晚上十一点,值班的手机响了。
一个做 SaaS 的团队在推容器化迁移,最后一批业务刚切进 K8s。新节点拉镜像超时。不是网络的事。他们的私有仓库正好在跑全量垃圾回收,把整个 blob 存储锁住了。
这种事我见得太多了。迁移方案书写满了网络规划、存储选型、流水线改造,唯独镜像治理,被塞在附录最后一页。
镜像不是文件 是供应链的账本
很多人对镜像的理解还停在打包好的程序。不对。它是分层的、带摘要的、可被继承和复用的供应链产物。
一个基础镜像被四十个业务镜像 FROM,这四十个镜像又被两百个 Deployment 引用。你以为你在 Dockerfile 里改的是一行 FROM,实际你动的是整条链。
麻烦在于,链上每一环都没有明确归属人。
基础镜像谁维护?安全组?平台组?还是那个三年前写了个 Dockerfile 就离职的人?这问题一问一个哑。我采访过的一个团队,最开始连自己有多少个镜像都说不清,只能靠翻仓库列表人工点。几千个。

标签的混乱比漏洞更早要命
我不太在意 latest。我在意的是有人拿 latest 上线。
tag 是个可变引用。今天的 v1.2 和下周的 v1.2 可以是两个完全不同的东西,只要有人重新 push 一次。那你回滚的时候回滚到哪去了?没人答得上来。
正经做法是用 digest。sha256 那一长串。丑,但确定。坑在于人手写不出来,得让流水线自己把 digest 写回部署清单里。这又牵扯到 GitOps 的写法,是把 digest 提交进仓库,还是让准入控制器在部署时去解析 tag。两条路都有人走,各有各的堵。
还有个更土的问题:命名。见过 test-2-final-真-final 这种吗。我见过。它现在还在生产环境跑着。
说白了,标签规范不是审美问题,是能不能审计的问题。什么时候构建的,谁构建的,基于哪个 commit。这些信息不该靠人记。
扫描和签名别做成仪式
CVE 扫描几乎是每个团队都会装的东西。装完之后呢?
扫出来三千个高危,没人看。时间一长就变成每周自动发一封邮件,收件人列表里一半已经离职了。这不叫治理,这叫心理安慰。
有效的做法很朴素。定一条基线,比如不允许某级别以上的漏洞进仓库。超了,就用准入控制卡下来。允许例外,但例外必须有到期时间,过期自动失效。否则例外会像藤蔓一样长满整个集群。
签名同理。cosign 接进去半天就能跑通,难的是让只允许拉取已签名镜像这条策略在集群里真的生效,而不是配了个开关,永远开着旁路白名单。
代价是什么?构建变慢,回滚手续变多,开发同学会骂人。这很正常。治理本质上是拿自由换可追溯,没人会为此鼓掌。

仓库的垃圾回收是最容易被忽略的账单
回到开头那个故事。
镜像仓库的存储不是无限的。每次 push 都产生 blob,删掉 tag 不等于删掉 blob,因为可能还有别的 manifest 引用着同一个层。跨仓库共享基础层的架构本来是为了省空间,结果一层没删干净,后面全是连环。
不做生命周期策略,两年下来一个中型团队能攒下几个 TB 的死数据。然后你去做 GC,GC 又要停写,停写又要发公告,公告发完运维还得蹲在机房里看日志。
务实一点。保留策略按 tag 规则走,最近三十天的构建产物留着,release tag 永久留,其余定期清无人引用的 manifest。GC 放低峰期,并且把耗时纳入监控。别等它超时了才想起来有个定时任务。

治理的落点在流程 不在工具
工具都够用。Harbor、Trivy、Cosign、Kyverno,开源生态不缺零件。
真正难的是三件事。基础镜像谁维护,多久重建一次。新镜像进来谁批,多久批完。出了问题,谁能查到这一层是从哪个 commit 来的。
没有 SBOM,没有构建元数据,没有 provenance,出事的时候只能干瞪眼。你会看到一群人在会议室里对着一个镜像 ID 面面相觑。
我的建议一直没变。迁移立项时就把镜像治理写成一条验收项,和网络、存储同级对待。别等仓库爆了、回滚失败了一次,才回过头来补课。那时候补的就不是技术债了,是信任。