Disko项目中使用/etc/crypttab实现LUKS分区延迟解密
在Linux系统中管理加密分区时,我们经常会遇到需要在不同阶段解锁不同加密分区的需求。本文将详细介绍如何在Disko项目中配置LUKS加密分区,实现根分区和/home分区的分阶段解密。
问题背景
在使用Disko配置系统时,用户遇到了一个常见问题:系统在启动时总是先尝试解密/home分区,即使/home分区的密钥文件存储在根分区上。这导致了一个先有鸡还是先有蛋的问题——系统需要先解密根分区才能获取/home分区的密钥文件,但却先尝试解密/home分区。
解决方案
Disko提供了灵活的配置选项来解决这个问题。关键在于利用luks.settings.bypassWorkqueue参数,结合手动管理/etc/crypttab文件。
配置核心要点
- 根分区配置:保持标准LUKS配置,在initrd阶段解密
- /home分区配置:
- 设置
bypassWorkqueue = true,避免在initrd阶段尝试解密 - 手动创建/etc/crypttab条目,在系统启动后阶段解密
- 设置
具体实现
对于根分区,使用标准Disko配置即可。对于/home分区,需要特殊处理:
{
disko.devices.disk.main = {
device = "/dev/nvme0n1";
type = "disk";
content = {
type = "gpt";
partitions = {
home = {
size = "100%";
content = {
type = "luks";
name = "home";
settings = {
bypassWorkqueue = true; # 关键配置
allowDiscards = true;
};
extraFormatArgs = [ "--uuid" "your-uuid-here" ];
content = {
type = "filesystem";
format = "ext4";
mountpoint = "/home";
};
};
};
};
};
};
}
同时,需要在NixOS配置中添加:
{
environment.etc."crypttab".text = ''
home /dev/disk/by-uuid/your-uuid-here /etc/secrets/home.key discard
'';
}
技术原理
-
bypassWorkqueue参数:这个参数告诉系统不要在initrd阶段排队等待解密该设备,而是推迟到系统启动后处理。
-
/etc/crypttab机制:这个文件是标准的Linux加密设备配置表,系统在启动过程中会读取它来解密指定的设备。通过在这里配置/home分区,我们可以确保它在根分区解密后才被处理。
-
密钥文件位置:密钥文件应该放在根文件系统的/etc/secrets/目录下,这样只有在根分区解密后才能访问到它。
实际应用建议
-
UUID管理:建议使用固定的UUID来标识加密分区,避免因设备顺序变化导致问题。
-
密钥文件安全:确保密钥文件权限设置为600,并且考虑使用sops-nix等工具进一步保护密钥文件。
-
测试验证:在正式部署前,建议在虚拟机中测试配置,确保解密顺序符合预期。
通过这种配置方式,我们实现了根分区在initrd阶段解密,而/home分区则在系统启动后阶段解密的流程,完美解决了依赖关系问题。这种方案不仅适用于/home分区,也可以推广到其他需要延迟解密的加密存储设备上。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C092
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00