40+MB,纳管千台 GPU 服务器:GPUWorks 正式开源

免Python免GPU,40MB ONNX模型在浏览器里自动抠图 自动抠图是图像处理中的高频需求,传统做法依赖Photoshop或在线服务,往往面临环境配置复杂、隐私风险高等问题。借助ONNX格式的轻量级分割模型,结合浏览器端WebGPU与WebAssembly的推理能力,可以在不安装Python、不搭建后端服务器的情况下,直接在前端完成像素级前景分离。这种方案将模型推理封装进静态网页,既保护用户图片隐私,又免去API调用成本,尤其适合电商商品图、人像证件照、设计素材整理等场景。一个40MB左右的量化模型即可提供可用的分割效果,再配合边缘优化和批量处理,能让浏览器成为零门 阅读详情

只有45 MB,却能统一管理1000+节点|GPUWorks

😵‍💫你是否也遇到过这些问题?

卡就那么几张

每个模型独占卡,低频模型闲着也不让

芯片多,适配累

换卡、上新模型,都要重新调一遍环境

资源散,管不齐

机房、云上、NAT 后的几期,各管各的

出了问题查不清

请求变慢、卡出故障,找不到原因在哪

 GPUWorks 正是为解决这些问题而生。

它只有 40+MB,一条命令即可安装,不依赖 Kubernetes;内置的 AI 助手可以直接参与故障诊断,每一次调度都给出依据。我们把"模型 × 芯片"的组合逐一列明,近 400 个模型、1000+ 套启动配置开箱即用;用休眠唤醒让多个大模型分时共用同一批 GPU。

体积小,不代表功能简单,更不代表能力弱。在真机测试中,一个 GPUWorks Server 纳管了 1,003 台 GPU 服务器,4 分钟跑起 500 余个推理服务副本;每秒输出 6.9 万 token,Server 只占用 9 核 CPU、1.6 GB 内存;唤醒一个休眠的 DeepSeek-V4.1-Flash 最快仅需 3.6 秒。从 GPU 硬件健康到每一个请求的延迟,都有完整的监控与分析;从主机 RDMA 网络到昇腾灵衢 HCCS,都能自动发现与纳管;从放置决策到模型切换,每一步调度都有据可查。

图片

这就是 GPUWorks。今天,我们以 Apache-2.0 协议将它正式开源。

⚡GPUWorks 能做什么?

GPUWorks 是一款轻量级 GPU 统一管理与 MaaS 平台,安装包 40+ MB。 通过简单命令,即可将自有 GPU 服务器、公有云主机、私有云虚拟机、容器及 Mac 等异构资源接入平台,构建统一的 GPU 算力池。

图片

在此基础上,用户可以选择所需模型,由 GPUWorks 自动评估显存需求、匹配 GPU 资源,并调用 vLLM、SGLang 或 Strata、ninfer 等推理引擎与模板完成部署,最终通过统一的 OpenAI 兼容接口提供 AI 服务。

平台支持 NVIDIA、华为昇腾、平头哥 PPU、海光 DCU 和 Apple Silicon 等多种异构加速器。未来还将进一步支持 Kubernetes 集群和 Slurm 分区,并将算力池的应用范围从 AI 推理扩展至模型微调与训练。

⚙️ GPUWorks 如何工作?

GPUWorks 采用 Server + Agent 的分布式架构,以一个 Server 作为统一管理入口,通过 Agent 将分布在本地、云端及 Mac 上的计算节点连接起来。

图片

通过这一架构,GPUWorks 将分散的异构计算资源连接为统一算力池,并将资源管理、模型部署和 AI 服务访问整合在同一个平台中。

✨GPUWorks 有哪些亮点?

图片

1. 超轻量部署

GPUWorks 采用轻量化 Server + Agent 架构,以静态二进制交付,无需依赖 Kubernetes。通过简单命令即可部署控制面,并逐步接入物理机、虚拟机、容器及云端 GPU 资源。轻量的部署方式降低了 AI 推理平台的基础设施门槛,也让资源管理不再依赖复杂的集群环境。

2. 大规模异构算力管理

GPUWorks 面向多节点、跨环境的异构算力场景设计,支持 NVIDIA、AMD、华为昇腾、平头哥 PPU、海光 DCU、Apple Silicon 等多种加速器。通过统一接入与管理,将不同来源、不同架构的计算资源纳入同一平台。经 1,000 个真实节点、3,000 个实例的测试,验证了平台在大规模资源环境下的管理与扩展能力。

3. 智能调度与高效利用

GPUWorks 不仅关注模型能否部署,更关注有限算力如何承载更多模型与请求。平台支持在线推理与离线任务混合调度,并通过 GPU 分时复用,让一套 GPU 资源承载多组模型,实现模型间的资源复用与快速切换,提升硬件利用率与服务部署灵活性。

💡GPUWorks 的设计理念

GPUWorks 继承了 ZStack[2] 产品一贯的 4S 设计理念:SIMPLE(简单)、SCALABLE(弹性)、STRONG(健壮)和 SMART(智能)。这四项原则贯穿平台的架构设计与功能实现,也体现了 GPUWorks 对 AI 推理基础设施的理解。

图片

SIMPLE 简单 —— 降低部署门槛,减少重复适配

开始使用一套推理平台,不必先搭建复杂的基础设施。GPUWorks 的 Server 与 Agent 以静态二进制交付,无需先搭建 Kubernetes,一条命令即可安装控制面,内置中英文 Web 界面。模型与镜像支持离线导入,便于在企业内网部署;算力查看、模型部署与在线试调用集中在同一平台,减少工具切换。

新模型上线,也不必每次从头准备环境。内置覆盖 300 多个模型的 1,200 多个推理模板,将镜像、引擎、权重版本与启动参数沉淀为可复用的部署方案。团队按模型与硬件条件选择模板,把重复适配的时间留给模型效果和业务验证。

图片

模板保留可复用的适配配置,减少引入新模型时的重复准备

SCALABLE 弹性 —— 让模型共享算力,让算力随业务扩展

GPUWorks 同时支持 显存共享与分时使用算力。通过 dGPU 为多个模型分配显存;对于支持休眠的单机部署,还可以设置常驻、闲置出让、分时轮转等策略,让不同模型按业务优先级共享同一批 GPU。由共享策略休眠的模型,可在请求到来后自动唤醒,再继续处理请求。结合定时休眠、唤醒与副本调整,团队可以安排白天在线服务、夜间批量任务,让算力分配跟随业务节奏变化。

图片

模型变大、请求增多时,跨节点多副本分担请求,多机并行让多个节点共同运行更大的模型,PD 分离按负载分别配置预填充与解码资源。团队可以组合不同的扩展方式,并通过内置压测比较吞吐与延迟,为扩容提供依据。

图片

在部署界面选择单机、多机或 PD 分离,为 Prefill 与 Decode 分别配置节点并行参数

扩展也包括算力来源。支持 NVIDIA、AMD、华为昇腾、平头哥 PPU、海光 DCU、Apple Silicon 等 AI 芯片,将自有服务器、公有云和私有云资源接入同一平台。规模验证覆盖 1,000 个节点、3,000 个实例,检验多节点环境下的调度与管理能力。

图片

同一模型以多个副本提供服务,集中查看副本就绪状态并配置请求路由

STRONG 健壮 —— 从硬件健康到服务恢复,保障推理持续运行

GPUWorks 将 硬件健康纳入资源调度,结合显存错误、设备故障与链路异常等信息,停止向故障卡分配新任务,并依据检查结果确认恢复状态。部署前检查运行条件,运行期间持续协调实例状态;节点失联时按策略重新调度,节点维护时先创建替代副本、再排空原副本,持续处理硬件异常、节点变化与服务故障。

多机部署前,先确认参与节点的资源满足要求,再启动模型。通过 RDMA 带宽测试、节点互测与 PD 传输自检验 证通信链路;指定的 RDMA 通信不可用时明确报错,不静默回退 TCP。运行中按节点查看网卡收发与 RDMA 流量,跟踪高速互联状态。

图片

按节点查看网络中的网卡收发与 RDMA 流量趋势,跟踪高速互联运行状态

应用通过 OpenAI 兼容入口调用模型服务,结合 API Key 鉴权、请求故障切换与用量统计支撑业务接入。服务健康、吞吐、延迟与实例状态集中展示,日志检索和逐请求追踪进一步关联调用与运行信息,让团队从一次慢请求追到具体实例,定位性能瓶颈与故障原因。

图片

服务状态与请求指标集中呈现,为异常排查和持续运行提供依据

SMART 智能 —— 让资源分配有依据,让调度过程可追溯

模型放在哪个节点、请求分给哪个副本,都有具体的判断依据。部署前,平台根据模型、引擎与硬件条件评估显存,解释候选节点的选择与排除原因;运行时,网关按请求负载选择副本,也可按前缀保持亲和。多机部署按存储、参数与服务流量配置网络,自动选择可用的 RDMA 端口并生成通信参数,减少手工配置。

图片

部署前查看候选节点与放置策略,结合显存构成、最低启动需求和调度器选择结果确认资源安排

运行中,通过 集群 GPU 热力图和模型驻留时间线,查看每张卡由谁使用、模型何时休眠或唤醒,以及资源为什么发生切换。结合服务时长、切换次数与请求等待统计,团队可以判断共享策略是否合适,找到频繁切换或等待集中的位置,让自动调度的过程可见、可追溯。

图片

按 GPU 查看模型驻留与状态切换,结合出让策略和调度活动追溯算力共享过程

排障从平台已有信息出发。配置好大模型端点后,AI 助手围绕实例故障、模型适配、调度与节点健康进行只读诊断;只读 MCP 接口 让开发人员在熟悉的客户端中查询模型服务和集群状态。管理员与开发人员使用同一份运行信息,减少在页面、终端与日志之间来回查找。

图片

AI 助手结合日志、镜像缓存与副本状态分析实例故障,并给出对应的排查与处理建议

🎬 GPUWorks 使用演示

从控制面手动安装,到通过 Web 界面接入计算节点、部署模型,再到对外提供 AI 服务,本视频将演示 GPUWorks 如何将计算资源转化为可调用的 AI 模型服务。

60 秒安装一个 MaaS 平台,10 分钟拉起第一个模型

🚀 快速部署

GPUWorks 提供了 AI 安装、一键安装和手动安装 三种方式实现快速部署。

📋 前置条件

  • 安装主机为 Linux 或 Mac

  • 首次安装时,安装目录至少有 2 GiB 空闲

  • 监听端口未被其他进程占用

  • 安装或升级时需取得发布包

  • Linux 使用 systemd、Mac 使用 launchd 时需要 root 或 sudo 更多详细条件请参考文档站:前置条件

🤖 让 AI 编程助手帮你装

把下面这段贴给能在你的服务器上执行命令的 Claude Code、Codex、Cursor 等助手:

在这台主机上安装 GPUWorks 控制面并验证。
1. 执行 `bash <(curl -fsSL https://dl.gpuworks.ai/get.sh) --quiet`:它会下载最新构建、校验后安装为监听 8800 端口的服务
   (需要时用 sudo)。如果我没有 sudo 或没有 systemd,在命令后追加 `--dir ~/gpuworks-server --no-systemd`。
2. 用 `curl -fsS http://<监听地址>/healthz` 验证(应包含 "status":"ok"),并把安装摘要告诉我:访问地址、
   安装目录、数据目录,以及 admin 初始密码存放在哪。
3. 非必需不要开防火墙端口、不要改动其他服务、不要接入 GPU 节点。告诉我 GPU 节点应该用哪个地址访问 server,
   节点我会在 Web 界面里自己加。

⚡一键安装

在目标主机(Linux 或 Apple 芯片 Mac)的终端执行:

bash <(curl -fsSL https://dl.gpuworks.ai/get.sh)

脚本挑选响应最快的发布源(中国大陆通常是阿里云 OSS 或华为云 OBS),下载本机平台的发布包并按 SHA256SUMS 校验, 再运行 ./gpuworks install,之后的交互提问与下文第 3、4 步相同。还没有 release 版本时自动改装 nightly。 脚本后面的参数原样传给 gpuworks install,例如 bash <(curl -fsSL https://dl.gpuworks.ai/get.sh) --quiet; 用环境变量 GPUWORKS_CHANNEL=nightly 指定渠道,GPUWORKS_SOURCE=<源地址> 指定发布源。脚本源码见仓库 scripts/get.sh。

🛠️ 手动安装

适合需要自己核对每一步,或主机只能离线拷入发布包的场景,按操作步骤在 Linux 目标主机的终端执行。更多详细条件请参考文档站。

🔭 直播预约

如果你对 GPU 算力、AI 基础设施、异构算力调度、模型部署及 MaaS 平台等领域感兴趣,这场直播千万不要错过!

11 月 6 日(周五)14:00,云轴科技 ZStack CTO 王为 将带来一场硬核实战直播:从零开始部署 1000 台 GPU 服务器,1 小时完成上线开服,全程展示真实操作过程。 欢迎到ZStack云计算视频号预约!

本周五下午 2 点,我们直播间见!

🤝 欢迎加入 GPUWorks 社区

GPUWorks 的开源之路才刚刚开始。无论你是 AI 开发者、基础设施工程师,还是硬件厂商,都欢迎参与进来,尝试不同的模型与算力组合,分享使用经验,反馈问题,与我们一起完善 GPUWorks。

体验 GPUWorks,参与开源共建!

参考资料

[1] GitHub: https://github.com/flitai-io/gpuworks/

[2] 上海云轴 ZStack: https"//zstack.io

用ADS搞定CGH40010F的宽带连续F类功放:从阻抗计算到版图仿真的保姆级流程 本文详细介绍了使用ADS设计CGH40010F宽带连续F类功放的全流程,从阻抗计算到版图仿真。通过分析器件特性和理论基础,提供谐波阻抗匹配和版图协同验证的实用技巧,帮助射频工程师高效完成高效率功放设计。重点关注宽带连续F类功放的设计难点和调试方法,提升设计成功率。 阅读详情

相关推荐

从RadixTree到哈希表:深入对比SGLang和vLLM的Prefix Cache实现差异

本文深入对比了SGLang与vLLM在大语言模型推理服务中实现Prefix Cache(前缀缓存)的两种核心方案。SGLang采用基于Radix Tree的RadixAttention,支持任意长度前缀的精确匹配与灵活复用;vLLM则采用基于哈希表的方案,深度集成于PagedAttention,实现简洁但要求块级精确对齐。文章剖析了二者在设计哲学、内存管理、适用场景及集群级优化(如Prefix Cache Aware Routing)上的关键差异,为高性能LLM服务的技术选型提供决策依据。

blockchain9miner的博客 958

YOLO12开源模型教程:40MB模型在23GB显存GPU上的内存优化部署

本文介绍了如何在星图GPU平台上自动化部署YOLO12镜像,实现高效的目标检测应用。该平台简化了部署流程,用户可快速搭建基于YOLO12模型的实时检测服务,适用于安防监控、自动驾驶等场景中的物体识别与分析。

VioletGrove43的博客 943

PointMLP实战:5分钟用PyTorch搭建点云分类模型(附GitHub代码)

本文提供了基于ICLR 2022论文PointMLP的点云分类模型实战教程。通过PyTorch框架,详细介绍了从环境搭建、数据预处理、模型架构解析到训练推理的全流程,并分享了性能调优技巧。该模型利用残差MLP模块构建,结构清晰高效,适合开发者快速上手并应用于实际点云处理项目。

r2s3t4的博客 216

GPU算力池化实操:用GPUWorks让多个大模型分时共享算力

对于支持休眠的单机部署,还可以设置常驻、闲置出让、分时轮转等策略,让不同模型按业务优先级共享同一批 GPU。在此基础上,用户可以选择所需模型,由 GPUWorks 自动评估显存需求、匹配 GPU 资源,并调用 vLLM、SGLang 或 Strata、ninfer 等推理引擎与模板完成部署,最终通过统一的 OpenAI 兼容接口提供 AI 服务。无论你是 AI 开发者、基础设施工程师,还是硬件厂商,都欢迎参与进来,尝试不同的模型与算力组合,分享使用经验,反馈问题,与我们一起完善 GPUWorks。

xinyuan82的博客 2

用Linkboy玩转Arduino:3小时搞定智能倒车雷达(附仿真文件下载)

本文详细介绍了如何利用Linkboy图形化编程工具,在3小时内快速搭建一个基于Arduino的智能倒车雷达项目。通过仿真环境,初学者无需硬件即可学习超声波测距原理、报警逻辑设计,并完成从虚拟仿真到实体硬件的完整流程。文章提供了清晰的步骤、调试技巧及功能扩展思路,并附有仿真文件,是入门Arduino和智能硬件制作的绝佳实践指南。

weixin_29159441的博客 405

射频电路设计——射频器件基础

本文仅供自己复习使用,请勿转载! 射频电路制作方法 MCM工艺 CMOS工艺 趋肤效应、深度 频率越高趋肤效应越明显 高频器件 高频电阻 绕线的比贴片的多一个电感,是因为绕线的因为是线绕制的,只有有线就会有电感,所以绕线电阻等效模型会比贴片的多一个电感 多晶硅电阻模型 深线性区MOS电阻 高频电阻的频率响应 记忆的话就后面的频率特性有点像电容的 高频电容 作用 单层贴片式电容 多层贴片式电容 MIM电容 MOM电容 由于是并联的,所以总的电容值是单个的直接相加 PN结电容 M.

输出每日所学,供大家学习使用 7153

GPU算力池化如何减少闲置?GPUWorks让多个大模型分时复用同一批GPU

在和用户的交流中,我们反复听到这样几个问题:手里只有几台 GPU 服务器,为此搭一套复杂的基础设施,得不偿失。AI 与 GPU 的运维复杂,平台不够简单、不够智能,管理员就用不起来。很多平台都说支持异构,却不说清楚哪张卡能跑哪个模型,异构就始终落不了地。卡不多,切分只能解决小模型的部署,大模型的利用率又该如何提升?GPUWorks 正是为回答这些问题而生。它只有 40+ MB,一条命令即可安装,不依赖 Kubernetes;内置的 AI 助手可以直接参与故障诊断,每一次调度都给出依据。

xinyuan82的博客 2

01 AUTOSAR CP标准文档阅读指南

01 AUTOSAR CP标准文档阅读指南

汽车软件工程师 | 好奇博主 | 处女座 1137

理解 Linux 动态库加载:LD_LIBRARY_PATH

flyfish

二分掌柜的 406

几率大的Redis面试题(含答案)

本文的面试题如下: Redis 持久化机制 缓存雪崩、缓存穿透、缓存预热、缓存更新、缓存降级等问题 热点数据和冷数据是什么 Memcache与Redis的区别都有哪些? 单线程的redis为什么这么快 redis的数据类型,以及每种数据类型的使用场景,Redis 内部结构 redis的过期策略以及内存淘汰机制【~】 Redis 为什么是单线程的,优点 如何解决redis的并发竞争key问题 Red...

睶 38万+

基于SC、SCL、BP、SCAN和SSC的译码算法及Matlab代码

本文将介绍几种常见的译码算法,包括SC(Successive Cancellation)、SCL(Successive Cancellation List)、BP(Belief Propagation)、SCAN(Soft-Input Soft-Output Successive Cancellation)、SSC(Stacked Successive Cancellation)的原理,并提供相应的Matlab代码实现。以上是基于SC、SCL、BP、SCAN和SSC的译码算法的Matlab代码示例。

ByteWhisper的博客 948

0.4 文件与文件夹:数据是怎么存放的,一篇讲清目录树

电脑里几万个文件怎么归类?本文讲清文件是有名字的数据单位、文件夹(目录)是可层层嵌套的收纳容器,二者共同构成目录树,最顶层是根目录;建立字节/KB/MB/GB 的大小直觉,介绍 Linux 一切皆文件的设计;用一张表讲清复制、移动、重命名、删除的区别,以及 Delete 进回收站、Shift+Delete 永久删除的差异;最后从安全视角讲文件上传(伪装脚本上传即 WebShell)与路径穿越(ZipSlip 把文件写到敏感位置),提醒凡是文件读写都要警惕路径被操纵。

一个安全白帽子的成长记录:Web 安全、漏洞复现、内网渗透。完整目录在 gysec.top 261

EPO: Hierarchical LLM Agents with Environment PreferenceOptimization

长期决策和规划任务依然是基于大型语言模型(LLM)的智能体面临的一大挑战(Valmeekam 等,2023;Liu 等,2023;Silver 等,2024)。这些任务需要智能体进行多步骤的规划,同时保持行为的一致性和目标导向,这对于通常被设计用于即时和局部预测的大型语言模型来说颇为困难。此外,针对具身智能体的大型语言模型微调面临的一个关键难题是大规模标注数据的需求(Reed 等,2022)。

qq_52053775的博客 143

LangGraph 本地 build 频频翻车,最终在服务器跑通流式对话

先说结论:我本地那个,一次都没成功过。三次,三次,全挂在拉镜像上。而顺得像刚上过油。这就很像我高中那辆自行车:骑着能走,一上锁就坏。那天晚上我盯着终端里那行红字看了很久,想的不是技术方案,想的是——为什么同一个工具,可以一边让我觉得自己很行,一边让我觉得自己不太行。

人工智能AI技术 321

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

目的NAT和NAT SERVER

我这里明明没有配置内网访问外网呀,我只配置了外网访问内网,但是我现在测试的话,其实内网访问外网也是通的?这里就不多说了,大家可以实验测试一下,留个悬念,下一章,我来为大家解惑。额啊啊啊~有好多想说的但是说不出来的痛感,这里的实验注意的细节太多了,也就是不能够发视频,不然我就直接开视频讲了。看到其中Internet访问内网中的某台设备的时候用到了地址池PC1,这里的话也是要提前去创建地址池PC1。大家可以先思考一下,防火墙上的,NAT处理流程,它到底是先匹配那个?大家可以看到,安全NAT是在安全策略之前的。

zhwzl的博客 459

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

网站服务器怎么设置密码?策略拦路、哈希落盘和改了不生效,这三处坑我本机实跑了一遍

环境声明:以下命令与输出均来自本机 Windows 10(22H2,10.0.19045)+ Python 3.13.12。云上三家策略为官方文档口径,我未接控制台,仅核对文档。Linux 发行版的命令为通用文档依据,未在本机实跑,已注明。很多人以为「网站服务器怎么设置密码」就是敲一遍新口令、回车完事。我本机实跑下来,卡住人的往往不是设的过程,而是设完之后三件想不到的事:本地策略先把你拦在门外、你存进数据库的口令被拖库直接撬开、还有你改了登录口令后台却还能用老密码进。

vibecode的博客 289

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

VSCode_RemoteSSH_一直卡在下载服务器_解决教程

解决VSCode远程一直卡在下载服务器

m0_69395553的博客 154

自建 Git 服务器和裸仓库差在哪:要能提合并请求

在一台 Linux 上 git init --bare 就能自建 Git 服务器,但它只能推拉代码,没有网页、合并请求、评审和按仓库分配的权限。对照裸仓库和 AngusGit 各自能做什么,再走一遍在 AngusGit 上发起合并请求的最短路径,以及已有裸仓库怎么完整搬过来。

AngusTester 336

服务器无法解析域名?一次 DNS 配置缺失的排查与修复

服务器公网连通但无法解析域名,经排查发现 /etc/resolv.conf 中缺少 nameserver 配置。通过 nslookup 指定公共 DNS(223.5.5.5)可正常解析,确认网络与外网 DNS 通道无问题。最终使用 nmcli 命令为网卡配置固定 DNS 并禁用 DHCP 覆盖,修复后域名解析恢复正常。关键排查链:ping IP → nslookup 指定 DNS → 检查 resolv.conf → 持久化配置。

修己xj的博客 89

架设一台NFS服务器

3、将/home/tom目录仅共享给192.168.100.136这台主机,并只有用户tom可以完全访问该目录。注意:tom是一个用户目录,并且在客户端创建tom用户一定与服务端的tom用户的uid/gid保持一致。2、开放/nfs/upload目录,为192.168.100.0/24网段主机可以上传目录,并将所有用户及所属的组映射为nfs-upload,其UID和GID均为210。1、开放/nfs/shared目录,供所有用户查询资料。架设一台NFS服务器,并按照以下要求配置。

2401_87595340的博客 242

华为运维面试题

华为面试注重真实经历与价值观契合,主管面采用STAR+价值观锚点+反思闭环框架,强调“我”的决策与量化结果。运维手撕题重思路表达与边界处理,需清晰复述、分步讲解、主动验证。云场景设计题须先澄清需求,再分层设计,兼顾可靠性与成本,突出取舍意识。通用心法:聚焦“我”、结构先行、主动说明边界与改进,以数字和反思收尾,展现复盘能力与华为文化匹配度。

dp340823的博客 217

Linux epoll 一篇讲透:从 select/poll 到红黑树、LT/ET,再到完整 TCP 服务器

一万个客户端已经连上服务器,眼下只有十个客户端发来了数据。服务器怎样把时间花在这十个连接上?理解这个问题,就抓住了 epoll 的主线。接下来,我们沿着“为什么需要它 → 接口怎么用 → 内核如何实现 → LT/ET 怎么写 → 完整服务器怎么运行”的顺序,把知识连起来。**阅读基础:**了解socketbindlistenaccept的基本用途即可。本文示例面向 Linux,服务器使用 C++17,实验脚本使用 Python 3。

2601_94861874的博客 466

推理服务器的调度器:连续批处理与请求生命周期

推理服务器的性能上限不取决于模型,取决于调度器——同样的模型,换一个调度策略,吞吐可以差三倍。传统深度学习服务的静态批处理在 LLM 场景下完全失灵:请求的输出长度不可预知,短请求被长请求拖着浪费算力。这篇文章实现 LLM 时代的标准答案——连续批处理(continuous batching),并管理一个请求从到达到完成的完整生命周期。

2601_96733043的博客 206

宝塔装在服务器上,极目装在本机,差别到底在哪

宝塔 极目 装服务器 装本机 区别,不是比谁好用,是比"软件落在谁的账上"。宝塔的端口、资源、维护都记在服务器;极目这些都落在你电脑,服务器保持和纯 SSH 管理一样的干净。想保护服务器资源和安全面,选装本机的方案;想浏览器点就完事,装服务器的面板也行。

AI_Lab01的博客 349

Nginx代理服务器从入门到实战:静态部署、反向代理与负载均衡全解析

本文系统讲解Nginx代理服务器:涵盖核心概念、安装启动、配置结构,静态部署与虚拟主机,正向/反向代理原理与实战,以及五种负载均衡策略,适合后端开发与运维入门学习。

Daisy0304的博客 252

把电脑变成一台“假“GNSS 设备 —— 一个蓝牙 SPP 服务器从零到联调

本文介绍如何用Qt6实现一个蓝牙SPP服务器(H11BtServer),将电脑模拟为一台可被发现的GNSS设备。该服务器支持经典蓝牙SPP协议,注册SDP服务并监听连接,响应AT命令(如AT+DEVINFO),每秒主动推送带正确校验和的NMEA帧($GNPOS/$GGA等),数据基于时间驱动正弦与随机扰动,实现位置、精度等参数动态变化。通过解析行式协议、计算校验和、严格对齐字段顺序,可在无真实硬件情况下联调RTK客户端(如rtklib SDK或手机App),完整验证数据链路。代码结构清晰,参数集中配置,易于

Hi20240217的博客 241
上一篇: ZSvirt FAQ:来自全球用户的 20 个问题(下)
下一篇: GPUWorks 部署升级一页通:安装、升级、常见问题汇总
ZStack开发者社区
博客等级 码龄2年 682粉丝 257原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值