Harbor项目中SBOM生成失败问题的分析与解决方案
问题背景
在使用Harbor容器镜像仓库时,当配置了external_url并通过反向代理访问时,用户可能会遇到一个特定问题:安全扫描功能正常工作,但软件物料清单(SBOM)生成失败。这个问题在Harbor 2.11.1版本中较为常见,特别是在使用了独立部署的Trivy适配器的情况下。
错误现象
系统日志中会显示以下关键错误信息:
error when create accessory from image Get "https://harbor.mycompany.com/v2/": dial tcp x.x.x.x:443: i/o timeout
handler failed at PostScan, report 72ed0d4f-e6e1-4e3e-8630-bb6f600ddba3, error Get "https://harbor.mycompany.com/v2/": dial tcp x.x.x.x:443: i/o timeout
这表明Harbor的jobservice组件在尝试通过配置的外部URL访问Harbor API时遇到了连接超时问题。
根本原因分析
经过深入调查,发现这个问题主要由以下两个因素共同导致:
-
网络访问限制:系统防火墙(iptables)配置阻止了harbor-jobservice组件通过外部URL访问Harbor核心服务。这是一个典型的网络策略过于严格导致的通信问题。
-
组件间通信设计:jobservice组件在设计上使用了配置的外部URL来调用core服务,而不是使用内部服务发现机制。这种设计在复杂的网络环境中容易出现问题,特别是在有严格网络策略的生产环境中。
解决方案
针对这个问题,有以下几种解决方法:
方法一:调整防火墙规则
- 检查系统当前的iptables规则
- 添加允许harbor-jobservice通过外部URL访问Harbor核心服务的规则
- 保存并应用新的iptables配置
这种方法简单直接,但可能会降低系统的安全防护级别。
方法二:升级Harbor版本
这个问题在Harbor的后续版本中已经得到修复。升级到2.11.1之后的版本可以彻底解决此问题,因为修复后的版本中jobservice会使用内部服务发现机制来访问core服务,而不是依赖外部URL。
方法三:临时解决方案
如果暂时无法升级或调整防火墙,可以考虑以下临时方案:
- 确保jobservice和core服务在同一网络环境中
- 配置hosts文件,使外部URL解析到内部IP
- 检查网络连接性,确保端口443可访问
最佳实践建议
为了避免类似问题,建议在生产环境中部署Harbor时:
- 规划清晰的网络拓扑结构,明确各组件间的通信路径
- 实施适当的网络策略,既保证安全性又不妨碍必要通信
- 保持Harbor及其组件的最新稳定版本
- 在配置external_url时,测试所有功能是否正常工作
- 考虑使用服务网格或内部DNS来简化服务发现
总结
Harbor作为企业级容器镜像仓库,其组件间通信的可靠性至关重要。SBOM生成失败问题揭示了在网络策略严格环境下组件通信设计的重要性。通过理解问题本质并采取适当的解决措施,可以确保Harbor所有功能的正常运行,同时维护系统的安全性。对于生产环境,建议采用升级到修复版本的方法,这不仅能解决当前问题,还能获得其他改进和修复。
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