BK-CI公共构建机插件缓存路径优化实践
2025-07-02 15:07:30作者:劳婵绚Shirley
在持续集成系统中,构建机的缓存管理是一个关键的性能优化点。BK-CI作为腾讯开源的持续集成平台,近期对其公共构建机的插件缓存机制进行了重要调整,主要涉及缓存路径的优化和环境变量命名的规范化。
缓存路径重构背景
原BK-CI系统中,公共构建机插件的缓存路径设计为"${workspace.parentFile.absolutePath}/store/cache/plugins"。这种设计存在两个主要问题:
- 路径层级过深且不够直观,导致缓存目录被嵌套在多层子目录中
- 在某些部署环境中,workspace.parentFile指向的目录(如/data/landun)与实际的挂载盘位置不匹配,造成存储空间利用不充分
优化方案设计
经过技术评估,团队决定对缓存路径进行以下改进:
- 简化路径结构:将原路径简化为"/data/landun/cache",这样既保持了与原有数据目录的关联性,又减少了目录层级
- 提高复用性:新的缓存路径设计使得挂载盘可以被其他场景共享使用,提高了存储资源的利用率
- 环境变量标准化:将原有的"devops.public.host.maxFileCacheSize"变量名改为符合Linux标准的"devops_public_host_maxFileCacheSize"命名格式
技术实现细节
在实现过程中,开发团队特别注意了以下技术要点:
- 路径兼容性处理:确保新路径与旧路径能够平滑过渡,避免因路径变更导致的缓存失效问题
- 权限管理:调整后的路径需要确保构建机进程有足够的读写权限
- 环境变量兼容:在修改环境变量命名时,考虑了现有系统的兼容性问题,确保不会影响已有功能
优化效果评估
经过此次优化,BK-CI系统在以下方面得到了显著改善:
- 存储管理更高效:简化的路径结构使得管理员更容易管理缓存空间
- 资源利用率提升:共享的挂载盘设计避免了存储空间的浪费
- 标准化程度提高:符合Linux标准的环境变量命名提高了系统的可维护性
- 部署灵活性增强:新的路径设计为不同部署场景提供了更大的灵活性
最佳实践建议
基于此次优化经验,对于类似系统的缓存管理,建议:
- 缓存路径设计应尽量简洁直观,避免过深的目录层级
- 环境变量命名应遵循目标平台的标准规范
- 路径规划应考虑未来的扩展性和共享需求
- 变更时应充分考虑兼容性和平滑过渡方案
此次BK-CI的缓存路径优化不仅解决了具体的技术问题,也为持续集成系统的资源管理提供了有价值的实践参考。
登录后查看全文
热门项目推荐
相关项目推荐
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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
Spark-Prover-7BSpark-Prover-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile014
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
306
2.69 K
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
136
165
React Native鸿蒙化仓库
JavaScript
233
309
暂无简介
Dart
596
130
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
630
228
仓颉编译器源码及 cjdb 调试工具。
C++
123
664
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.06 K
615
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
195
72
仓颉编程语言测试用例。
Cangjie
36
665