Actions Runner Controller中使用私有仓库镜像时Docker-in-Docker的配置问题
问题背景
在使用Actions Runner Controller的gha-runner-scale-set chart部署自托管运行器时,当用户尝试在私有镜像仓库中使用自定义运行器镜像并启用Docker-in-Docker(dind)功能时,会遇到初始化容器无法拉取镜像的问题。
问题现象
当用户通过helm chart配置containerMode.type为"dind"时,系统会自动创建一个名为"init-dind-externals"的初始化容器。这个容器默认会尝试拉取与主运行器容器相同的镜像,但由于缺乏imagePullSecrets配置,导致出现ImagePullBackOff错误。
技术分析
问题的核心在于gha-runner-scale-set chart的模板设计。当启用dind模式时,chart会自动生成一个初始化容器,该容器的镜像引用与主运行器容器相同。然而,chart没有提供直接的方式来为这个初始化容器配置imagePullSecrets。
解决方案
经过技术验证,推荐采用以下两种解决方案:
-
使用扩展配置替代简写模式 不要使用简单的
type: "dind"配置,而是采用完整的dind配置方式。这种方式允许更精细地控制各个容器的配置,包括显式指定imagePullSecrets。 -
显式配置imagePullSecrets 在template.spec下明确配置imagePullSecrets,确保所有容器(包括初始化容器)都能正确地从私有仓库拉取镜像。
最佳实践建议
对于需要在私有仓库中使用自定义运行器镜像并启用dind功能的场景,建议采用完整的配置方式:
containerMode:
kubernetesMode:
dindEnabled: true
dockerdContainerResources: {}
dockerdWithinRunnerContainer: false
同时确保在template.spec中配置了正确的imagePullSecrets。这种方式提供了更好的可控性和灵活性,能够适应各种复杂的部署环境。
总结
在Actions Runner Controller中配置私有仓库镜像时,需要特别注意dind模式下的初始化容器配置问题。通过采用更详细的配置方式而非简写模式,可以避免镜像拉取失败的问题,确保运行器能够正常启动和工作。
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-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