部署总览与前置要求
本篇说明部署 CubeStudio 平台前需要准备的基础环境（机器、存储、网络、操作系统、k8s 版本），是动手部署前的检查清单。
平台整体架构、设计原理见 01-架构原理/项目简介.md； 平台由哪些组件构成、各组件所在命名空间与版本，见 01-架构原理/基础组件介绍.md。本篇不再重复架构细节。
平台构成（速览）
完整的平台自底向上包含四层（详见 01-架构原理）：
- 机器的标准化。
- 分布式存储（单机可忽略）、k8s 集群、监控体系（prometheus / grafana）。
- 基础能力：tf / pytorch / mxnet / volcano / ray 等分布式训练，nni / ray 超参搜索。
- 平台 web 部分：OA / 权限 / 项目组、在线构建镜像、在线开发、pipeline 拖拉拽、超参搜索、推理服务管理等。
各命名空间的组件清单（infra / kube-system / kubeflow / istio-system / monitoring / volcano-system / jupyter / service / pipeline / automl 等）统一维护在 01-架构原理/基础组件介绍.md，避免与本篇重复。
基础环境依赖
部署前请逐项核对下列依赖：
- docker：>= 1.19.x，docker 存储目录 > 1T。
- kubernetes：1.25 ~ 1.31，建议 1.28。
⚠️ 待核实：
install/README.md:49写1.25~1.31，而docs/部署/平台单机部署.md:4写1.25~1.32，两份源文档不一致，请确认平台实际支持的 k8s 版本上限。 - 共享文件系统（nfs / ceph 等）：挂载到每台机器的
/data/k8s/，按需扩容，起步建议 SSD 5T（单机可忽略）。参见 04-运维管理/分布式存储目录.md。 - 数据库接口地址：mysql；没有可忽略，使用 CubeStudio 自带的（元数据库配置见 04-运维管理/元数据库配置.md）。
- 控制端机器：CPU >= 16 核，内存 >= 32G，至少 1 台。生产配置：32 核 64G × 2。
- 任务端 CPU / GPU 机器（按需配置，机器数量按需扩容）：
- GPU 机器需按对应厂商要求装好驱动。
- 机器学习场景：选 CPU 机器即可，> 32 核 64G × 2。
- 深度学习镜像：训练机器选 V100，推理机器选 T4；每张 GPU 卡配 > 20 核 CPU（如 4 卡服务器建议 > 80 核 CPU）。
- 大模型镜像：训练机器选 H800，推理机器选 A100；每张 GPU 卡配 > 20 核 CPU（如 4 卡服务器建议 > 80 核 CPU）。
- 不要只有 GPU 训练机器，推荐同时配置纯 CPU 服务器。
- 所有机器磁盘：>= 1T。单机磁盘容量要求不大，仅做镜像 / 容器的存储。
- IB / RDMA 网络：自动安装机器驱动和 IB 卡，若无可忽略。相关原理见 01-架构原理/RDMA网络与分布式训练.md。
- 操作系统：ubuntu 20.04 / 22.04 / 24.04，或 centos 7.9 / centos 8。
部署完成后的形态
平台完成部署后的形态如下图：
平台基础架构图：
多 k8s 集群与本地开发
管理平台 web 端可连接多个 k8s 集群，用来在 k8s 集群上调度发起任务实例。同时管理多个 k8s 集群、或本地调试时，可以把各集群的 kubeconfig 文件存到 kubeconfig 目录中，按 $ENVIRONMENT-kubeconfig 的规范命名（如 install/docker/kubeconfig/dev-kubeconfig）。
本地开发 / docker-compose 启动 / 前后端构建等过程，见 单机部署-docker-compose。
下一步
- 本地体验 / 二次开发调试 → docker-compose 本地部署
- 真正在 k8s 上跑完整平台 → 单机 k8s 部署
具体部署命令与参数以源码（
install/）为准，本篇仅作前置检查清单。