安全性。目前在金融、制造、能源、政务等领域有超过50家的客户。

K8s CronJob没执行:时区与并发避坑 K8s CronJob没执行,可能是控制器没有创建 Job,也可能是 Job 创建了但 Pod 没启动、进程失败,或者程序退出成功却没有完成业务。这几类问题需要不同证据,不能都用“重建 CronJob”处理。本文针对batch/v1CronJob,时区示例要求集群支持,该字段从 Kubernetes 1.27 起稳定。命令都是通用示例,不代表某次真实事故;排查先只读,变更和补跑另行审批。fill:#333;important;important;fill:none;color:#333; 阅读详情

相关推荐

K8s镜像拉取失败:5步定位与修复

K8s 镜像拉取失败时,反复删除 Pod 往往只会重新触发同一个错误。表示容器镜像未能拉取,kubelet 正在退避重试;这与应用启动后反复退出的不同。本文面向运行在 Linux 节点上的 Deployment,整理一条通用排查路径,不编造事故日志,也不把某个环境的结论当成所有集群的默认行为。检查命令默认只读;先确认集群、命名空间和 Pod。<...>表示读者需要替换的参数,不是真实资源名或凭证。标明“变更”的命令只能在获批后执行,不能把整篇文章当脚本一次运行。

探索云原生与智能化驱动下的安全运维新范式。关注DevSecOps、可观测性、AIOps等前沿领域,与您共赴技术前沿。 103

容器技术毫无悬念主宰本次Amazon Re:Invent

在AWS大会上,这些天哪些东西最热门?如果你猜的是容器,那么你就猜对了。然而,这次的热门产品不再是简单的提供容器到亚马逊的基础设施,而是提供基于容器的管理、内省和保护功能,而这些是亚马逊不能做的或者不会做的。本周在亚马逊Re:Invent、各种第三方厂商公布各种针对AWS的容器管理问题的解决方案。在许多情况下,他们增加与AWS更深层次的集成到现有的第三方基于云的监控服务上。CoreOSCoreOS...

Mrex326428的博客 288

K8s HPA不扩容:5步排查与验收

K8s HPA 不扩容时,先别急着调高。HPA 负责调整工作负载的期望副本数,调度器负责把 Pod 放到节点,应用再经过启动和就绪检查。任何一层没有完成,业务都可能看不到新增容量。本文聚焦、Deployment 和 CPU 利用率型伸缩。自定义、外部指标会补充接口边界,但不假设所有集群都安装了同一种 adapter,也不把示例阈值当成容量建议。<...>是待替换参数,检查命令在同一个 Bash 会话里执行。只读取证不触发伸缩,不新增压测,不修改现有集群。修复模板需要读者的变更审批;

探索云原生与智能化驱动下的安全运维新范式。关注DevSecOps、可观测性、AIOps等前沿领域,与您共赴技术前沿。 144

K8s弹性伸缩完整实战:HPA内置指标 + Prometheus自定义指标 + VPA垂直伸缩

Kubernetes弹性伸缩是生产环境保障服务稳定性、节约集群资源的核心能力。本文完整带你实操HPA基于CPU内存扩缩容、基于Prometheus QPS自定义指标实现伸缩,同时讲解VPA垂直Pod自动伸缩四种工作模式、部署踩坑与完整实验案例,理清水平扩容和垂直扩容适用业务场景。

Adhjhfes的博客 250

2026四款AI原生IDE实测:Trae、Qoder、CodeBuddy、Cursor能力边界深度解析

AI原生IDE正从代码编辑器演进为开发者智能工作流中枢,其核心在于对上下文理解、AST编辑意图建模与多模态任务调度的工程化实现。区别于传统插件式AI辅助,真正的AI原生IDE需具备知识库嵌入、符号图索引、操作链固化等底层能力,从而支撑Figma转码、N+1查询修复、跨语言迁移等复杂场景。Trae强调中文语境与企业规范的强绑定,Qoder聚焦AST级编辑轨迹预测,CodeBuddy通过IDE/插件/CLI三态划分控制权边界,Cursor则以云端Agent实现开发任务的时空并行。本文基于真实项目压测,揭示免费版

ctk87443的博客 2473

跟着团子学SAP CO:基于成本的完工百分比结算:Cost-based POC(以项目为例)

本文以英国及北美会计准则下的基于成本的POC的销售型项目结算对PS模块中的完工百分比进行介绍

Lucas1211的博客 2万+

k8s deployment 详解

Service 不关心 Pod 是由 Deployment 创建的,还是其他控制器创建的。注意:Deployment 自身的 labels 和 Pod Template 中的 labels 是不同层级的标签。它的核心作用是:管理应用程序的部署、更新、扩缩容、版本回滚,确保集群中始终运行着符合预期数量和版本的 Pod。通常删除 Deployment 时,它管理的 ReplicaSet 和 Pod 也会被级联删除。Deployment 的版本管理是通过 ReplicaSet 实现的。

Misnice的博客 329

Coze智能体实战:接口需求分析和接口调试

AI智能体的需求:能根据接口文档提取接口信息以及设计接口测试点,并进行接口调试返回接口测试结果。

十二测试录 283

Jenkins -- gitee+docker+harbor+k8s 部署项目

一台是Jenkins服务器192.168..129.132 ,这台机器要有docker jdk环境。两台是k8s服务器,用来部署服务只需要关注主节点192.168..129.135。一台是harbor仓库服务器192.168..129.133。集群ip 10.244.0.113,用这个ip测试pod内部启动的服务是否正常。很多信息就图快,没有配置参数,凑合用,以后再考虑优化。返回hello kane666, 返回成功。需要配置k8s对harbor的链接。配置pipeline。

DGH2430284817的博客 136

《YOLO11魔术师专栏》专栏介绍 & 专栏目录

【原创自研模块】【多组合点优化】【注意力机制】【主干篇】【neck优化】【卷积魔改】 【block&多尺度融合结合】【损失&IOU优化】【上下采样优化】【小目标性能提升】【前沿论文分享】【训练实战篇】

①答疑群聊服务;②YOLO大模型知识问答系统;③计算机视觉论文生成智能体; 1万+

风光互补制氢系统动态仿真建模与性能分析

摘要 本文针对离网型风光互补制氢系统,建立了包含光伏阵列、风力发电机、PEM电解槽、储能电池和储氢罐的完整动态数学模型。基于MATLAB/Simulink平台开发了模块化仿真框架,设计了考虑电解槽最小运行功率约束的能量管理策略。通过典型日仿真分析表明,风光互补可有效平抑单一能源的功率波动,系统整体能量效率达58.7%,电解槽负荷跟随特性良好。提出的动态仿真方法为风光制氢系统的优化设计和运行控制提供了有效工具。 关键词:风光互补制氢;PEM电解槽;动态仿真;MATLAB/Simulink;能量管理

huanghm88的专栏 77

K8s 配置风险评审:从问题清单到修改对照

Kubernetes 工作负载配置检查完成后,整改评审还需要解决三件事:定位具体对象、解释风险是否适用、确认建议修改与当前配置的差异。只有风险清单,很难直接判断变更影响。

chrsh44e的博客 191

ProcessingJoy —— 最简单的实时流体模拟【JAVA】

实现基于非常非常经典的 Paper ——Jos Stam 的Real-Time Fluid Dynamics for Games 代码和注释 float visc = 0.0f; float diff = 0.0f; int N = 250; int size = (N + 2) * (N + 2); float[] u = new float[size]; // 速度, 水平/竖直 float[] v = new float[size]; float[] u_prev = new fl...

ShaderJoy 的兴趣技术杂货铺 2817

KubeSphere 容器云实践:从管理 K8s 到建设企业 PaaS,还需要哪些能力

安装KubeSphere后,怎样继续建设企业PaaS?结合RuoYi Office真实微服务环境,从工作负载管理、项目与权限、Jenkins发布、独立监控到运维目录,核对已经可用的能力和待补的交付契约,给出可复核的配置、权限检查与平台演进方法。

RuoYi Office是基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue3 + Vben Admin + Uniapp 构建的中小企业全业务办公一体化平台,涵盖OA 协同 409

【WorkBuddy专栏36】从踩坑到上线——WorkBuddy代码开发避坑指南与部署完全手册

【WorkBuddy专栏36】从踩坑到上线——WorkBuddy代码开发避坑指南与部署完全手册

AI人人懂 1078

矿石生成(1)

这个提供了标准化的矿石放置配置模板简化了常见和稀有矿石的配置过程遵循了Minecraft原版的世界生成模式提高了代码的可读性和可维护性通过使用这个类,模组开发者可以更轻松地配置矿石的生成规则,而不需要每次都手动编写完整的放置修饰符列表。这种设计模式在原版Minecraft和其他大型模组中也很常见,是一种良好的编程实践。// 导入语句...// 字段和方法...包声明表明这个类位于luckymod模组的WorldGen包中,专门处理世界生成相关配置。导入语句。

qq_24992377的博客 138

K8s 健康检查三大探针:存活、就绪、启动探针配置与排错实战

对于多副本应用, 当执行Scale Up操作时, 新副本会作为backend被添加到Service的负载均衡中, 与已有副本一起处理客户的请求。因为新副本本身没有异常退出, 默认的Health Check机制会认为容器已经就绪, 进而会逐步用新副本替换现有副本, 其结果就是: 当所有旧副本都被替换后, 整个应用将无法处理请求, 无法对外提供服务。例如,当存活探针可以探测到应用死锁(应用在运行,但是无法继续执行后面的步骤)情况,进而重启pod,有助于提高应用的可用性,即使其中存在缺陷。

weixin_63581562的博客 178

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

K8s Pod 反复重启 CrashLoopBackOff:从 exit code 到根因的 5 步排查

容器起来 37 秒就被杀、kubectl get pod 满屏 CrashLoopBackOff,而应用日志只有一行。本文给出一条从 exit code 反推根因的 5 步排查链,附 exit 137/143/1/2 与 OOMKilled 的对照表和最小复现。

2501_92769340的博客 275

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

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")

K8s ConfigMap实战:配置解耦与动态更新

Kubernetes中ConfigMap用于存储配置数据,以键值对形式实现镜像与配置解耦,提升可移植性。支持通过命令行、文件、目录或YAML创建,最大1MB限制。可通过环境变量、envFrom或Volume方式注入Pod,适用于Nginx、MySQL等场景。企业级应用中,如phpMyAdmin+MySQL共用配置,确保参数统一管理,避免重复构建镜像,增强运维效率。

2301_80092853的博客 212

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

Prometheus+K8s弹性伸缩综合项目

验证 metrics-server# kube-proxy 开启 strictARP(MetalLB IPVS 必需)

fengkai4545的博客 334

K8s 动态存储供应:StorageClass 与 Local Path Provisioner 自动创建 PV 实战

之前创建存储卷(PV)都需要管理员手动操作,这类卷被称为静态卷。那么 Kubernetes 能不能 “智能” 管理卷呢?比如需要用卷时自动创建,不用时自动清理?答案是可以的 —— 这就是动态卷供应的能力。它彻底省去了集群管理员提前手动配置存储的工作,用户只要提出存储需求,系统就会自动创建对应的存储卷。

weixin_63581562的博客 329

docker run 的 6 个问题,K8s 逐个解决:从脚本部署到声明式发布

两个Ready,集群就绪。如果 node1 一直是NotReady,99% 是 Calico 的 Pod 没起来(),通常是因为拉不到镜像,或者防火墙没关。

weixin_45488455的博客 278

k8s -- 从harbor仓库拉取镜像

设计代码自动部署流水线,之前是使用doker,现在开始接入k8s参考文章k8s -- 切换docker镜像-优快云博客docker -- 上传镜像到harbor-优快云博客harbor -- 下载安装。

DGH2430284817的博客 159

彭大帅的AI运维助手第 10 篇——K8s 集群探针升级记:从服务级到业务级

本文复盘一次冷启动故障,揭示传统监控“全绿”却业务不可用的盲区。通过构建三级监控模型,提出“业务级”监控三件套:检测Service空后端、从集群外探Ingress入口、监控采集链路自身健康。实现中融合误报治理、状态码语义定义与去抖恢复机制,最终在真机演练中成功提前发现真实故障。核心结论:进程活≠服务活≠业务活,唯有深入业务视角,才能真正实现故障前置发现。

彭大帅的博客 796

Kubernetes与DevOps整合-Jenkins流水线自动部署到K8s集群

前文我们完成了 Jenkins Pipeline 从拉代码到推送 harbor 的全链路流水线,构建产物只是一个跑在 Docker 容器里的单实例应用。本篇把最后一公里补齐:流水线构建完成后,不再用 Publish Over SSH 在目标服务器上跑单容器,而是把 YAML 推送到 Kubernetes 集群,远程执行 kubectl 命令,以 Deployment + Service 的方式部署应用,真正实现容器编排级的自动化发布。

fb_12345的博客 420
上一篇: 技术赋能无止境 Kubernetes Meetup 北京站完美闭幕
下一篇: 美国国家标准技术局发布应用容器安全指南
ghostcloud精灵云
博客等级 码龄11年 81粉丝 88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