运维指南

！重要：注意事项清单

机器尽可能不要混用

平台控制部分和用户计算机器最好不要在同一批机器上。

cube-studio通过机器label管理任务，建议cube-studio平台本身部分保留1~2台机器，不做任务计算，用户的notebook,pipeline,service使用单独的机器，因为用户任务资源使用比较多，和控制组件混部容易照成平台宕机。

prometheus数据清理

1、prometheus如果存储时间过久，机器资源不足情况下，被oom，会造成重启一直oom，可以删除分布式存储中prometheus的历史数据，重启monitoring/prometheus-k8s-0 ，或者不将监控数据进行持久化

mysql数据备份

2、mysql数据做好备份，至少每天备份一次。

分布式存储重要数据备份

3、分布式存储系统，建议连接自己公司的git，代码数据git管理，每天备份个人目录下的“重要数据”目录

机器资源不足可能问题

4、现在“服务”页面查看总体资源，再来看设置多少资源合适，如果出现pod pending，几个可能的原因 ●机器标签是否正常添加，gpu机器查看gpu插件是否正常运行 ，机器可分配资源是否能看到gpu资源 ●分布式存储在机器是否正常 ●资源是否足够，目标机器的资源现剩余多少

网络可能问题

5、网络问题，打开juputer界面时，jupyter反应缓慢，界面会显示让清理空间，不要清理。

集群缩容

6、reset docker 一定要保障机器已经从k8s集群去掉，并且分布式挂载已经umount了，再执行

k8s dashboard管理权限问题

7、如果使用集群版本的k8s dashboard，那么会方便很多，但是有风险问题。如果使用user1版本，会使用起来没那么方便

aihub大模型申请版本

8、aihub大模型自己下载，只商业化使用方法，不提供商业化版本大模型

k8s开启审计日志

9、自建k8s开启审计日志，避免事件排查

terminating的pod需要手动处理

10、如果有分布式存储或者子进程未关闭，会Terminating失败，需要手动处理

维表远程更新失败

11、维表不一定能正常更新到远程表，因为字段类型不一定能正常转换，不能更新的，需要人工更新

镜像秘钥转为自己的，gpt token换为自己的，gpt url换为自己的

12、镜像秘钥换成自己的。gpt token换成自己的,gpt url换成自己的

禁用系统自动更新

13、禁用掉系统的自动更新

做好基础机器运维

14、做好基础机器运维，比如磁盘满了告警。分布式存储服务的状态和数据库服务的状态，利用率频繁高的报警之类的。注意机器可能存在的定制配置更新，如机器dns，防火墙之类的，还有机器重启后基础存储服务和数据库服务，是否正常

代码二开后谨慎合并新功能

15、如果自己做了代码二开，自己做好代码测试，和升级测试。自己根据情况来决定是否升级。代码是开放给客户的

机器初始化脚本，避免机器重启环境变量

16、新增注意事项，增加每台机器重启后的初始化脚本，避免机器复原