在actions-runner-controller中自定义Docker-in-Docker容器配置
2025-06-09 19:23:45作者:袁立春Spencer
actions-runner-controller项目中的gha-runner-scale-set组件提供了Docker-in-Docker(dind)运行模式,允许在Kubernetes Pod中运行Docker守护进程。然而,默认配置中dockerd的参数是硬编码的,这给需要自定义Docker配置的用户带来了不便。
背景与需求
在实际生产环境中,用户经常需要调整Docker守护进程的配置,例如:
- 设置网络中转服务以访问外部容器镜像
- 配置受信任的私有镜像仓库
- 调整网络MTU值
- 添加镜像仓库镜像
默认情况下,gha-runner-scale-set的dind容器配置是硬编码在模板中的,用户无法通过简单的values.yaml修改来调整这些参数。
解决方案
目前有两种主要方法可以自定义dind容器的配置:
方法一:完全覆盖Pod模板
通过完全覆盖template配置,用户可以完全控制dind容器的所有参数。这种方法提供了最大的灵活性,但需要用户维护完整的PodSpec配置。
示例配置展示了如何:
- 定义init容器来准备运行环境
- 配置主runner容器
- 自定义dind容器,包括安全上下文、资源限制等
- 挂载ConfigMap作为daemon.json配置文件
方法二:使用daemon.json配置文件
更推荐的做法是通过挂载ConfigMap来提供/etc/docker/daemon.json文件,而不是直接修改dockerd参数。这种方式更符合Docker的标准配置实践,且更容易维护。
daemon.json配置示例展示了如何:
- 设置网络MTU值
- 配置默认网络选项
- 添加镜像仓库镜像
实施建议
- 评估需求:确定是需要完全控制dind容器,还是仅需调整Docker配置
- 创建ConfigMap:将Docker配置以daemon.json形式存储在ConfigMap中
- 挂载配置:通过volumeMounts将ConfigMap挂载到dind容器的/etc/docker目录
- 资源规划:根据工作负载需求合理设置dind容器的资源限制
- 安全考虑:注意privileged模式的安全影响,在生产环境中应谨慎使用
最佳实践
- 优先使用daemon.json进行配置,而非命令行参数
- 为不同的环境(开发、测试、生产)维护不同的ConfigMap
- 考虑使用Kubernetes的NetworkPolicy限制dind容器的网络访问
- 监控dind容器的资源使用情况,及时调整资源限制
通过这种方式,用户可以在actions-runner-controller中灵活地配置dind容器,满足各种复杂环境下的Docker使用需求,同时保持配置的可维护性和安全性。
登录后查看全文
热门项目推荐
相关项目推荐
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
最新内容推荐
STM32到GD32项目移植完全指南:从兼容性到实战技巧 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 开源电子设计自动化利器:KiCad EDA全方位使用指南 Python案例资源下载 - 从入门到精通的完整项目代码合集 Python开发者的macOS终极指南:VSCode安装配置全攻略 网页设计期末大作业资源包 - 一站式解决方案助力高效完成项目 昆仑通态MCGS与台达VFD-M变频器通讯程序详解:工业自动化控制完美解决方案 STDF-View解析查看软件:半导体测试数据分析的终极工具指南 MQTT 3.1.1协议中文版文档:物联网开发者的必备技术指南 Jetson TX2开发板官方资源完全指南:从入门到精通
项目优选
收起
deepin linux kernel
C
24
9
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
64
19
暂无简介
Dart
671
155
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++
661
309
Ascend Extension for PyTorch
Python
221
236
仓颉编译器源码及 cjdb 调试工具。
C++
134
867
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
392
3.86 K
React Native鸿蒙化仓库
JavaScript
260
322