OSHI项目在FlyCI与GitHub Actions缓存机制差异分析
2025-06-10 22:20:21作者:薛曦旖Francesca
背景介绍
OSHI作为一个跨平台、跨架构的系统信息监控库,需要在多种操作系统和硬件架构上进行全面测试。近期项目在集成FlyCI的M1架构Runner时,发现了一个与Maven依赖缓存相关的性能问题。本文将深入分析该问题的技术本质及解决方案。
问题现象
在持续集成过程中,FlyCI Runner表现出以下异常特征:
- 测试执行前阶段比GitHub原生Runner多耗时约1分钟
- Maven依赖需要重复从中央仓库下载
- 尽管缓存恢复步骤显示成功,但实际构建时无法命中本地仓库
通过对比日志发现,GitHub Runner能正确复用缓存依赖:
[INFO] Using cached依赖:-javaagent:/Users/runner/.m2/repository/org/jacoco/org.jacoco.agent/0.8.11/org.jacoco.agent-0.8.11-runtime.jar
而FlyCI Runner则显示完整下载过程:
[INFO] Downloading from central: https://repo.maven.apache.org/maven2/org/jacoco/org.jacoco.agent/0.8.11/org.jacoco.agent-0.8.11.pom
...
[INFO] Downloaded from central: https://repo.maven.apache.org/maven2/org/jacoco/org.jacoco.agent/0.8.11/org.jacoco.agent-0.8.11-runtime.jar
技术分析
缓存机制原理
GitHub Actions的缓存系统基于以下关键设计:
- 采用相对路径存储(
../../../.m2/repository/) - 默认假设缓存文件位于用户主目录(
~/.m2) - 使用tar压缩包格式进行归档
根因定位
FlyCI Runner与GitHub Runner存在目录结构差异:
- GitHub Runner路径:
/Users/runner/work/_temp/ - FlyCI Runner路径:
/opt/actions-runner/_work/_temp/
当缓存恢复时,相对路径../../../.m2在不同基础路径下会解析到不同位置:
- GitHub Runner正确还原到:
/Users/runner/.m2 - FlyCI Runner错误还原到:
/opt/actions-runner/.m2
而Maven默认查找的是用户主目录下的.m2仓库,导致缓存失效。
解决方案验证
通过启用Maven调试模式(-X参数)确认:
- FlyCI Runner确实将缓存恢复到非标准路径
- Maven仍按标准路径查找依赖
- 手动指定缓存路径可临时解决问题
最佳实践建议
对于需要在多平台Runner间共享缓存的项目:
-
路径标准化
- 确保所有Runner使用相同的用户主目录结构
- 或显式配置Maven本地仓库路径
-
缓存策略优化
- 对不同Runner类型使用差异化缓存key
- 考虑使用setup-java等专业action管理缓存
-
监控机制
- 添加缓存命中率检查步骤
- 记录依赖下载耗时指标
后续进展
FlyCI团队在收到反馈后24小时内发布了新版本镜像,主要改进包括:
- 标准化Runner安装路径到用户主目录
- 确保与GitHub原生Runner的路径兼容性
- 验证显示构建时间从原来的1分钟+降至40秒
经验总结
- 跨平台CI/CD需特别注意文件系统路径差异
- 缓存机制对构建性能影响显著(本例提升达50%)
- 开源协作能快速推动技术问题解决
该案例展示了基础设施兼容性问题对构建效率的重要影响,也为其他需要多平台支持的开源项目提供了宝贵参考。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust074- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
Hy3-previewHy3 preview 是由腾讯混元团队研发的2950亿参数混合专家(Mixture-of-Experts, MoE)模型,包含210亿激活参数和38亿MTP层参数。Hy3 preview是在我们重构的基础设施上训练的首款模型,也是目前发布的性能最强的模型。该模型在复杂推理、指令遵循、上下文学习、代码生成及智能体任务等方面均实现了显著提升。Python00
最新内容推荐
从配置混乱到智能管理:DsHidMini设备个性化配置系统的进化之路如何用G-Helper优化华硕笔记本性能?8MB轻量化工具的实战指南打破音乐枷锁:用Unlock Music解放你的加密音频文件网盘加速工具配置指南:从网络诊断到高效下载的完整方案UI-TARS-desktop环境搭建全攻略:从零基础到成功运行的5个关键步骤突破Windows界面限制:ExplorerPatcher让系统交互回归高效本质突破Arduino ESP32安装困境:从根本解决下载失败的实战指南Notion数据管理高效工作流:从整理到关联的完整指南设计资源解锁:探索Fluent Emoji的创意应用与设计升级路径StarRocks Stream Load数据导入实战指南:从问题解决到性能优化
项目优选
收起
暂无描述
Dockerfile
689
4.46 K
Ascend Extension for PyTorch
Python
543
668
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
955
928
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
414
74
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
407
323
昇腾LLM分布式训练框架
Python
146
172
本项目是CANN开源社区的核心管理仓库,包含社区的治理章程、治理组织、通用操作指引及流程规范等基础信息
650
232
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!
C
1.08 K
564
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.59 K
925
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
642
292