Actions Runner Controller 中 GitHub App Client ID 认证问题解析
在部署 Actions Runner Controller 的 Runner Scale Set 时,许多用户遇到了一个认证问题:当尝试使用 GitHub App 的 Client ID 而非 App ID 进行身份验证时,系统会抛出 strconv.ParseInt 解析错误。这一问题源于控制器内部对 GitHub App 标识符类型的严格限制。
问题背景
GitHub 官方文档明确指出,开发者可以使用 GitHub App 的 Client ID 或 App ID 作为 JWT 令牌中的 iss 参数。近期 GitHub 还鼓励开发者优先使用 Client ID 进行认证,并在应用配置页面提供了相关提示。然而,Actions Runner Controller 0.9.3 至 0.11.0 版本中,控制器代码始终将 GitHub App 标识符视为整数类型进行处理,强制调用 ParseInt 方法进行转换。
技术细节分析
GitHub App 的两种标识符存在本质区别:
- App ID:纯数字形式,如 123456
- Client ID:采用 "Iv1." 前缀的字母数字组合,如 "Iv1.8a8f7d6c5b4a3b2c"
当用户在 Kubernetes Secret 中配置 github_app_id 参数时,若填入 Client ID,控制器会尝试将其解析为整数,导致类型转换失败。错误日志中明确显示:"strconv.ParseInt: parsing "[Client ID]": invalid syntax"。
解决方案
目前官方尚未发布支持 Client ID 的版本,开发者可采用以下临时解决方案:
-
获取正确的 App ID:
- 登录 GitHub 组织设置页面
- 找到目标 GitHub App 的配置项
- 从 URL 或应用信息中提取纯数字的 App ID
-
创建 Kubernetes Secret 时确保使用数字形式的 App ID:
apiVersion: v1 kind: Secret metadata: name: github-auth-secret type: Opaque stringData: github_app_id: "123456" # 使用数字App ID github_app_installation_id: "789012" gh_app_private_key: | -----BEGIN RSA PRIVATE KEY----- ...
影响范围
这一问题影响所有尝试使用 GitHub App Client ID 进行认证的 Runner Scale Set 部署场景。虽然使用 App ID 可以暂时规避问题,但随着 GitHub 逐步推荐使用 Client ID,长期来看控制器需要适配这种变化。
开发者建议
对于需要长期稳定运行的生产环境,建议:
- 暂时继续使用 App ID 进行认证
- 关注 Actions Runner Controller 的版本更新
- 在测试环境中验证新版本对 Client ID 的支持情况
- 考虑在 CI/CD 流程中加入版本兼容性检查
该问题的修复将涉及控制器核心认证逻辑的修改,需要确保向后兼容性,同时支持两种标识符格式。开发团队需要更新相关文档,明确说明支持的认证标识符类型及其格式要求。
kernelopenEuler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。C091
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00