NGINX Unit在RHEL系系统中GPG签名验证问题的技术分析
问题背景
在使用RHEL系操作系统(如CentOS Stream 9、Red Hat UBI等)安装NGINX Unit软件包时,部分用户遇到了GPG签名验证失败的问题。具体表现为当启用GPG检查(gpgcheck=1)和仓库GPG检查(repo_gpgcheck=1)时,系统会报错提示软件包签名验证失败。
问题现象
用户在使用microdnf或dnf5包管理器时,会收到如下错误信息:
error: package unit-1.32.1-1.el9.ngx.x86_64 cannot be verified and repo unit is GPG enabled: /var/cache/yum/metadata/unit-9-x86_64/packages/unit-1.32.1-1.el9.ngx.x86_64.rpm could not be verified.
/var/cache/yum/metadata/unit-9-x86_64/packages/unit-1.32.1-1.el9.ngx.x86_64.rpm: digest: SIGNATURE: NOT OK
根本原因分析
经过技术分析,这个问题源于RHEL系操作系统包管理器的实现差异:
-
dnf与microdnf/dnf5的行为差异:标准dnf包管理器可以正确处理NGINX Unit仓库的GPG签名验证,而microdnf和dnf5则会出现验证失败的情况。
-
多GPG密钥处理问题:NGINX Unit仓库使用了多个GPG密钥(包括旧密钥和新密钥),而microdnf在处理包含多个密钥的GPG密钥文件时存在实现缺陷。
-
历史背景:NGINX在2024年6月更新了其GPG签名密钥,这可能导致部分系统在密钥过渡期间出现验证问题。
解决方案
根据不同的使用场景,可以采用以下解决方案:
1. 使用标准dnf包管理器
对于使用完整版RHEL系镜像(如CentOS Stream完整版)的用户,标准dnf包管理器可以正确处理GPG验证。仓库配置示例:
[unit]
name=unit repo
baseurl=https://packages.nginx.org/unit/rhel/$releasever/$basearch/
gpgcheck=1
enabled=1
repo_gpgcheck=0
gpgkey=https://nginx.org/keys/nginx_signing.key
2. 对于使用microdnf的环境
在Red Hat UBI等使用microdnf的轻量级镜像中,目前有以下临时解决方案:
-
禁用repo_gpgcheck:保留gpgcheck=1以确保软件包本身的签名验证,但禁用仓库元数据验证:
repo_gpgcheck=0 -
完全禁用GPG检查(不推荐):在受信任的内部环境中,可以临时完全禁用GPG检查:
gpgcheck=0 repo_gpgcheck=0
3. 使用Fedora或更新版本
Fedora 39等使用dnf5的较新系统已经修复了相关问题,可以考虑升级到这些系统版本。
技术建议
-
安全权衡:虽然禁用GPG检查可以解决安装问题,但从安全角度考虑,建议仅在受控环境中使用此方案,并尽快寻找长期解决方案。
-
容器镜像构建:在构建容器镜像时,可以考虑分阶段处理:
- 构建阶段:临时禁用GPG检查以完成安装
- 运行时:使用完整验证的基础镜像
-
长期跟踪:建议关注Red Hat关于microdnf和dnf5的更新,特别是与GPG验证相关的改进。
结论
NGINX Unit软件包本身的GPG签名是完好且可验证的,当前问题主要源于RHEL系部分包管理器实现上的限制。用户可以根据自身环境选择合适的临时解决方案,同时关注相关包管理器的更新进展。对于安全性要求高的生产环境,建议使用标准dnf包管理器或等待Red Hat修复microdnf的相关问题。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-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。00