Archinstall项目分区表备份头重叠问题分析与修复
2025-06-01 01:51:07作者:郦嵘贵Just
问题背景
在Archinstall项目(Arch Linux自动化安装工具)的最新版本中,用户报告了一个严重的安装失败问题。当尝试在物理磁盘(特别是Samsung T7 SSD)上安装系统时,安装程序会在分区格式化阶段崩溃,并抛出"Unable to determine new partition number: /dev/sdb2"错误。这一问题在虚拟机环境中不会出现,仅影响物理磁盘安装场景。
问题现象
安装日志显示,在创建和格式化分区后,系统无法正确识别新创建的分区信息。具体表现为:
- 安装程序成功创建了GPT分区表
- 创建了两个分区:/dev/sdb1(FAT32)和/dev/sdb2(ext4)
- 格式化操作看似成功完成
- 但随后系统无法获取/dev/sdb2的分区号(partn)、分区UUID(partuuid)和分区类型(parttype)等关键信息
根本原因分析
经过开发者深入调查,发现问题根源在于分区布局与GPT备份头的冲突。GPT分区表规范要求:
- 主GPT头位于磁盘起始位置
- 备份GPT头必须位于磁盘末尾的33个扇区(16.5KB)内
- 同时,Archinstall默认使用1MiB对齐方式创建分区
在9163e8c这次提交中,开发者修改了分区结束位置的计算方式,错误地将结束位置设置为"磁盘总大小减去33个扇区"。这种计算方式可能导致:
- 最后一个分区可能延伸到磁盘末尾的1MiB区域
- 与备份GPT头所需空间产生重叠
- 导致分区信息无法被正确识别
解决方案
开发者提出了一个简单而有效的修复方案:将分区结束位置的计算从"减去33个扇区"改为"减去1MiB"。这一修改:
- 保留了1MiB对齐的良好实践
- 确保为备份GPT头预留足够空间
- 避免了分区与备份区域的任何潜在重叠
修改前后的关键代码对比:
# 修改前
def gpt_end(self) -> Size:
return self - Size(33, Unit.sectors, self.sector_size)
# 修改后
def gpt_end(self) -> Size:
return self - Size(1, Unit.MiB, self.sector_size)
验证结果
用户验证表明该修复方案完全解决了问题:
- 安装过程顺利完成
- 分区工具(sfdisk/sgdisk/parted)均报告无错误
- 所有分区信息都能被正确识别
- 磁盘末尾保留了足够的空闲空间(约2.7MiB)
技术启示
这一案例为我们提供了几个重要的技术启示:
- GPT分区表规范理解:必须充分理解GPT分区表中主头和备份头的位置要求
- 分区对齐考量:现代分区工具通常使用1MiB对齐,这需要与GPT规范协调
- 物理与虚拟环境差异:虚拟磁盘通常比物理磁盘更"宽容",物理设备更能暴露潜在问题
- 回归测试重要性:看似无害的改动可能引入严重问题,需要全面的测试覆盖
最佳实践建议
基于这一问题的经验,建议开发者和用户在涉及磁盘分区时:
- 始终为GPT备份头保留足够空间
- 使用现代对齐方式(如1MiB)的同时考虑规范要求
- 在物理设备上验证关键存储操作
- 使用多种工具(sfdisk/sgdisk/parted)交叉验证分区表完整性
这一问题的及时修复展现了开源社区响应迅速、协作解决问题的优势,也为存储相关的开发工作提供了有价值的参考案例。
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 StartedRust0213
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0137
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
GLM-5.2智谱开源 GLM-5.2,这是针对长文本任务的最新旗舰模型。相较于前代产品 GLM-5.1,它在长文本任务处理能力上实现了显著飞跃,并且首次在稳定的 100 万 token 上下文中提供这一能力。Jinja00
SwanLab⚡️SwanLab - an open-source, modern-design AI training tracking and visualization tool. Supports Cloud / Self-hosted use. Integrated with PyTorch / Transformers / LLaMA Factory / veRL/ Swift / Ultralytics / MMEngine / Keras etc.Python00
tiny-universe《大模型白盒子构建指南》:一个全手搓的Tiny-UniverseJupyter Notebook03
项目优选
收起
deepin linux kernel
C
32
16
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
468
461
暂无描述
Dockerfile
776
5.08 K
Ascend Extension for PyTorch
Python
756
963
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
874
2.02 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
697
1.4 K
昇腾LLM分布式训练框架
Python
184
230
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++
1.1 K
1.14 K
本仓库是 Flutter SDK 与 Flutter Engine 的 OpenHarmony 适配版本,由 CPF-Flutter 团队维护。开发者可使用熟悉的 Flutter 技术栈开发 OpenHarmony 应用,3.35.7 及以后的适配版本可基于本仓库源码构建支持 OpenHarmony 的 Flutter Engine。
Dart
1.04 K
271
Oohos_react_native
React Native鸿蒙化仓库
C++
364
431