Bislang nutzte jedes Image und jeder Layer einen zufällig zugewiesenen Universally Unique Identifier (UUID). Docker 1.10 hingegen stützt sich auf ein Assoziativverfahren, dass eine ID nutzt, die auf einem sicheren Hash der Image- und Layer-Daten basiert. Die neue Methode verspricht mehr Sicherheit, soll ID-Kollisionen ausschließen und die Datenintegrität nach dem Pullen und Pushen, sowie dem Laden und Speichern gewährleisten.

Die Adressierung von Images über ihren Inhalt soll es dem Nutzer nicht nur leichter machen, herauszufinden, ob bereits Downloads erfolgt sind, sondern ist auch die Basis der neuen Verteilungsfeatures. Der Pull- und Push-Code folgt nun einem Download- bzw. Upload-Manager-Konzept, das eine deutlich bessere Stabilität bieten und mögliche Probleme mit parallelen Anfragen beseitigen soll. Auch die Möglichkeit, fehlgeschlagene Downloads fortzusetzen und eine bessere Priorisierung simultaner Downloads werden geboten.

Last but not least führt Docker 1.10 ein neues Manifest-Format mit sich. Dieses verweist direkt auf die inhaltsadressierbare Image-Konfiguration sowie die Layer-Prüfsummen und macht es möglich, eine Manifestliste für mehrere Architekturen bzw. Plattformen zu nutzen.

Weiterführende Informationen darüber, wie man seine Images für die Migration auf das neue Modell vorbereiten kann, können der entsprechenden Release-Mitteilung entnommen werden. Auf GitHub steht zudem ein Migrations-Tool zur Verfügung, das selbst bei laufendem Daemon ausgeführt werden kann und so die notwendige Downtime minimiert.

Doing More with Less: Building Machine Learning Solutions without large labeled Datasets

mit Jesus Rodriguez (Invector Labs)

Case Studies: Machine Learning in Web Applications

mit Athan Reines (Quansight)

Deep Learning mit TensorFlow 2

mit Jakob Karalus (Deloitte)

Alles selber lesen war gestern – wie man mit Machine Learning große Textmengen in Erkenntnisse verwandelt

mit Stephanie Fischer und Dr. Christian Winkler (datanizing)