3. 镜像分层优化策略：基础层、运行时层、应用层分离

在服务目录平台冷启动场景中，镜像拉取耗时是影响 Pod 就绪时间的核心瓶颈。通过将容器镜像按变更频率与生命周期拆分为基础层、运行时层、应用层三层结构，可以最大化利用节点上的缓存层，显著减少重复拉取的字节数。

3.1 三层分离模型与缓存收益

三层分离的核心原则是：将不变的部分下沉，将易变的部分上浮。每一层承担不同的职责，拥有不同的更新频率和缓存命中策略。

3.2 分层 Dockerfile 最佳实践

以下是一个符合三层分离原则的 Dockerfile 示例，展示了如何通过精确的 COPY 顺序和 --chown 参数保持层缓存有效。

# ===== 阶段 1: 基础层 (Base Layer) =====
FROM registry.company.com/base/alpine:3.18 AS base
RUN apk add --no-cache ca-certificates tzdata curl

# ===== 阶段 2: 运行时层 (Runtime Layer) =====
FROM base AS runtime
# 安装 APM Agent 和日志采集器
COPY --chown=app:app agent/ /opt/agent/
RUN /opt/agent/install.sh

# ===== 阶段 3: 应用层 (App Layer) =====
FROM runtime AS app
# 只复制业务代码，利用 Docker 层缓存
COPY --chown=app:app target/app.jar /app/app.jar
COPY --chown=app:app config/ /app/config/
USER app
ENTRYPOINT ["java", "-jar", "/app/app.jar"]

3.3 分层拉取流程与缓存命中机制

下图展示了在 Kubernetes 节点上，三层镜像的拉取与缓存命中流程。节点上的 containerd 按层校验 sha256 摘要，已缓存的层直接跳过拉取。

3.4 分层策略在服务目录平台中的落地

在服务目录平台中，不同服务类型对三层分离的依赖程度不同。以下表格给出了针对不同服务类型的推荐分层策略。

3.5 层缓存预热与清理策略

为了在冷启动时进一步加速，可以结合节点上的层缓存预热机制。以下是一个基于 containerd 的缓存预热脚本片段。

#!/bin/bash
# 层缓存预热脚本：在节点加入集群时预拉取基础层和运行时层
# 适用于服务目录平台中的 Java 和 Go 服务

BASE_IMAGE="registry.company.com/base/alpine:3.18"
RUNTIME_IMAGE="registry.company.com/runtime/java17-agent:latest"

echo "[INFO] 开始预热基础层: ${BASE_IMAGE}"
ctr image pull ${BASE_IMAGE}

echo "[INFO] 开始预热运行时层: ${RUNTIME_IMAGE}"
ctr image pull ${RUNTIME_IMAGE}

echo "[INFO] 层缓存预热完成"

3.6 分层后的性能收益对比

以下数据基于服务目录平台中一个典型的 Java 微服务（镜像总大小 450 MB）在 1 Gbps 网络下的实测结果。