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。
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