K3s中containerd镜像标签丢失问题的技术解析
问题现象
在使用K3s进行离线环境部署时,通过air-gap镜像tar文件导入的镜像会被自动标记为"pinned"状态。这些标记包括io.cattle.k3s.pinned=pinned
和io.cri-containerd.pinned=pinned
,目的是防止Kubelet的垃圾回收机制清理这些关键镜像。
然而,当K3s服务重启后,这些精心设置的标签会神秘消失,导致镜像保护机制失效。这种现象不仅发生在自动导入的镜像上,即使用户手动为镜像添加标签,在服务重启后同样会被清除。
深入分析
经过对K3s源代码的深入分析,发现这一现象实际上是K3s的预期行为设计。K3s在启动时会执行一个特殊的清理逻辑:
- 首先移除镜像存储中所有带有K3s特定标签的"pinned"标记
- 然后重新从images目录导入并重新标记所有镜像
这种设计背后的考虑是确保那些已经从磁盘上删除的"旧"镜像不会因为残留的pinned标记而继续占用存储空间。换句话说,K3s通过这种方式维护镜像与磁盘上源文件的一致性。
解决方案建议
对于需要长期保持pinned状态的镜像,有以下几种解决方案:
-
保留原始tar文件:最简单的方法是不要删除/var/lib/rancher/k3s/agent/images目录下的原始tar文件。这样K3s每次重启时都会重新导入并标记这些镜像。
-
使用私有镜像仓库:更专业的做法是搭建私有registry镜像仓库来托管这些关键镜像。这种方法不仅解决了标签问题,还提供了更好的镜像管理和版本控制能力。
-
使用非K3s标签:如果只是需要防止垃圾回收,可以使用
io.cri-containerd.pinned=pinned
标签而不添加K3s特定的标签。这样K3s在启动时就不会移除这些标记。
技术实现细节
在K3s的containerd实现中,有一个专门的UnpinImages函数负责清理旧的pinned标记。这个函数会遍历所有镜像,只移除那些带有K3s特定标签的pinned标记,而保留其他标签。这种选择性处理确保了系统既有一定的灵活性,又能维持核心的镜像管理策略。
最佳实践
对于生产环境,建议采用私有镜像仓库的方案。这种方法不仅解决了标签持久化问题,还能带来以下额外优势:
- 更好的镜像版本管理
- 更高效的镜像分发机制
- 更灵活的访问控制
- 更可靠的镜像存储
对于测试或开发环境,保留原始tar文件可能是更简单直接的解决方案,但需要注意定期清理不再需要的旧版本镜像,以避免存储空间被无效占用。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~057CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。07GOT-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。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0381- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









