解决deploy-rs部署时遇到的Nix存储路径签名问题
在使用deploy-rs工具部署NixOS配置到远程服务器时,用户可能会遇到一个常见错误:"cannot add path '/nix/store/...' because it lacks a signature by a trusted key"。这个问题通常与Nix的安全机制有关,特别是当系统配置了严格的签名验证时。
问题背景
当尝试通过deploy-rs将构建好的NixOS系统配置推送到远程服务器时,Nix会检查所有传输的存储路径是否由受信任的密钥签名。如果远程Nix守护进程(nix-daemon)配置为要求签名验证,而当前用户未被列为受信任用户,就会导致上述错误。
根本原因
Nix的安全模型设计允许管理员严格控制谁可以向Nix存储中添加内容。默认情况下,只有root用户和wheel组的成员被视为受信任用户。当使用非特权用户通过SSH部署时,如果该用户未被明确列为受信任用户,Nix守护进程会拒绝未经签名的路径。
解决方案
要解决这个问题,需要在目标服务器的Nix配置中添加当前部署用户为受信任用户。具体方法是在NixOS配置中添加以下设置:
nix.settings.trusted-users = ["root" "@wheel" "munnik"];
其中:
- "root"表示root用户
- "@wheel"表示wheel组的所有成员
- "munnik"是具体的部署用户名(根据实际情况替换)
配置详解
-
信任机制:Nix的信任机制通过
trusted-users设置控制,它定义了哪些用户可以向Nix存储中添加内容而无需额外签名验证。 -
用户与组:配置中可以指定具体用户名或用户组(组名前加@符号)。通常建议同时包含root、wheel组和具体的部署用户。
-
生效方式:修改此配置后需要重新构建并激活系统配置,通常通过
nixos-rebuild switch命令完成。
最佳实践
-
最小权限原则:只添加必要的用户到受信任列表,避免过度放宽权限。
-
环境一致性:确保开发环境和生产环境的信任设置一致,避免部署时出现意外。
-
审计跟踪:对于生产环境,考虑保留签名要求并配置适当的密钥管理,而不是完全禁用签名验证。
-
多用户协作:在团队环境中,建议使用组管理而不是单独列出每个用户。
替代方案
如果出于安全考虑不能放宽信任设置,也可以考虑以下方法:
-
配置签名密钥:设置适当的签名密钥并确保部署过程中使用这些密钥签名。
-
使用特权用户:通过sudo或直接使用root用户进行部署。
-
本地构建后复制:先在本地构建完整系统,然后使用其他方法(如rsync)复制到目标服务器。
总结
deploy-rs部署过程中遇到的存储路径签名问题通常是由于Nix的安全机制导致的。通过合理配置trusted-users列表,可以在安全性和便利性之间取得平衡。理解Nix的信任模型对于成功部署NixOS系统至关重要,特别是在多用户或自动化部署场景中。
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