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。
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