Malcolm项目利用GitHub原生ARM64运行器加速容器镜像构建
在开源网络安全监控平台Malcolm的开发过程中,团队一直面临着ARM64架构容器镜像构建效率低下的问题。本文将详细介绍项目团队如何通过采用GitHub新推出的原生ARM64运行器来显著提升构建性能的技术实践。
背景与挑战
Malcolm项目需要为多种硬件架构构建Docker容器镜像,其中ARM64架构(如树莓派设备)的构建一直采用Qemu模拟器方式在x86主机上完成。这种模拟构建方式虽然功能完整,但存在明显的性能瓶颈,构建时间往往比原生构建长3-5倍。
随着项目发展,这种低效的构建方式逐渐成为持续集成流程中的痛点,特别是在需要频繁构建测试镜像的开发周期中。
技术解决方案
GitHub于2025年初宣布为公共仓库免费提供Linux ARM64托管运行器,这为Malcolm项目提供了理想的解决方案。项目团队立即着手进行以下技术改进:
-
容器镜像构建优化:重构GitHub Actions工作流文件,将ARM64架构的容器镜像构建任务定向到原生ARM64运行器。通过指定
runs-on: ubuntu-latest-arm64配置项,确保工作流在ARM64硬件上原生执行。 -
树莓派专用镜像优化:针对为树莓派设备定制的Hedgehog镜像,特别优化了构建流程。该镜像包含大量ARM64专用组件,原生构建不仅大幅缩短时间,还避免了模拟环境中可能出现的兼容性问题。
-
多架构构建协调:保持原有x86构建流程的同时,新增ARM64专用构建任务,实现两种架构的并行构建,整体上缩短了CI/CD流水线的执行时间。
实施效果
迁移到原生ARM64运行器后,项目取得了显著成效:
- 构建时间从原来的平均45分钟缩短至12分钟左右,效率提升约75%
- 消除了模拟环境中的潜在兼容性问题,提高了构建可靠性
- 降低了GitHub Actions的执行时间配额消耗
- 为开发者提供了更快速的反馈循环
技术细节
在具体实现上,团队对GitHub Actions工作流文件进行了多处关键修改:
jobs:
build:
runs-on: ubuntu-latest-arm64
steps:
- uses: actions/checkout@v4
- name: Build Docker image
run: docker build -t malcolm-arm64 .
这种配置确保了整个构建过程都在ARM64硬件上原生执行,无需任何模拟层。对于多架构镜像,团队采用了构建后推送至容器注册表再组合manifest的方式。
经验总结
通过这次技术升级,Malcolm项目团队积累了宝贵的经验:
- 及时跟进平台新特性可以带来显著的效率提升
- 架构特定的工作负载应尽量在对应架构的硬件上执行
- CI/CD流水线需要定期评估和优化
- 公有云服务的免费资源配额可以有效降低项目维护成本
这次技术改进不仅解决了当前的性能瓶颈,也为项目未来的多架构支持奠定了更坚实的基础。团队计划进一步探索GitHub Actions的其他新特性,持续优化开发体验。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00