Docker Swarm端口映射重复显示问题分析与解决方案
在Docker Swarm环境中,用户近期报告了一个关于端口映射显示异常的问题。当服务部署在多个Overlay网络时,docker ps命令输出的端口映射信息会出现重复显示的情况,每个暴露的端口会被列出(网络数量+1)次。这个问题在Docker Engine 28.0.1版本中不存在,但在28.0.4版本中出现。
问题现象
用户在使用Docker Swarm部署服务时发现,当服务连接到多个Overlay网络并暴露多个端口时,docker ps命令的输出会显示重复的端口映射条目。例如,一个服务连接到4个网络并暴露4个端口,每个端口会被列出5次(4个网络+1)。
通过docker inspect命令检查容器配置时发现,问题出在API返回的端口映射数据上。在28.0.4版本中,NetworkSettings.Ports字段会为每个端口返回多个重复的映射条目,而在28.0.1版本中则正常返回单个条目。
问题根源
经过分析,这个问题与Docker Swarm模式下端口映射的处理逻辑有关。当服务连接到多个Overlay网络时,端口映射信息会被错误地复制多次。这可能是由于28.0.x版本中引入的某些网络相关改动导致的。
解决方案
对于遇到此问题的用户,可以采取以下临时解决方案:
- 暂时回退到Docker Engine 28.0.1版本
- 通过脚本过滤
docker ps输出中的重复端口信息 - 直接使用
docker inspect获取准确的端口映射信息
Docker官方团队已经确认了这个问题,并正在开发修复补丁。预计在下一个版本中会解决这个显示问题。
最佳实践建议
在使用Docker Swarm部署服务时,建议:
- 定期检查Docker版本更新说明,了解已知问题
- 在生产环境升级前,先在测试环境验证新版本
- 使用声明式的docker-compose文件定义服务,而不是依赖命令行输出
- 对于关键服务,考虑使用服务发现机制而不是直接依赖端口映射
这个问题虽然不影响实际的网络通信功能,但会影响管理工具对端口映射信息的解析。用户在自动化脚本中处理端口信息时需要特别注意这一点。
总结
Docker Swarm作为容器编排工具,其网络功能一直在不断演进。这次的问题提醒我们,在复杂的网络环境下,端口映射的处理需要更加谨慎。随着修复版本的发布,这个问题将得到解决,但同时也提醒开发者需要关注版本间的行为差异。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00