# 模型微调平台后期部署方案 本文档对应页面/功能模块：系统设置、算力资源、训练任务、任务详情、模型管理、数据集管理、审批中心、审计中心、运维监控。 ## 1. 部署目标 平台需要支持单机多 GPU 训练、本地磁盘文件存储、LLaMA-Factory 训练框架，并预留未来接入其他训练平台的能力。部署设计需要把“应用平台”和“算力平台”边界明确拆开： - 应用平台：面向用户、权限、项目、模型、数据集、审批、审计、任务编排和 API。 - 算力平台：面向 GPU、训练进程、训练框架、本地工作目录、训练日志和产物。 - 训练框架：当前固定 LLaMA-Factory，后续通过 Engine Adapter 标准接入其他框架。 结论：算力平台和训练框架应该部署在 GPU 算力服务器上。原因是训练框架需要直接访问 GPU、CUDA、驱动、模型权重、本地数据集切片、训练工作目录和训练进程。应用平台可以与算力平台同机部署，也可以独立部署，但不建议在无 GPU 的应用服务器上直接运行 LLaMA-Factory。 ## 2. 服务清单 | 服务 | 部署位置 | 职责 | | --- | --- | --- | | Nginx | 应用服务器或算力服务器 | 前端静态资源、反向代理、TLS 终止 | | Frontend | Nginx 静态目录 | 平台控制台 | | Backend API | 应用服务器 | FastAPI 接口、鉴权、元数据、审批、审计、任务编排 | | Backend Worker | 应用服务器 | 异步任务、状态同步、通知、审计归档 | | PostgreSQL | 应用服务器或独立数据库服务器 | 业务元数据、权限、审批、审计 | | Redis | 应用服务器或独立缓存服务器 | 队列、锁、短期状态、幂等控制 | | Compute API | GPU 算力服务器 | 只对应用平台开放的内部算力接口 | | Compute Agent | GPU 算力服务器 | GPU 发现、资源锁定、训练进程管理 | | File Gateway | GPU 算力服务器 | 本地文件上传、下载、离线导入、产物访问 | | LLaMA-Factory | GPU 算力服务器 | 实际训练、评测、合并、导出 | | 日志采集 Agent | 两侧服务器 | 采集应用日志、训练日志、系统日志 | ## 3. 目录与存储规划 建议生产环境把文件、日志、数据库数据分盘挂载： ```text /opt/yg-ft/ app/ # 应用服务代码 compute/ # 算力服务代码 config/ # 环境配置和服务配置 logs/ backend/ # 后端 JSON Lines 日志 compute/ # 算力服务日志 training/ # 训练过程日志 data/ datasets/ # 数据集文件 models/ # 基座模型、微调模型、导出模型 jobs/ # 训练任务工作目录 artifacts/ # 评测报告、adapter、checkpoint、导出包 ``` 本地文件存储建议按租户、项目、资源类型分区： ```text /data/yg-ft/ tenants/{tenant_id}/ projects/{project_id}/ datasets/{dataset_id}/ models/{model_id}/ jobs/{job_id}/ ``` ## 4. 方案一：所有服务部署在算力服务器 ### 4.1 适用场景 - 开发联调、单机试运行、资源受限的早期上线环境。 - 小团队共用一台单机多 GPU 服务器。 - 网络隔离要求不高，部署资源有限。 ### 4.2 拓扑 ```mermaid flowchart LR U["用户浏览器"] --> N["Nginx/Frontend"] N --> B["Backend API"] B --> DB["PostgreSQL"] B --> R["Redis"] B --> C["Compute API"] C --> A["Compute Agent"] A --> L["LLaMA-Factory"] A --> G["GPU/CUDA"] A --> FS["本地磁盘文件存储"] ``` ### 4.3 部署方式 同一台 GPU 服务器部署： - `frontend` 构建后由 Nginx 托管。 - `backend-api` 使用 Uvicorn/Gunicorn 或容器运行。 - `backend-worker` 独立进程运行。 - `postgres` 和 `redis` 可使用 Docker Compose 或系统服务。 - `compute-api`、`compute-agent`、`file-gateway` 与 LLaMA-Factory 在同机运行。 - 训练产物、数据集、模型和日志都放在本地数据盘。 ### 4.4 优点 - 部署简单，路径共享容易。 - 上传数据、训练读取、产物归档都在本机完成，I/O 链路短。 - 适合快速验证平台功能。 ### 4.5 风险 - 应用服务、数据库、训练任务抢占同一台服务器资源。 - GPU 训练高负载可能影响 API 响应。 - 数据库与文件存储容灾能力弱。 - 安全边界不清晰，企业生产不推荐长期使用。 ### 4.6 端口建议 | 服务 | 端口 | 暴露范围 | | --- | --- | --- | | Nginx | 80/443 | 用户网段 | | Backend API | 17861 | 仅 Nginx、本机 | | Compute API | 19100 | 仅 Backend API、本机 | | File Gateway | 19101 | 仅 Backend API、本机 | | PostgreSQL | 15432 | 本机或内网 | | Redis | 16379 | 本机或内网 | ## 5. 方案二：应用服务与算力/训练服务独立部署 ### 5.1 适用场景 - 企业生产环境。 - 有独立应用服务器、数据库服务器和 GPU 算力服务器。 - 需要清晰网络边界、权限边界和运维职责。 - 未来可能扩展多台 GPU 服务器或多种训练框架。 ### 5.2 拓扑 ```mermaid flowchart LR U["用户浏览器"] --> N["应用区 Nginx/Frontend"] N --> B["应用区 Backend API"] B --> DB["PostgreSQL"] B --> R["Redis"] B -- "内部 HTTPS/mTLS + 服务 Token" --> C["算力区 Compute API"] C --> A["Compute Agent"] A --> L["LLaMA-Factory"] A --> G["GPU/CUDA"] A --> FS["算力服务器本地磁盘"] B -- "定时轮询任务状态/指标/产物索引" --> C ``` ### 5.3 部署边界 应用服务器部署： - Nginx。 - Frontend。 - Backend API。 - Backend Worker。 - PostgreSQL 或数据库连接。 - Redis 或队列连接。 - 审批、审计、系统配置、用户中心等应用能力。 GPU 算力服务器部署： - Compute API。 - Compute Agent。 - File Gateway。 - LLaMA-Factory。 - CUDA、NVIDIA Driver、NCCL、PyTorch、训练依赖。 - 本地训练工作目录、模型目录、数据集缓存、产物目录。 ### 5.4 互通方式 应用平台调用算力平台： - 协议：内部 HTTPS REST，后续可扩展 gRPC。 - 鉴权：服务间 Token，生产建议 mTLS + IP 白名单。 - 幂等：训练任务提交使用 `Idempotency-Key` 或 `job_id`。 - 状态同步：默认由应用平台定时轮询 Compute API，拉取任务状态、指标摘要和产物索引。 - 回调策略：第一阶段关闭算力侧回调，避免算力服务器访问应用服务器，减少双向网络策略开通。 文件互通： - 小文件：前端上传到 Backend API，再由 Backend API 转发或同步到 File Gateway。 - 大文件：Backend API 创建上传会话，前端通过受控地址分片上传到 File Gateway。 - 离线数据：管理员把数据放到算力服务器指定目录，应用平台登记离线导入任务。 - 产物下载：应用平台校验权限后，向 File Gateway 申请短期下载地址。 状态互通： - Backend API 是业务状态的最终来源。 - Compute Agent 是训练进程状态的事实来源。 - Worker 定时对账，把 `queued/running/succeeded/failed/cancelled` 等状态同步回业务库。 ### 5.5 优点 - 应用服务稳定性不受 GPU 训练高负载直接影响。 - 数据库和审计能力更适合纳入企业基础设施。 - 算力节点可以逐步扩展，不影响前端和应用后端。 - 安全边界更清晰，便于设置防火墙、堡垒机、服务账号和审计策略。 ### 5.6 风险 - 文件传输链路比单机部署复杂。 - 需要处理跨服务器网络失败、轮询延迟、任务状态对账。 - 需要明确模型、数据集、产物在应用侧和算力侧的索引关系。 ### 5.7 多算力节点部署约定 多算力节点阶段仍然按“单机多 GPU 节点”部署，每台 GPU 服务器都是一个独立算力节点。每个参与调度的节点都必须部署： - Compute API。 - Compute Agent。 - File Gateway。 - LLaMA-Factory 宿主机目录和训练依赖。 - CUDA、NVIDIA Driver、NCCL、PyTorch。 - 本地数据盘 `/data/yg-ft`。 - 本地日志和训练产物目录。 网络策略保持单向： ```text 应用服务器 -> 算力节点 A Compute API/File Gateway 应用服务器 -> 算力节点 B Compute API/File Gateway 应用服务器 -> 算力节点 C Compute API/File Gateway ``` 默认不要求： ```text 算力节点 -> 应用服务器 算力节点 A -> 算力节点 B ``` 多节点任务调度由应用平台统一完成。应用平台从 `compute_nodes` 读取节点地址、权重、标签、启用状态、维护状态和健康检查结果；从 `resource_replicas` 判断目标节点是否已有所需数据集/模型副本；缺失时创建 `resource_sync_jobs`，通过目标节点 File Gateway 同步资源。 调度策略： - 默认自动调度，按节点健康、标签、GPU 空闲、队列长度、节点权重和资源副本命中率排序。 - 支持管理员/高级用户手动指定节点或 GPU。 - `disabled` 节点不参与调度。 - `draining` 节点不接收新任务，但允许已有任务跑完。 - `maintenance/offline` 节点只允许查看和清理，不允许提交训练任务。 ## 6. Compute API 接入标准 为预留其他训练平台，应用平台只依赖统一算力接口，不直接依赖 LLaMA-Factory 命令。 训练引擎适配器应提供： - `validate_config(config)`：校验训练参数和模板。 - `build_command(job)`：生成训练命令或执行计划。 - `start(job)`：启动训练进程。 - `stop(job_id)`：停止训练进程。 - `status(job_id)`：查询训练状态。 - `collect_metrics(job_id)`：采集 loss、learning rate、epoch、step 等指标。 - `collect_artifacts(job_id)`：登记 checkpoint、adapter、导出模型、评测报告。 - `parse_log(line)`：解析训练日志。 第一版适配器： ```text compute/engines/llama_factory/ ``` 后续其他框架： ```text compute/engines/xtuner/ compute/engines/deepspeed_custom/ compute/engines/openrlhf/ ``` ## 7. 环境变量建议 应用平台： ```env APP_ENV=prod MODELTF_ROUTE_PREFIX=/modelTF DATABASE_URL=postgresql+psycopg://yg_ft:***@postgres:5432/yg_ft REDIS_URL=redis://redis:6379/0 LOG_DIR=/opt/yg-ft/logs/backend COMPUTE_API_BASE_URL=https://compute.internal:19100 COMPUTE_SERVICE_TOKEN=*** FILE_GATEWAY_BASE_URL=https://compute.internal:19101 COMPUTE_STATUS_SYNC_MODE=polling COMPUTE_POLL_INTERVAL_SECONDS=10 COMPUTE_POLL_BATCH_SIZE=100 ``` 算力平台： ```env COMPUTE_ENV=prod COMPUTE_HOST_ID=gpu-node-01 COMPUTE_API_PORT=19100 FILE_GATEWAY_PORT=19101 COMPUTE_SERVICE_TOKEN=*** ENABLE_APP_CALLBACK=false LLAMA_FACTORY_HOME=/app/LLaMA-Factory YG_FT_DATA_ROOT=/data/yg-ft LOG_DIR=/opt/yg-ft/logs/compute CUDA_VISIBLE_DEVICES=0,1,2,3 ``` ## 8. 日志与监控 应用平台： - 采集 `backend-YYYY-MM-DD.log` 和 `error-YYYY-MM-DD.log`。 - 按 `request_id`、`tenant_id`、`project_id`、`job_id` 检索。 - ERROR 日志触发告警。 算力平台： - 采集 Compute API 日志、Agent 日志、训练原始日志。 - 训练日志需要按 `job_id` 独立归档。 - 关键指标包括 GPU 利用率、显存、磁盘容量、训练队列长度、失败率。 ## 9. 安全要求 - Compute API 不对公网开放。 - 应用平台和算力平台之间使用服务账号鉴权，生产建议 mTLS。 - File Gateway 下载地址必须短期有效，并绑定租户、项目、资源权限。 - 日志不得输出密码、Token、密钥、数据集原文敏感内容。 - 审计日志留存周期按租户或企业配置执行，应用日志短期留存，长期归档交给日志平台。 ## 10. 部署检查清单 - PostgreSQL 已初始化 `docs/postgres-schema.sql`。 - Redis 可连通。 - 后端 `GET /modelTF/health` 正常。 - Compute API 健康检查正常。 - Compute Agent 能识别 GPU、显存、CUDA 版本。 - LLaMA-Factory 能在命令行完成最小训练作业。 - 应用平台能提交训练任务到 Compute API。 - 任务状态能从算力平台同步回应用平台。 - 数据集上传、离线导入、产物下载路径权限正确。 - 后端 JSON 日志可被日志平台解析。 - ERROR 日志能触发告警。 - 日志、数据集、模型、产物所在磁盘容量有监控和告警。 ## 11. Docker Compose 文件规划 当前项目按应用服务器和算力服务器拆分了两套 Docker 部署文件，均采用代码外挂方式运行： ```text docker/ app/ Dockerfile.backend # Backend API 运行时镜像，代码通过 volume 挂载到 /app Dockerfile.frontend # Nginx 前端运行时镜像，frontend/dist 通过 volume 挂载 docker-compose.yml # 应用服务器：frontend、backend-api、postgres、redis .env.example compute/ Dockerfile.compute # CUDA + Python + Compute API 运行时镜像 docker-compose.yml # 算力服务器：compute-api，预留 agent/file gateway 拆分 .env.example ``` 项目根目录不再保留 `Dockerfile` 和 `docker-compose.yml`，避免与拆分部署入口混淆。 应用服务器启动： ```bash cd docker/app cp .env.example .env docker compose up -d ``` 算力服务器启动： ```bash cd docker/compute cp .env.example .env docker compose up -d ``` 应用服务器与算力服务器独立部署时，需要在 `docker/app/.env` 中配置： ```env COMPUTE_API_BASE_URL=http://:19100 FILE_GATEWAY_BASE_URL=http://:19101 COMPUTE_SERVICE_TOKEN=change_me ``` 这些地址在当前 Docker 阶段通过环境变量动态配置。后续多算力节点阶段建议升级为数据库配置，由应用平台从 `compute_nodes` 表读取节点地址、权重、标签、健康状态和启用状态，并在“算力节点管理”页面维护。 多节点后，每台算力服务器各自进入 `docker/compute` 启动一套算力服务，并在应用平台中登记为一条 `compute_nodes` 记录： ```text gpu-node-01 -> http://10.10.20.31:19100 / http://10.10.20.31:19101 gpu-node-02 -> http://10.10.20.32:19100 / http://10.10.20.32:19101 gpu-node-03 -> http://10.10.20.33:19100 / http://10.10.20.33:19101 ``` 算力服务器需要在 `docker/compute/.env` 中配置： ```env ENABLE_APP_CALLBACK=false COMPUTE_SERVICE_TOKEN=change_me YG_FT_DATA_ROOT_HOST=/data/yg-ft ``` ## 12. 仍需确认的问题 - 生产环境是否已有统一 ELK/OpenSearch、Filebeat/Vector 标准配置。 - PostgreSQL/Redis 开发阶段采用项目自带部署；生产阶段是否切换企业统一基础设施，以及对应 SLA 仍需确认。 - 是否需要 PostgreSQL 主备、备份恢复、审计日志长期归档的明确 SLA。 - 大文件上传是否需要断点续传、限速、病毒扫描或 DLP 检测。 - 应用服务器与算力服务器默认只开通应用侧主动访问算力侧；如后续需要实时回调，再单独评估双向网络策略。 - 多算力节点已按单机多 GPU 节点扩展设计；仍需确认是否需要节点组、租户绑定节点、同步限速和资源副本清理审批。