ThreatMapper中Azure容器镜像标签显示问题分析
问题背景
在ThreatMapper安全扫描平台中,用户发现当添加多个Azure容器注册表账户时,如果这些账户中存在使用相同摘要(digest)的镜像,系统无法正确显示这些镜像的所有标签(tags)。这导致用户在查看镜像详情时,只能看到部分标签信息,而实际上镜像可能拥有多个不同的标签。
技术分析
该问题主要涉及ThreatMapper平台对容器镜像元数据的处理和展示逻辑。在容器注册表(如Azure Container Registry)中,一个镜像摘要可以对应多个标签,这是容器镜像管理中的常见情况。
问题根源
-
API过滤机制:当前系统在获取镜像标签列表时,使用了
image_filter参数进行查询,这可能导致部分标签信息被过滤掉。 -
数据结构处理:系统在处理多个注册表账户中相同摘要的镜像时,可能没有正确合并这些镜像的标签信息。
-
前端展示逻辑:标签列表视图没有正确传递和处理镜像的所有标签数据。
解决方案
经过分析,开发团队提出了以下修复方案:
-
引入新的过滤参数:在
registryaccount/imagesAPI中添加image_stub_filter参数,其请求体结构与image_filter相同,但专门用于获取完整的镜像标签信息。 -
前端请求调整:在标签列表视图中,将原本使用的
image_filter替换为image_stub_filter,确保能获取到完整的标签数据。 -
数据合并处理:后端服务需要改进对多个注册表账户中相同摘要镜像的处理逻辑,确保所有标签信息都能被正确收集和返回。
实现示例
以下是使用新过滤参数的API请求示例:
curl 'https://<console>/deepfence/registryaccount/images' \
-H 'authorization: Bearer <token>' \
--data-raw '{"image_stub_filter":{"compare_filter":[],"contains_filter":{"filter_in":{"docker_image_name":["jatin"]}},"match_filter":{"filter_in":{}},"not_contains_filter":{"filter_in":{}},"order_filter":{"order_fields":[]}},"registry_id":"azure_container_registry-deepfence-4","window":{"offset":0,"size":10}}'
总结
该问题的修复确保了ThreatMapper平台能够正确显示Azure容器注册表中镜像的所有标签信息,特别是当多个注册表账户中存在相同摘要的镜像时。这对于安全扫描和镜像管理至关重要,因为不同的标签可能代表不同的版本或环境配置,安全团队需要全面了解这些信息才能做出准确的安全评估。
通过引入专门的过滤参数和改进数据处理逻辑,ThreatMapper增强了对容器镜像元数据的处理能力,为用户提供了更完整、准确的镜像信息展示。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
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
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。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