Docker镜像仓库管理实战

可视化演示

展示Docker镜像仓库的客户端-仓库-存储架构、镜像推送拉取流程及跨仓库复制拓扑，拖动滑块调节速度观察数据流转。

仓库基础概念

“云栖优选”要先搞清楚：到底往仓库里存什么？超市里，货架上摆的是拆开的一件件商品；而在中央仓库，货物是整箱整箱的标准货箱。镜像仓库里的“货箱”就是容器镜像——一个运行时所需的一切：代码、依赖库、Python 解释器、模型权重，全被打包成只读的“整数箱”。仓库（registry）则是专门存放和分发这些货箱的中心化服务，而货架上一个个格子（repository）存放某一类镜像的不同版本。

概念上要区分三层：镜像（image）是那个货箱；仓库路径（repository）是货架上的分类标签，比如“零食区/薯片”；镜像仓库服务（registry）则是整栋仓储大楼。Docker Hub 就是一个面向全世界的公共批发市场，任何人可以免费领货，但公共市场的缺点很明显：下载慢、可能断供、不能保证货物没被动过手脚。这就是私有仓库的价值——自家仓库，随时补货、速度快、能上锁。

一个货箱要能准确找到它的位置，靠的是一串地址：

阿凯把地址结构贴在工位上：以后任何人要货，只要报上完整的镜像地址，仓管员就能在三秒钟内告诉他货在哪个区、哪排货架——这就是规范的力量。

搭建私有仓库

阿凯决定先在自家后院搭一个简易库房试试水，用的就是 Docker 官方的 registry 镜像。这就像先去批发市场买一套标准货架，足够把每天的货先归拢起来。命令极其简单：把 registry:2 容器跑起来，映射 5000 端口，再挂一个数据卷用于持久化——货箱可以随存随取，但库房本身不能一重启就“失忆”。

从概念上讲，这个简易仓库就是一台轻量级的镜像存储服务：客户端通过 HTTP API 与它对话，push 时上传货箱，pull 时按需下载。但它也意味着三个“裸奔”问题：没有登录验证、没有管理界面、默认只认 HTTPS。生产环境通常会在前面加一个 Nginx 反向代理来终结 TLS 加密，并把请求转发给 registry 后端，相当于在库房门口装一道保安岗亭和卷帘门。

搭建前要先估算库房多大，核心公式是“去重后的真实占用”：

简易库房跑通了，阿凯很满意——但他知道，真正的考验是当仓库里涌进几十个团队、上千个货箱时，怎么管住质量和安全。

Harbor企业仓库

库房升级的契机发生在一次“货损”事故：有人手滑 push 了一个没经过测试的镜像，生产环境直接拉取部署，线上服务崩了半小时。阿凯意识到，光有货架不够，还需要门禁、监控、质检和分拣流程——这正是 Harbor 的用武之地。Harbor 是云原生计算基金会（CNCF）的毕业项目，一个开源的企业级镜像仓库平台。

Harbor 并不是一个全新的仓库，而是把官方 Registry 这排“货架”搬进一栋现代化仓储大楼，外面套上各种管理系统：Portal 提供 Web 管理界面（监控大屏）、Core 负责认证授权与 API（门禁系统）、JobService 负责复制和扫描等异步任务（分拣传送带）、数据库和 Redis 保存台账与缓存。安装时下载离线安装包、解压后执行 prepare 和 install 脚本，几分钟就能起一栋“楼”。

Harbor 的组成可以浓缩成一句话：

仓库大楼落成那天，阿凯在日志里看到一条记录：某位同事凌晨三点 push 了一个镜像，三分钟后生产环境拉走——他知道，以后每一次“进货出货”都有据可查了。

镜像推送与拉取

有了现代化仓库，接下来就是日常的搬运作业。阿凯把流程总结成“一卡、一签、一入、一出”：登录（login）相当于到门禁处刷卡领临时工牌；打标签（tag）相当于给货箱贴上正确的目的地和批次信息；推送（push）是送货入库；拉取（pull）是提货出库。

具体操作上：先用 docker login harbor.example.com 输入凭证，再通过 docker tag 把本地镜像的名字改成仓库规定的完整格式，然后用 docker push 上传。到了部署环节，生产服务器用 docker pull 拉取对应标签的镜像即可启动容器。初学者最容易踩的坑是镜像名不规范——就像寄快递地址写错，仓库会直接拒收。

拉取时有一个让阿凯惊喜的机制：镜像分层共享让“只搬差异”成为可能。本地已有的层可以直接复用，只下载缺失的部分：

阿凯给团队立了规矩：每次发布必须打上清晰标签，比如 ai-team/trainer:v2.0.1，禁止裸用 latest 上生产——因为“最新”这个标签没有承诺，随时可能变。

仓库权限控制

仓库正式运营后，阿凯发现不是所有人都该有全部权限：实习生可以看看货架上有什么（访客），算法工程师能往里放货（开发者），运维同事要能清理和删除镜像（维护者），而只有项目负责人能管理整个项目（项目管理员）。Harbor 用“项目”来划分库区，每个项目可以设为公开或私有，公开项目任何人可拉取，私有项目须经过认证。

权限控制的本质是一个判定函数：用户 u 想对某个资源执行某个操作（比如删除镜像），系统看的是 u 拥有的所有角色中，是否有任何一个角色被授予了这个操作。这就是经典的 RBAC 模型：

除了人，阿凯还配置了机器人账号给 CI/CD 流水线用——就像给自动叉车发一张专用工牌，只允许它往指定项目推送镜像，丢不了也越不了权。

镜像安全与签名

货损事故让阿凯心有余悸：如果有人往仓库里混入一个同名同标签却藏了恶意代码的镜像，生产环境照单全收怎么办？这就需要“质检章”。阿凯开启 Docker Content Trust（DCT）：发布镜像前，发布者用自己的私钥对镜像摘要（sha256 值）签名，相当于给货箱盖上防伪印章；拉取时客户端用公钥验证印章是否有效。

签名验证的数学过程并不复杂，核心是三步：先对镜像清单（manifest）计算摘要，再用私钥签名，最后用公钥验签：

同时在 Harbor 中开启漏洞扫描（基于 Trivy 等引擎），每次 push 后自动给镜像做“抽检”并打分。阿凯还设了安全策略：漏洞等级高于中危的镜像禁止 pull 到生产项目。从此，仓库里的每个货箱都是“盖章且抽检合格”的。

垃圾回收与清理

运营三个月后，阿凯发现磁盘空间快要爆炸了。查了一圈才明白：在仓库里“删除”镜像，只是从台账上划掉了这个标签，货箱里的零件还占着货位。就比如超市把过期商品从货架撤下，库房里那堆箱子并没有被清运走。必须手动运行垃圾回收（GC），把那些“没有任何标签引用”的层真正删掉。

垃圾回收的判定标准就是引用计数：镜像层被多少个标签引用着？打标签时引用加一，删除标签时引用减一，当引用计数归零，说明没有任何镜像需要这层数据了，就可以物理删除：

GC 运行时要对仓库加只读锁，否则边清运边进货会乱套。所以阿凯把 GC 安排在每周日凌晨的维护窗口，用脚本定时执行并记录释放的空间量——就像超市打烊后才开始盘点和清仓。

异地复制与多活

“云栖优选”在上海开了分公司，部署了独立的 GPU 集群。如果把镜像从总部仓库远程拉取，跨地域传输慢还占用专线带宽。阿凯的做法是：在 Harbor 里配置“镜像复制”策略，总部仓库每收到新镜像，后台任务就自动把它同步到上海的分仓——就像把热销货物提前配送到外地分仓，让当地门店就近补货。

复制策略有两种模式：push 模式由源仓库主动推送到目标仓库，pull 模式则由目标仓库定时从源仓库拉取，适合网络隔离场景。更进一步，两个城市的仓库可以互相复制、双向同步，形成“多活”架构：任何一侧都能独立提供拉取服务，一台挂掉另一台无缝顶上。多副本最直接的价值是提升整体可用性：

阿凯还额外强调一句话：复制是为了“配送快”，不等于“有备份”。备份要基于对象存储快照或 Harbor 离线导出单独做——分仓模型解决的是吞吐和延迟，账本还是要单独锁进保险柜。

AI 应用场景

Python 演示

import hashlib class Layer:    # 镜像层: 一段不可变数据, 可被多个镜像共享    def __init__(self, data):        self.data = data        self.digest = "sha256:" + hashlib.sha256(data.encode()).hexdigest()        self.refs = 0 class Registry:    # 极简镜像仓库: 支持 push / pull / delete / gc    def __init__(self):        self.layers = {}     # digest -> Layer        self.tags = {}       # (repo, tag) -> [digest]     def push(self, repo, tag, layer_datas):        digests = []        for data in layer_datas:            d = "sha256:" + hashlib.sha256(data.encode()).hexdigest()            if d not in self.layers:                self.layers[d] = Layer(data)            self.layers[d].refs += 1            digests.append(d)        self.tags[(repo, tag)] = digests     def pull(self, repo, tag):        digests = self.tags.get((repo, tag))        if not digests:            return None        return [self.layers[d].data for d in digests]     def delete(self, repo, tag):        key = (repo, tag)        if key not in self.tags:            return False        for d in self.tags.pop(key):            self.layers[d].refs -= 1        return True     def gc(self):        removed = sum(1 for l in self.layers.values() if l.refs == 0)        self.layers = {d: l for d, l in self.layers.items() if l.refs > 0}        return removed     def saved_layers(self):        return sum(l.refs - 1 for l in self.layers.values()) if __name__ == "__main__":    r = Registry()    base = ["basefs", "python3.11", "cuda12"]    v101 = ["basefs", "python3.11", "cuda12", "train.py"]    v200 = ["basefs", "python3.11", "cuda12", "train.py", "model.bin"]    r.push("ai/trainer", "v1.0", base)    r.push("ai/trainer", "v1.1", v101)    r.push("ai/trainer", "v2.0", v200)    print("v2.0 拉取层数:", len(r.pull("ai/trainer", "v2.0")))    print("去重后实际层数:", len(r.layers), "共享节省层:", r.saved_layers())    r.push("ai/tmp", "tmp", ["basefs", "tempfile"])    r.delete("ai/tmp", "tmp")    print("GC 回收垃圾层:", r.gc(), "剩余层:", len(r.layers))

1. if d not in self.layers层去重：相同的层数据只存一份，多个镜像共享同一 Layer 对象。
2. self.layers[d].refs += 1push 时给每个被引用的层加一，记录“还有谁在用这个层”。
3. for d in self.tags.pop(key): self.layers[d].refs -= 1删除标签时遍历所有层并减一，这就是“从台账划掉”。
4. removed = sum(1 for l in self.layers.values() if l.refs == 0)GC 统计所有引用归零的层，它们才是真正要清走的垃圾。
5. self.layers = {d: l for d, l in self.layers.items() if l.refs > 0}用字典推导式过滤掉无主层，物理释放空间。

常见误区

面试题