Ubuntu-Rockchip项目构建过程中的AppArmor问题分析与解决方案
问题背景
在Ubuntu-Rockchip项目的构建过程中,开发者遇到了一个与AppArmor相关的编译错误。这个问题主要出现在使用最新内核版本(0012)进行构建时,而使用较旧的内核版本(0011)则能够成功完成构建过程。
问题现象
当使用内核版本0012进行构建时,系统会在live-build阶段遇到错误并停止。错误信息表明与AppArmor相关的功能出现了问题。具体表现为:
- 在构建过程中无法正确处理snap软件包的部署
- 在构建结束时无法正确卸载dev和proc设备
- 系统提示缺少对AppArmor安全模块的访问权限
相比之下,使用内核版本0011时,整个构建过程能够顺利完成,不会出现上述问题。
问题分析
经过项目维护者的深入调查,发现这个问题与Ubuntu的livecd-rootfs工具有关。该工具在构建过程中会尝试预配置snap软件包,而这一过程需要访问AppArmor的安全模块路径。
在最初尝试解决问题时,维护者选择禁用了AppArmor功能,这虽然解决了部分构建问题,但却导致了新的问题出现——系统无法正确预配置snap软件包,因为snapd工具在预配置阶段需要访问AppArmor的安全模块。
解决方案
项目维护者采取了以下措施来解决这个问题:
-
内核配置调整:重新启用了内核中的AppArmor支持,确保snapd工具能够正常访问所需的安全模块路径。
-
livecd-rootfs工具修改:对构建工具进行了适当调整,移除了部分可能导致问题的AppArmor相关引用,同时保留了必要的功能支持。
-
构建环境建议:推荐使用最新的Ubuntu 24.04或22.04系统进行构建,因为这些系统包含了解决相关问题所需的更新组件。
技术细节
AppArmor是Linux内核的一个安全模块,它通过为应用程序定义访问控制规则来提供强制访问控制(MAC)功能。在Ubuntu系统中,snap软件包管理器重度依赖AppArmor来实现应用程序的沙箱隔离。
当构建系统尝试预配置snap软件包时,它会检查/sys/kernel/security/apparmor路径是否存在。如果该路径不可访问(由于AppArmor被禁用或内核配置不正确),预配置过程就会失败。
最佳实践建议
对于希望在Rockchip平台上构建Ubuntu系统的开发者,建议:
-
使用项目提供的最新内核版本,因为维护者已经解决了AppArmor相关的问题。
-
确保构建主机运行的是受支持的Ubuntu版本(24.04或22.04),以获得最佳的兼容性。
-
考虑使用GitHub Actions等自动化构建工具,这可以避免本地环境差异导致的问题。
-
如果遇到构建问题,检查构建日志中与AppArmor相关的错误信息,这通常是问题的关键所在。
通过以上措施,开发者应该能够顺利地在Rockchip平台上构建Ubuntu系统,而不会遇到AppArmor相关的构建错误。
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-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