Docker Build-Push-Action中BUILDX_NO_DEFAULT_ATTESTATIONS失效问题分析
问题背景
在Docker多架构镜像构建过程中,用户发现从docker/build-push-action v5.3.0版本开始,环境变量BUILDX_NO_DEFAULT_ATTESTATIONS=1不再生效。这个问题导致使用docker manifest create命令创建多架构镜像清单时出现"is a manifest list"错误。
问题现象
当用户使用v5.3.0及以上版本的build-push-action时,即使设置了BUILDX_NO_DEFAULT_ATTESTATIONS=1环境变量,构建过程中仍然会自动添加provenance参数,导致生成的镜像包含不必要的证明数据(attestation)。而在v5.2.0版本中,该环境变量能正常工作,不会添加这些证明数据。
技术分析
证明数据(Attestation)的作用
证明数据是BuildKit提供的一种机制,用于记录构建过程的元数据,包括构建环境、依赖项等信息。这些数据可以帮助验证镜像的真实性和构建过程的可信度。
问题根源
通过分析版本变更,发现问题源于actions-toolkit从v0.18.0升级到v0.19.0时,BuildKit版本检测逻辑发生了变化。在v5.3.0之前,由于版本检测不准确,导致即使BuildKit版本≥0.11.0,也不会自动添加证明数据。
更新后,BuildKit版本检测正确,当检测到版本≥0.11.0时,会自动添加provenance参数。然而,这个逻辑没有考虑BUILDX_NO_DEFAULT_ATTESTATIONS环境变量的设置,导致用户显式禁用证明数据的行为被忽略。
影响范围
该问题影响从v5.3.0开始的所有版本,包括最新的v6.x系列。对于需要后续使用docker manifest命令处理镜像的用户,这个问题会导致操作失败。
解决方案
项目维护者已经确认这是一个需要修复的问题。建议的修复方案是:
- 在判断是否添加provenance参数时,同时检查BUILDX_NO_DEFAULT_ATTESTATIONS环境变量
- 如果该变量设置为1,即使BuildKit版本支持,也不应自动添加证明数据
临时解决方案
对于受影响的用户,在官方修复发布前,可以采取以下临时方案:
- 暂时降级到v5.2.0版本
- 在构建命令中显式添加--provenance=false参数
- 避免使用docker manifest命令,改用其他方式创建多架构镜像
总结
这个问题展示了环境变量与构建参数优先级处理的重要性。在开发类似的构建工具时,需要确保显式用户设置能够覆盖工具的默认行为。对于Docker多架构镜像构建工作流的用户,理解证明数据的作用和影响至关重要,特别是在需要后续处理镜像的场景中。
随着容器安全要求的提高,证明数据等安全特性会越来越普遍,但工具应该提供清晰的禁用机制,以满足不同场景的需求。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00