Electron-Builder 在 GitHub Actions 中使用 Azure Trusted Signing 的并发问题解析
问题背景
在 Electron 应用开发中,使用 electron-builder 进行 Windows 平台打包时,许多开发者会选择 Azure Trusted Signing 服务进行代码签名。然而,在 GitHub Actions 等 CI/CD 环境中,当应用包含多个需要签名的可执行文件时,会出现并发签名导致的问题。
核心问题表现
当 electron-builder 在 GitHub Actions 中尝试同时签名多个文件时,会出现以下典型错误:
Install-Package: Package 'Microsoft.Trusted.Signing.Client' failed to be installed because: The process cannot access the file
'C:\Users\runneradmin\AppData\Local\TrustedSigning\Microsoft.Trusted.Signing.Client\Microsoft.Trusted.Signing.Client.1.0
.53\bin\x64\Azure.CodeSigning.Dlib.dll' because it is being used by another process.
这个问题的根源在于 electron-builder 默认会以并发方式(concurrency=4)签名多个文件,而 Azure Trusted Signing 在签名前需要安装必要的模块。当多个签名进程同时运行时,它们都会尝试安装相同的模块,导致文件访问冲突。
技术原理分析
-
签名流程:electron-builder 在签名 Windows 应用时,会处理主可执行文件、资源文件、解压后的 ASAR 文件等多个目标。
-
并发机制:默认情况下,electron-builder 使用 Bluebird 的 map 方法以并发方式处理签名任务,提高整体构建速度。
-
Azure Trusted Signing 特殊性:该服务需要在每次签名前验证并安装必要的 PowerShell 模块和依赖项,这在并发环境下会导致资源竞争。
解决方案演进
electron-builder 社区针对此问题提出了几种解决方案:
-
串行签名方案:最直接的解决方法是强制签名过程串行执行。通过修改 winPackager.js 中的签名逻辑,将并发 map 调用改为顺序执行的 for 循环。
-
条件并发控制:更优雅的方案是检测是否使用 Azure Trusted Signing,如果是则自动禁用并发签名。
-
批量签名优化:Azure Trusted Signing 本身支持批量签名多个文件,electron-builder 可以优化为收集所有需要签名的文件后一次性提交。
实际应用建议
对于正在使用 electron-builder v26.0.0-alpha.4 及以上版本的用户:
-
确保使用最新版本,该版本已内置了对 Azure Trusted Signing 并发问题的修复。
-
如果仍遇到问题,可以考虑在 GitHub Actions 中预先安装必要的模块:
Install-Module -Name TrustedSigning -RequiredVersion 0.4.1 -Force -Repository PSGallery -Scope CurrentUser
- 对于自定义需求,可以通过 patch-package 临时修改 electron-builder 的签名逻辑。
最佳实践
-
在 CI/CD 环境中,优先考虑使用 electron-builder 的官方解决方案而非自行修改。
-
监控签名过程中的资源使用情况,适当调整并发级别。
-
对于大型项目,考虑将签名步骤分离为独立的工作流,减少与其他构建步骤的相互影响。
总结
electron-builder 与 Azure Trusted Signing 的集成在 GitHub Actions 中的并发问题,反映了现代构建工具在效率与可靠性之间的平衡挑战。通过理解问题的技术本质和解决方案的演进过程,开发者可以更有效地构建稳定的 Electron 应用发布流程。随着 electron-builder 的持续更新,这类问题将得到更好的原生支持。
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