Docker Moby 26.1.5 在 Linux/arm64 架构下的安装问题分析与解决方案
问题背景
在 Docker 生态系统中,Moby 是一个重要的开源项目,它为容器化技术提供了基础组件。近期在 Linux/arm64 架构上安装 Moby 26.1.5 版本时,用户遇到了一个特殊的安装问题。这个问题特别出现在使用 QEMU 模拟的 arm64 环境中,通过 buildx 进行多架构构建时。
问题现象
当尝试在 Linux/arm64 架构上安装 Moby 26.1.5 版本时,安装过程会在 postinstall 脚本执行阶段失败,系统报告"Exec format error"错误。具体表现为:
Setting up moby-cli (26.1.5-debian12u1) ...
Error while loading /var/lib/dpkg/info/moby-cli.postinst: Exec format error
dpkg: error processing package moby-cli (--configure):
installed moby-cli package post-installation script subprocess returned error exit status 1
深入分析
安装脚本差异
通过对比不同版本的 Moby 安装包,发现 23.0.7+azure 版本的 postinstall 脚本与 26.1.5 版本有显著差异:
26.1.5 版本的脚本较为简单:
#!/bin/sh
set -e
if ! grep -q "^docker:" /etc/group
then
addgroup --system docker
fi
而 23.0.7+azure 版本的脚本则更为完整:
#!/bin/sh
set -e
case "$1" in
configure)
if ! grep -q "^docker:" /etc/group
then
addgroup --system docker
fi
;;
*)
echo "postinst called with unknown argument \`$1'" >&2
exit 1
;;
esac
架构模拟问题
问题的根本原因在于构建环境缺少 QEMU 模拟支持。当在非原生 arm64 架构(如通过 buildx 进行跨架构构建)上运行时,系统需要 QEMU 来正确执行 arm64 架构的二进制文件和脚本。
解决方案
1. 确保 QEMU 正确配置
在使用 buildx 进行多架构构建时,必须确保 QEMU 模拟器已正确安装和配置。在 GitHub Actions 中,可以通过以下步骤添加 QEMU 支持:
- name: Setup QEMU
uses: docker/setup-qemu-action@v3
2. 临时解决方案
如果暂时无法解决 QEMU 配置问题,可以考虑以下替代方案:
- 使用兼容性更好的旧版本(如 23.0.7+azure)
- 在原生 arm64 环境中进行构建和安装
3. 长期建议
对于软件包维护者,建议:
- 完善 postinstall 脚本,正确处理各种调用场景
- 在构建系统中增加对模拟环境的检测和友好提示
- 确保多架构构建的测试覆盖
技术启示
这个案例为我们提供了几个重要的技术启示:
-
跨架构构建的复杂性:在多架构环境中,不仅要考虑主程序的兼容性,还要注意安装脚本的执行环境。
-
安装脚本的健壮性:postinstall 脚本应该能够处理各种可能的调用场景,包括不同的参数和系统状态。
-
构建环境的完整性:在使用模拟环境时,必须确保所有必要的支持组件都已正确安装和配置。
通过理解这个问题及其解决方案,开发者可以更好地处理类似的跨架构构建和安装问题,确保容器化应用在不同平台上的兼容性和稳定性。
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 StartedRust0197
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 Notebook0126
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
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
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python06
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07