常见问题 FAQ

本篇由社区常见问答整理而来，按问题域分组。每条以 Q: 提问、随后给出答复。涉及具体配置项/路径处已对照当前代码核实，发现与代码不一致的地方用 ⚠️ 标出。

来源：docs/运维/常见问题.csv（约 150 条）。

一、部署与安装

Q: 单机部署 rancher 之后进不去 web 页面

如果是刚部署完就进不去 web 界面，可能是 rancher server 还没启动起来，稍等片刻。如果是运行一段时间后突然进不去，或因 docker 重启、机器重启等原因进不去，可参考 wiki 中 rancher 部署 k8s 部分的文章，配置 rancher 的单机高可用。

Q: rancher 单集群多机一直卡在 "Waiting to register with Kubernetes"

机器需要先把镜像拉取好，再加入 k8s 集群，这样加入集群会快很多。

Q: rancher 主机注册的时候一直卡在 "[remove/etcd-fix-perm] Successfully removed container on host"

rancher 部署时会自动在机器上部署 agent 来完成 k8s 节点初始化。部署需要提前拉取好镜像，准备至少 16 核的机器；如果部署失败，使用 reset_docker 脚本重置 docker 后重启，再重新部署。

Q: rancher 创建失败，等了好久也不成功，"Cluster health check failed: cluster agent is not ready"

同上：rancher 部署会自动部署 agent 完成节点初始化。需提前拉取镜像、准备至少 16 核机器，失败则用 reset_docker 脚本重置 docker 后重启重新部署。

Q: 搭建单机版出现 "cluster health check failed cluster agent is not ready"

机器资源问题。提前拉取镜像，reset_docker 重置 docker 重启后重试。

Q: myrancher 运行 docker 启动后不断重启

可能是资源不足造成，建议扩大资源至少 16 核，然后按 wiki 中 rancher 单机高可用方案部署。

Q: 机器重启或机器上的 docker 服务重启后，rancher web 界面打不开了

这是 rancher 的一个 bug，需参考 wiki 部署 rancher 文章中的单机高可用方案来解决。

Q: 单机版部署 rancher 后无法访问 web 页面，日志出现 "error syncing 'validating-webhook-configuration': handler need-a-cert"

建议提前拉取镜像后重新部署，并把 iptables 放开。

Q: rancher 部署的时候不成功，等了很久一直失败

需提前拉取好镜像、准备至少 16 核机器，失败则用 reset_docker 脚本重置 docker 后重启重新部署。

Q: rancher 443 拒绝访问

rancher server 是第一个运行的容器（即 rancher web 界面），部署可能需要等待几秒钟；并且打开 web 界面时要跳过 https 限制。

Q: 目前最新版用哪个 rancher 和 kubernetes 版本好？

rancher 2.6.2、k8s 1.21 最好。

Q: K8S 高版本的支持

目前支持 1.18 到 1.24 的 k8s 版本。高低版本部分组件要微调，可参考 start 脚本中的内容。

Q: sudo sh start.sh x.x.x.x 这种安装方式是不是只适用单机通过 rancher 安装？已有 k8s 集群能用吗？

已有的 k8s 集群也是这种安装方式。

Q: 运行 start.sh 安装时报错

如果报“删除对象不存在”可以忽略；如果报“api server 服务不可达”，检查 config 文件是否正常、是否能正常下载 kubectl。start 脚本会先拉取镜像和基础软件，然后按步骤安装云原生基础组件，最后配置 istio ingressgateway 代理。详见 start.sh 脚本内容。

Q: start 脚本部署不完整，缺部分组件（本地虚拟机资源不足？connection refused）

start 脚本可以重复多次运行，多运行几次即可；部署前提前把镜像拉取好。

Q: worker 节点的机器上是否需要 pull_image_kubeflow.sh 里的镜像？

是的，worker 节点上需要拉取镜像，并为机器打上对应的 tag。

Q: 多机器部署时，worker 需不需要运行 start.sh？

worker 节点不需要运行 start.sh，只需要把 worker 节点加入到 k8s 集群即可。

Q: 部署后 kubeflow dashboard 报错 mysql 数据库链接不上，域名无法解析

应该是机器防火墙的问题，可用以下命令放开防火墙；由于各家公司网络可能会自动恢复，iptables 的放开可以设为定时任务：

iptables -P FORWARD ACCEPT
iptables -P INPUT ACCEPT
iptables -P OUTPUT ACCEPT

Q: core-dns 出错，service name 无法解析，集群启动但 pod 之间无法通信

同样是机器防火墙的问题，用上面的 iptables -P ... ACCEPT 放开防火墙，并把放开设为定时任务防止被自动恢复。

Q: myapp-1 docker 运行启动后不断重启

myapp 容器不断重启有可能是连不上数据库，可根据日志信息提供更多内容排查。

Q: myapp fab create-admin 报错

create-admin 是初始化阶段创建数据库 admin 账户，如果之前已经存在 admin 会报错，可以忽略。

Q: 单机部署 myapp/home 无法进入 / 访问 http://xxxx/mysqpp/home 进不去

新版本首页不是 myapp/home，直接用 http + ip 访问会自动跳转到首页。如果进不去，按 wiki “单机部署”文章末尾的部署后排查流程逐步排查。

Q: 部署后 some namespaces without pods

pipeline、service、jupyter、automl 这些命名空间是预留给用户应用的，并非系统应用占用，所以刚部署起来后是没有 pod 的，属正常现象。

Q: 平台部署完成后 ml-pipeline-viewer-crd 起不来，demo 跑不起来

新版本已不再需要 ml-pipeline-viewer-crd，建议部署新版本。

Q: metadata-grpc-deployment 报错 "mysql_real_connect failed ... Unknown MySQL server host 'mysql-service.infra'"

新版本已不再使用 metadata-grpc 服务，建议升级到新版本。

Q: 部署后 kubeflow-dashboard 一直报错缺 ab_user_role 表

如果是新部署的集群，可从主机 /data/k8s/infra/mysql 删除 mysql 的存储，然后重新用 start 脚本部署 CubeStudio。

Q: stat /data/k8s/kubeflow/pipeline/workspace: no such file or directory

/data/k8s/ 是分布式存储目录，单机部署时可以是主机目录。先确保主机该目录存在，并且 docker start kubelet 后保证 kubelet 容器中该目录也存在。

Q: metric-server 默认镜像拉取是 Always，rancher 中改不动 yaml 怎么办？

rancher 的 metric-server 默认拉取策略确实是 Always。如果 rancher web 界面上改不成功，可直接用 kubectl 命令去修改。

Q: 部署最后的 CubeStudio 组件时，kubernetes-config 配置是否必须？报错找不到 kubernetes-config

start 脚本最开始会创建 kubeconfig 目录，并将该目录内容创建为 configmap。虽然 configmap 内容为空，但 kubeconfig 目录是必须存在的。

Q: kubernetes 1.22.16 版本 kubeflow-batch 部署报错，只部署 volcano 可以吗？

现在平台不依赖 kube-batch，替代方案使用 volcano。

Q: master 节点打哪些服务的 label？worker 上哪些 label 是 true？

机器通过 label 进行管理，所有调度机器由平台控制，不由用户直接控制。

• 开发训练服务机器：cpu 的 train/notebook/service 选 cpu=true；gpu 的选 gpu=true；vgpu 的 service 选 vgpu=true；训练任务选 train=true；notebook 选 notebook=true；服务化选 service=true；不同项目任务选对应 org=xx（默认 org=public）。
• gpu 型号用 gpu-type=xx 标识，如 gpu-type=V100、gpu-type=T4，配置 gpu 算力时可同步配置型号（如 2(T4) 表示 2 张 T4 卡）。
• 控制器机器：mysql=true（部署 mysql）、redis=true（部署 redis）、kubeflow-dashboard=true（部署 CubeStudio 服务）、kubeflow=true（部署 kubeflow）、istio=true（部署 istio）、monitoring=true（部署 prometheus）。

Q: 部署 k8s 集群，在某个 worker 节点执行了 start.sh 本地 ip 后，此节点与其他节点 ip 不通了

可能是 k8s 使用的网络 ip 域与主机本身网络 ip 域重复了，可在 rancher 中修改节点和服务 pod 的 ip 范围，参考 wiki rancher 章节。

Q: 服务发布之后 ExternalIP 为 master ip 导致集群故障

主要出现在平台入口使用 nodeport 模式时，端口相互冲突占用导致。

Q: 如何部署 CubeStudio 平台？是否有完整详细的部署文档？

wiki 文档有详细的部署文档：先部署 k8s 集群，再部署 CubeStudio 平台，再把多台机器加入集群。

Q: 能否提供一个一键部署的 docker-compose？

在 install/docker 中提供了本地一键启动的 docker-compose，但因为 CubeStudio 平台很多地方需要 k8s 作为基底，本地启动后部分功能仍需连接远程 k8s 才能正常运行。

Q: 开始部署前需要准备哪些镜像？

主要为 rancher 的镜像和 CubeStudio 的镜像，可参考部署文档中的 all_image.py 文件一次性生成镜像列表。

Q: 怎么卸载 CubeStudio？

install/kubernetes/rancher 中包含 reset_docker.sh 脚本，可以快速把 k8s 集群卸载掉。

Q: 默认下载 master 分支代码就可以吗？

用最新的 release 版本会更稳一些。

Q: 有升级文档吗？

每个版本发布可能涉及架构变更，统一可以把原平台的数据库导出，然后在新数据库的基础上部署新版本的平台。

Q: 部署 triton-server 的教程

wiki 中有 triton 服务部署的相关资料。

Q: 服务器的 IP 地址换了怎么改？

如果服务器上部署了 rancher server，需要按 wiki “部署 rancher”章节内容更换 master 服务器。

Q: 报错 cannot connect to MySQL server on 'host.docker.internal'

host.docker.internal 是 mac/windows 上 docker 容器中“本机 ip”的域名表示。可换成自己机器的内网 ip，但不要使用 127.0.0.1。

二、镜像与打包构建

Q: Dockerfile-base 打包出错 / 构建 dockerfile-base 时报错

基础环境镜像打包失败可能是网络问题，可以配置国内 apt 源（或相应的软件源），多构建几次；也可以直接基于 base 镜像再次构建自己的环境镜像。

Q: 构建 vision 和 visionPlus 失败

前端代码构建失败可能是网络问题，建议添加国内 node 源后再构建，可多试几次。

Q: when frontend run yarn & yarn build, an error happens! / vision 前端页面运行不起来

可联系社区管理员协助。

Q: 总有一个镜像拉取有问题 / 总有一个镜像拉取不到

可以先在主机上把该镜像拉取好。

Q: 似乎没有找到这个镜像，哪里需要这个镜像？

如果是 CubeStudio 的镜像，可联系管理员；如果是其他开源项目或自己的镜像，先尝试在机器上能否拉取，再排查平台拉不到的原因。可能是账号密码问题，也可能是镜像名错误。

Q: 更新到最新版后还是拉取镜像失败 / 拉取镜像失败的原因

可能原因：镜像名写错、镜像在仓库中不存在、镜像没有设为 public、未配置拉取账号密码，或国内网络问题无法拉取。

Q: 拉取 rancher 依赖镜像很多都失败，需要换源吗？

不需要。rancher 镜像是 docker hub 官方镜像，拉取失败主要是 docker hub 做了限频。可以先 docker login 登录，再多试几次。

Q: 镜像太大传不上 docker hub 怎么办？

可以自己部署内网 harbor，或尝试把镜像每一层减小一些。

Q: 希望作者更新 cuda11 的镜像

已经支持 cuda11 的 gpu 镜像。

Q: 如何在之前的 notebook 镜像上添加插件并重启后生效？ / 如何修改 notebook 的镜像？

在本地机器上用容器运行 notebook，浏览器打开后安装插件，再把容器 commit 成镜像并推送到仓库，这样线上就能用新的 notebook 镜像了。

三、网络、网关与证书

Q: 路由增加 https 反代后，login 跳转返回 http 协议

目前仅支持 http 协议，代码中做了限制。

Q: istio-ingressgateway 报错，无法通过健康检查

需看具体日志才能定位。可能原因：istiod 没有正常启动导致 ingressgateway 连不上 istiod；使用了第三方证书；或证书过期。可根据具体日志信息搜索解决。

Q: 部署以后 cert-manager pod 不正常，导致 istio 组件缺少挂载

现在 CubeStudio 使用第一个证书（自带证书），不需要 cert-manager。

Q: 80 端口被占用，如何修改为其他端口？

可以使用 nodePort 模式，把 istio-system 命名空间下的 istio-ingressgateway 服务的服务类型配置为 nodeport。

Q: 所有服务都没问题，可输入本机 ip 还是进入 rancher，进不去 CubeStudio 界面

rancher 界面是 https 协议，CubeStudio 界面是 http 协议，浏览器会记忆之前的网址。手动在浏览器中输入 http://ip 来打开 CubeStudio。

Q: kubectl patch svc istio-ingressgateway 设置 externalIP 后创建了和物理机冲突的 ip，集群崩了

可能是 rancher 创建的 k8s 集群网络和主机内网 ip 网络重叠了，可参考 wiki 部署 rancher 章节里的 rancher 集群配置。

Q: 安装 CubeStudio 后访问 web 端返回 301？

301 是重定向，一般是用户没有登录，所以重定向到登录地址。

Q: 用内外网双网卡安装，外网安装顺利但打不开 CubeStudio 界面，内网很多服务一直 pending？

先保证所有 pod 正常 running，再排查外网 ip 打开问题。部署时使用内网 ip，浏览器打开时使用外网 ip，并且云上安全组需要放开权限。

Q: 502 Bad Gateway，nginx 报错

CubeStudio 只在前端界面上使用 nginx（前端镜像基于 nginx:latest，版本随构建时间变化，见 myapp/frontend/Dockerfile:1，不是固定版本）。如果能打开前端界面 logo 但 nginx 报错，说明后端 pod 启动异常，排查后端 pod；如果报错的 nginx 不是前端镜像里的版本，可能是自己额外添加的 nginx 代理导致。

四、服务化与推理部署

Q: 服务化 -> 服务上线部署之后无法访问服务

内部服务和推理服务部署后访问不了，几个可能原因（按此顺序排查）：pod 没有正常启动、pod 端口配置错误、ip 端口被网络限制、域名和 ip 混用。

Q: CubeStudio 的服务化在内网中根据 ip 和端口访问不到？

内部服务和推理服务的端口是自动生成的。部署后无法访问，首先确认 pod 是否正常启动。端口规则见 端口使用情况。

Q: 内部服务添加云原生服务，把默认端口 80 改为 30021 后首页打不开

内部服务和推理服务的端口配置是业务代码的监听端口，不是客户端访问的 ip 和端口。客户端可访问的端口是自动生成的，会转发到容器的业务监听端口。改成 80 会和平台入口冲突，导致首页打不开。

Q: 开源版能部署 tfserving 吗？

开源版本可以部署 tfserving、torch-server、triton 等推理框架，或自定义推理镜像。

Q: 推理服务部署上线，接口入参在哪里配置？

推理服务有启动命令，可统一配置在启动命令中。

Q: 是否支持 CV 项目的线上推理可视化？

支持。

Q: 自定义模板报错 "OCI runtime create failed ... exec: images: executable file not found"

说明自定义模板中的镜像没有配置启动命令，所以容器运行时找不到可执行文件。

Q: 创建自定义模板后无法正常调用，修改原有模板后也无法使用？

模板修改要配合镜像一起改才能正常使用；自定义镜像的模板不能直接改。

五、平台功能使用（notebook / pipeline / 数据ETL / 大数据 / aihub）

Q: 在平台部署 notebook 直接提示 unknown，选 reset 会报错

notebook unknown 说明 notebook 没有运行；reset 报错需要提供进一步信息排查。

Q: notebook 模块进入报错

notebook 进不去可以通过 notebook 记录后面的 reset 按钮重启、配置 notebook。

Q: notebook 到期后进行 reset 会出现 404

404 多出现在多域名、或域名与 ip 混用的场景。建议只使用一个，在 config 文件中配置好域名。

Q: 部署完成后创建 notebook 后无法进入，提示 "no healthy upstream"

管理员可在状态按钮中进入 k8s dashboard，查看 pod 拉取是否正常、运行是否正常等。

Q: 启动 jupyter-ubuntu-deeplearning 无法调用 cuda？ / jupyter 调不了 GPU

只有 gpu 版本的 jupyter 可以调用 gpu，其他版本的 jupyter 均是 cpu 版本。

Q: 在 jupyter lab 中加入大数据功能

提供了大数据版本的 jupyter，配置好 hadoop 和 spark 集群信息后，就可以在 notebook 中查询大数据平台数据做 etl 和数据分析；大数据版本的 notebook 还集成了常用数据分析工具。

Q: 模型训练结果可视化（类似 tensorboard）打算怎么实现？

任务结果可视化目前是商业版功能。不过 tensorboard 在 jupyter 中做了集成：打开深度学习版本的 jupyter，在左侧文件目录先打开训练日志目录，再点 tensorboard 图标按钮，即可查看实时/离线训练结果。

Q: 如何进行算子的编排？

分任务级别和函数级别。任务级别要求前一个结束才运行下一个，主要在训练菜单的“任务流”模块拖拉拽算子实现。如果只做编排（定义上下游逻辑关系），可用“数据 ETL”中的任务流编排（通用能力，不一定用在数据 ETL 场景），不过要进行二次开发。

Q: 如何自定义算子？

部署平台后，参考首页的“自定义模板”视频，或参考 CubeStudio 视频号中的部分视频教程。

Q: 样例任务流运行完成后，中间过程（如 yolov3）的容器没有被清除？

pipeline 实例运行结束后会在三个小时后删除，并不是立刻删除。

Q: pipeline 容器启动时可以加参数指定端口映射吗？

pipeline 中的任务都是离线任务，不是服务，所以不能也不需要配置端口映射。

Q: 怎样启动 volcano 调度？

使用 volcano 任务模板，任务启动时会现场部署一个服务要求的分布式集群，这个集群由 volcano-controller 部署。

Q: 工作任务流里，任务之间的变量传递有什么方式？

开源版本不提供任务之间输入输出参数变量的传递，只有商业版本支持。

Q: 数据 ETL 模块不可用 / 任务 ETL 开源能用吗？

开源版本数据 ETL 只提供了算子模板化、拖拉拽编排的能力，使用者需要二开对接自己公司的调度系统才能正常运行。

Q: 有没有在线开发里数据 ETL 的例子？

目前还没有现成示例。

Q: 怎么对接已有的数据中台？

对接数据中台包含计算引擎（sqllab）、调度引擎（数据 ETL）、元数据（离线库表/指标/维表）、血缘关系（血缘链路）、存储（任务模板）等各部分。

Q: 使用 datax 时，job.json 文件是外部传入还是打包进镜像？

不需要打进镜像。在 notebook 里写就可以，pipeline 里写上地址即可。

Q: 怎么支持大数据组件（hive/spark 等）的定时调度任务？pipeline 可以直接调吗？

pipeline 中包含提交 hive、spark 任务，可参考 hadoop 模板，该模板用于提交大数据生态相关任务。

Q: 做增量训练怎么使用 huggingface 上下载的开源模型？

huggingface 模型在其介绍页一般会说明如何微调，可在 notebook 或 pipeline 中运行你的微调代码。

Q: aihub 运行中存在的前端 bug

aihub 前端 bug 仍在修复中，有 bug 也可在 github 提出。

Q: aihub deeplearning 的算法包，有可以直接跑的吗？

目前 aihub 的功能只能在商业版中正常使用。

Q: 操作中通过“更多”里的删除无法删除，但批量操作中的删除可以？

“更多”菜单中的删除是单条目删除，与批量操作中的删除应是一样的。如果删不掉，建议查看是否有其他类型条目的绑定。

Q: 有从数据导入到模型部署完整任务流的案例吗？

可参考 CubeStudio 视频号，里面有各种教程和示例。

Q: 页面有些功能不可点击

部分功能尚未补齐，或为商业版功能，所以不可点击。

六、GPU、硬件与架构兼容

Q: 有没有类似 TKE vCUDA、阿里 cGPU 的 cuda 劫持虚拟 GPU 计划？ / VGPU

目前支持 vgpu 能力，可参考 wiki “加入 gpu 机器”这篇文章。

Q: CubeStudio 的 VGPU 需要授权许可 license 吗？

不需要。

Q: 如何支持更多型号的 GPU？ / 怎么支持 gpu 机器加入集群被正常调度？ / 集群加入 gpu 后服务报错

参考 wiki “添加 GPU 节点 / 加入 gpu 机器”文章。流程：机器上安装 gpu 驱动 → 加入 k8s 集群 → 打对应标签（主要是 gpu=true 和 gpu-type=V100 等卡型）→ 在 k8s 中安装对应驱动插件 → 在业务镜像中安装驱动调用库（如 cuda），这样才能在平台里使用机器上的 gpu。

Q: CubeStudio 支持 A10 这款显卡吗？

支持。

Q: CubeStudio 是否支持 arm64 架构、国产芯片、华为麒麟服务器？

CubeStudio 类似 ai 中台，架构相对复杂，目前只有商业版本支持 arm64 架构。

Q: 平台支持 arm 吗？

开源版支持 amd64，商业版支持 arm64 和 amd64。

Q: 有边缘计算部署到车机/手机端的案例吗？

目前还没有边缘计算到车载/手机端的案例。平台支持 arm64 架构，可联系管理员一同测试。

Q: windows 下基于 wsl2 的 ubuntu，cpu 长期打满？

wsl2 只能开 gpu docker，用不了 nvidia k8s plugins。也可以扩内存或用 ssd。

七、配置与运维

Q: 关于将 CubeStudio 嵌入其他云平台的 cookie 作用域问题

可以在配置文件 config.py 中配置 COOKIE_DOMAIN 参数（myapp/config.py:1377），它是你想共享给其他平台的域名后缀。

Q: 如何配置内网运行时镜像拉取不使用 Always 而用 IfNotPresent？

平台通过配置文件中的 IMAGE_PULL_POLICY 参数控制调度任务容器时是否拉取（myapp/config.py:968，默认 Always，可改为 IfNotPresent）。可参考 wiki “自定义配置文件”。

Q: 能否隔离部署，让各服务镜像不会自动拉取更新？

内网部署需先把所需镜像拉到内网机器，最好配置内网镜像仓库。同时需修改 config.py 中的镜像拉取策略（IMAGE_PULL_POLICY 改为 IfNotPresent），并更新到 k8s 集群。

Q: 配置文件在哪里？如何修改并在生产上生效？

配置文件位于 install/docker/config.py（本地开发）和 install/kubernetes/cube/overlays/config/config.py（线上配置）。线上也可以直接修改 infra 命名空间下的 kubeflow-dashboard-config 这个 configmap。

已核实：install/kubernetes/cube/overlays/config/config.py 存在；configmap 名 kubeflow-dashboard-config（install/kubernetes/cube/overlays/kustomization.yml:6），在 infra 命名空间。

Q: 本地部署，项目配置的 expand 字段里公网 ip 和内网 ip 指哪个？

配置一个内网 ip 就行；有公网 ip 或域名的才配置公网 ip。

Q: 平台有资源审核模块吗？

目前平台限制普通用户最高可配置 50 核 CPU、100G 内存、8 卡 GPU（MAX_TASK_CPU=50 / MAX_TASK_MEM=100（单位 G）/ MAX_TASK_GPU=8，见 myapp/config.py:1126-1128），更高配置只有管理员可设置，但并没有单独的资源审核模块。

八、数据与存储

Q: CubeStudio 是否提供共享存储功能（包括前端页面展示）？

CubeStudio 依赖分布式存储，但并没有提供分布式存储的管理能力。

Q: juicefs 需要其他的文件存储吗？

juicefs 本身就是分布式存储文件，不需要更底层的分布式存储了。

Q: k8s 集群里删不掉 PVC？

PVC 删不掉一般是因为有 pod 挂载该 pvc，需要先找到对应 pod，删除 pod 后才能删除 pvc。

九、账号与认证

Q: 登录失败

如果能打开页面但登录失败，可点右上角退出按钮重新进入登录界面。系统默认自动注册新用户，自带账户密码 admin/admin。忘记密码可联系管理员修改或进入数据库修改。

Q: 安装完 pod 都正常，但登录 web 提示 Internal Server Error？

右上角退出后重新登录试试。

Q: 如何去掉登录验证？

无法去除登录验证。很多界面都要验证用户后才能获取数据，去掉验证这些界面将无法正常访问。

Q: 用户认证系统支持哪些？

现在 CubeStudio 支持 AUTH_OID / AUTH_LDAP / AUTH_REMOTE_USER 等登录注册方式。

Q: 有认证/多用户/用户空间这些功能吗？

有。

Q: 目前支持多租户吗？

支持多租户、多项目组、RBAC 权限划分。

Q: 体验账户和密码在哪里获取？ / 体验账号是什么？

体验账户密码为 admin/admin。

十、监控与资源排查

Q: 没有运行的作业，但 cpu 居高不下，如何释放资源？

不确定是什么任务占用资源时，可先在 k8s dashboard 进入主机界面，看主机上有什么 pod；或在 prometheus 上查看所有 pod 的 cpu/内存/gpu 资源。如果没发现 pod，再到机器上查看什么进程占用资源。

Q: Grafana 模块监控异常

• 打不开 grafana 页面：先排查 monitoring 命名空间下 grafana pod 是否正常，浏览器是否为 http 协议。
• 能打开但页面显示不正常：强制刷新浏览器、清空缓存。
• 页面正常但指标查询异常：看 prometheus pod 是否正常，进入 prometheus 页面手动查询指标，确认指标是否被正常采集，以及 rule、service discovery、target 等是否正常。

Q: 一主三从，前端页面当前负载只显示一台机器？

负载界面显示的机器与机器标签有关，需要按项目分组和功能分类配置好机器的 label 标签。

十一、架构与技术栈

Q: CubeStudio 是基于 kubeflow 开发的吗？

CubeStudio 和 kubeflow 生态目前没有太多关系，最开始基于 kubeflow 开发，现在只使用了 kubeflow 的 train-operator。

Q: CubeStudio 项目有用到 go 吗？

CubeStudio 自己的代码前端是 react、后端是 python，没有 go 代码；但依赖的相关组件（k8s 基础组件）是用 go 写的开源组件。

Q: argo 中的数据存到 etcd 吗？etcd 存储有限制吗？

argo 是云原生调度系统，定义 workflow 等 crd，crd 实例存储在 etcd 中。etcd 的存储限制属于 k8s 基础架构范畴，不在 CubeStudio 的技术范围内。

Q: pipeline 用的原生 kfp 吗？

pipeline 目前与 kfp 没有关系。

Q: pipeline 调度底层用的是什么？

训练 pipeline 的底层调度是 argo；数据 etl 的 pipeline 没有定义底层调度，需要用户二开对接自己公司的调度系统。

Q: CubeStudio 和 KubeSphere 是什么关系？多租户/资源管理是自己做的还是依赖 KubeSphere？

CubeStudio 的账号密码是自己的一套；kubesphere/rancher 是容器编排产品，有自己独立的账号密码，与 CubeStudio 的账号体系无关。

十二、商业版、社区与通用咨询

Q: 二次开发

二次开发需要进一步学习源码，或购买商业版二开咨询服务。

Q: 定制化二次开发是腾讯的人吗？能驻场开发吗？

定制化二次开发不是腾讯的人，是由社区开发者组成，详细情况可联系社区管理员栾鹏。

Q: 商业版和开源版的主要区别是什么？ / 商业版定价多少？ / 报价是按项目收费吗？

可联系社区管理员。项目报价收费比较灵活。

Q: demo 演示环境的问题，有公共体验环境吗？

社区用 docker-compose 部署了开源版 demo 体验环境 www.data-master.net，但因为没有 k8s 集群，公共体验环境中与 k8s 相关的功能无法正常体验。想体验完整开源版或商业版功能可联系管理员。

Q: CubeStudio 社区见面会

目前还没有定时的社区见面会，可随时关注群里消息。

Q: 全部功能支持私有化部署吗？

目前所有功能均支持私有化部署。

Q: 哪个版本支持数据血缘？

目前只有商业版支持血缘链路。

Q: 是否考虑把 HPC 场景加进来？

目前只有商业版支持 HPC 的任务模板。

Q: 对 AIGC 大模型训练与推理（SFT/Megatron/Deepspeed/prompt 等）有支持计划吗？

目前商业版支持大模型的一键微调、多机多卡训练和服务部署。

Q: Wiki 上的公司使用的是开源版还是商业版？

github 中的公司示例是部署开源版本的公司示例。

Q: github 和 gitee 上的文档版本有什么差异？

看 github，维护更好。

Q: CubeStudio 用的什么开源协议？

MIT。

Q: 哪里有详细教程或 wiki 文档地址？

github 上有 wiki 文档：https://github.com/data-infra/cube-studio/wiki 。