BK-CI流水线批量取消运行中构建的技术实现
在持续集成与持续交付(CI/CD)系统中,流水线的构建管理是一个核心功能。TencentBlueKing的BK-CI项目近期实现了一个重要功能:支持批量取消运行中的流水线构建。这一功能特别适用于"取消所有前序构建"这样的并发控制场景。
功能背景
在CI/CD实践中,当开发者向代码库推送新的提交时,通常会触发新的流水线构建。在某些配置下,系统可能允许同时运行多个构建(例如分支构建)。然而,在某些情况下,用户可能希望取消之前所有正在运行的构建,只保留最新的构建继续执行,以确保资源的高效利用和构建结果的相关性。
技术实现要点
BK-CI通过以下技术方案实现了这一功能:
-
批量操作接口设计:后端提供了专门的批量取消接口,接收构建ID列表作为参数,而不是传统的单个构建操作。
-
状态一致性处理:系统需要确保在批量取消过程中,所有目标构建都能被正确标记为取消状态,避免部分成功部分失败的情况。
-
异步处理机制:考虑到批量操作可能涉及大量构建,系统采用异步处理方式,避免阻塞主线程和影响用户体验。
-
并发控制:在批量取消过程中,系统需要处理好与其他可能同时发生的构建状态更新操作的并发控制。
-
事件通知:批量取消完成后,系统需要正确触发相关的事件通知,确保前端和其他订阅服务能够及时获取状态变更。
实现细节
在具体实现上,BK-CI的后端服务主要做了以下工作:
-
构建状态机增强:扩展了构建状态转换逻辑,支持批量状态变更操作。
-
数据库操作优化:使用批量更新语句替代循环单条更新,显著提高了数据库操作效率。
-
事务处理:确保批量取消操作的事务性,要么全部成功,要么全部回滚。
-
资源清理:在取消构建后,正确释放相关的计算资源(如构建机、存储等)。
-
日志记录:完善了批量操作的审计日志,便于问题排查和操作追溯。
应用场景
这一功能特别适用于以下场景:
-
并发构建控制:当配置了"取消前序构建"选项时,新构建触发后自动取消所有正在运行的旧构建。
-
手动批量管理:用户可以在流水线历史页面手动选择多个运行中的构建进行批量取消。
-
自动化流程:与其他自动化工具集成,根据特定条件批量终止不符合要求的构建。
性能考量
在实现批量取消功能时,BK-CI团队特别考虑了性能因素:
-
批量操作而非循环:避免对每个构建单独发起取消请求,减少网络和数据库开销。
-
延迟处理:对于大量构建的取消操作,采用队列机制分批处理。
-
缓存一致性:确保构建状态的变更能够及时反映在各类缓存中。
这一功能的实现显著提升了BK-CI在大规模构建场景下的管理效率,为用户提供了更灵活的流水线控制能力。
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-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。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