根据链接<https://github.com/rootless-containers/rootlesskit.git>编写的RootlessKit教程
1. 项目目录结构及介绍
1.1 主要文件夹和文件
cmd: 包含RootlessKit命令行工具的源代码。
docs: 文档相关的资料,包括用户指南和说明。
hack: 工具和脚本,用于开发和维护过程中的辅助任务。
pkg: 共享库和其他软件包组件。
dockerignore: Docker构建时忽略的文件列表。
gitignore: Git版本控制中忽略的文件规则。
Dockerfile: 制作Docker镜像的配置文件。
LICENSE: 开源许可文件,此项目采用Apache 2.0许可证。
Makefile: 构建和测试项目的自动化脚本。
README.md: 项目简介和快速入门指南。
go.mod: Go语言的依赖管理文件。
go.sum: 项目中所有依赖的校验和。
其他的文件,如.gitattributes等,是Git仓库管理和协作所需的元数据文件。
2. 项目启动文件介绍
-
rootlesskit: 这是主要的可执行文件,它创建用户和挂载命名空间,并运行
newuidmap和newgidmap来实现"无根"模式。通过在命令行上直接运行rootlesskit可以启动它,然后传递不同的选项以定制设置。 -
rootlessctl: 配合RootlessKit使用的命令行工具,可以查看系统状态、管理网络和PID命名空间,以及其他操作。
-
rootlesskit-docker-proxy: 一个中间服务,用于在RootlessKit和Docker之间通信。
3. 项目配置文件介绍
由于RootlessKit依赖于Linux内核的特性(如user_namespaces和mount_namespaces),它的配置主要涉及内核参数和系统级别的设置。以下是一些关键配置:
-
subuid 和 subgid 文件: 这些文件通常位于
/etc/subuid和/etc/subgid,用来映射非特权用户的ID到0-65535范围内的ID,这对于在用户命名空间中模拟root权限至关重要。 -
sysctl 参数: 比如
kernel.unprivileged_userns_clone应设置为启用,以便非root用户可以创建用户命名空间。 -
环境变量 如
$XDG_RUNTIME_DIR: 这个变量指示容器应在哪里创建临时文件和套接字,通常用于存储隔离的网络配置和进程间通信。
在实际使用中,可能还需要调整或创建相应的网络配置文件,例如/etc/resolv.conf,但这些并不是硬性的配置文件部分,而是根据具体需求动态处理。
了解更多关于RootlessKit的详细信息,可以参考项目仓库中的文档或者直接尝试示例命令。若要开始使用,首先满足项目要求,然后可以按照安装步骤进行部署。
3.1 系统要求
- 安装
subuid和newuidmap/newgidmap。 - 在Debian系统上,需要启用内核参数
unprivileged_userns_clone。
3.2 安装步骤
- 获取源码:
git clone https://github.com/rootless-containers/rootlesskit.git - 编译并安装:
cd rootlesskit; make && sudo make install
安装完成后,可以通过rootlesskit和rootlessctl进行实验性操作。例如,可以启动一个带网络隔离的新shell:
sudo apt-get install slirp4netns
rootlesskit --copy-up=/etc --copy-up=/run --net=slirp4netns --disable-host-loopback bash
在此环境中,你可以试验不同类型的容器操作,如创建网络命名空间。
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
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
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-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
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