a72b8f1e4b
- 更新 backend 平台 API、platform_store、session 数据库模块 - 新增 backend SQL 初始化脚本 - 更新 compute 引擎适配器及 README - 更新 Docker 部署配置（app/compute） - 更新前端入口、环境类型声明及 README - 新增 docs/menu-functional-requirements.md 菜单功能需求文档 - 更新多项项目文档 Co-Authored-By: Claude <noreply@anthropic.com>
407 lines
15 KiB
Markdown
407 lines
15 KiB
Markdown
# 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://<compute-server-ip>:19100
|
||
FILE_GATEWAY_BASE_URL=http://<compute-server-ip>: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。
|