我有一个基本图片和完全静态叠加层的几个完全正交的“维度”，这些叠加层映射到数据目录中，每个目录都有多个选项，我希望对其进行置换以生成最终的容器我的部署。作为简并的示例，基本映像（X）在部署时将需要（A，B，C），（P，D，Q）和（K，L，M）中的每一个。我现在正在做的是为最终需要的每个置换构建单独的图像： XADM，XBDK等。问题在于，随着静态数据覆盖图维数的增加以及每个维内的选择数变大，我遇到了严重的组合爆炸问题-CI / CD系统可能需要10分钟来构建每个图像（有些覆盖物很大），并且由于它是变化最大的基础图像，因此图层的缓存效果不好。
到目前为止的想法：
- 将每个层（ABCPDQKLM）生成为单独的容器，该容器填充一个卷，然后由我的每个X容器装入该卷。很好，尽管我从不要求这些层是可写的，并且特别不想为与感觉像是多余的卷相关的持久性存储付费。
- 重新排列我的图层以使其变化最快。通过这样做，我可以得到一些改进，但是仍然遇到了组合问题：我可能仍然必须构建所需的所有组合，但是至少可以缩短CI / CD的构建时间。我认为这会导致整体层缓存更差，但为了时间而折衷空间可能是合理的，并且每个租户的结果仍然不错，并且在部署期间不会产生任何卷存储。
我对这两个选项（或当前的解决方案）都不满意。任何想法都将受到欢迎。
编辑/问题：
- “静态”是指只读的，但实际上，A / B / C覆盖可能每个都是要安装在容器文件系统中特定位置的100MB目录结构。在每种情况下，基础映像中的程序都将使用这些数据（甚至是内存映射！），因此至少需要非常有效地将其缓存在将要使用它的每个CPU附近。我喜欢将数据烘焙到容器中的性能特征，但也许我应该更多地信任存储层，以使数据在真实CPU附近正确缓存/复制。这样做意味着要权衡注册表空间费用和PV存储费用，但这可能是个小问题。
- 基本上，每个“维度”都是一种训练有素的机器学习模型。我需要通过选择正确的一组受过训练的模型来组合维度，以适合许多生产租户中每个租户所需的领域。