Ray 单机部署&多机部署&docker部署

已于 2023-06-20 23:24:55 修改
阅读量4.3k 收藏 9
点赞数 3
文章标签： docker python
于 2023-06-20 22:48:20 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_62162986/article/details/131316894
版权

测试任务选定

本次选择的测试任务为转移概率矩阵的近似极限分布。

性能指标列表

  • 吞吐量（Throughput）：指系统在单位时间内能够处理的请求或者任务数量，通常用每秒处理请求数（Requests per Second，RPS）或者每秒完成任务数（Tasks per Second，TPS）来衡量。

  • 延迟（Latency）：指系统处理请求或者任务所需的时间，通常用平均响应时间（Average Response Time）或者百分位响应时间（Percentile Response Time）来衡量。

  • 资源利用率（Resource Utilization）：指系统在运行过程中所使用的资源占总资源的比例，例如 CPU 使用率、内存使用率等。

  • 可靠性（Reliability）：指系统在长时间运行中的稳定性和可靠性，通常用错误率（Error Rate）或者故障率（Failure Rate）来衡量。

  • 扩展性（Scalability）：指系统在处理更多请求或者任务时的能力，通常用负载测试（Load Testing）或者压力测试（Stress Testing）来衡量。

我们选用任务延迟和吞吐量作为主要的关注点。

单机版部署及性能测试

1、Ray的安装
1、安装python:
sudo apt-get install python
2、安装pip：
curl https://bootstrap.pypa.io/get-pip.py -o get-pip.py
sudo python3 get-pip.py
3、更新：
sudo apt update
4、安装ray：
pip install -U ray
pip install 'ray[default]'
2、测试过程
1、创建head结点

使用命令：

ray start --head

创建节点

2、运行测试程序

例如测试程序命名为test.py且位于当前工作目录下，则运行如下命令来启动运行程序：

python test.py
3、查看结果

运行创建节点命令之后，会出现如下内容:

To monitor and debug Ray, view the dashboard at 
    127.0.0.1:8265

在浏览器中输入该ip地址，即可打开Dashboard查看运行结果

4、退出

输入命令：

ray stop

退出程序

3、用python编写的ray部署测试代码(markov_new.py)
import ray
import time
import sys
import numpy as np
​
ray.init()
​
matrix_size: int = 10    # 10 * 10 matrix
matrix_mul_times: int = 10000000
if len(sys.argv) < 1:
    pc_num: int = 10    # default value = 10
else:
    pc_num: int = int(sys.argv[1])
node_task_num: int = matrix_mul_times // pc_num
​
​
def matrix_mul(matrix1, matrix2):
    return np.matmul(matrix1, matrix2)
​
​
@ray.remote
class Worker(object):
    def __init__(self):
        self.size = matrix_size
        self.matrix0 = self.matrix_init2()
        self.res = self.matrix0.copy()
        self.all_times = matrix_mul_times
​
    def matrix_init2(self):
        # 每行均为正数浮点随机数，单行和为1（归一化）
        matrix = np.random.random((matrix_size, matrix_size))
        for row in range(self.size):
            total = sum(matrix[row])
            for item in matrix[row]:
                item /= total
        # print("Now we have a matrix\n", matrix)
        return matrix
​
    # 转移矩阵的极限分布
    # 计算若干个矩阵的相乘
    def calculate(self, times):
        # print("I start doing my work.")
        cur_time = time.time()
        task_res = self.matrix0.copy()
        for k in range(times-1):
            task_res = matrix_mul(self.res, self.matrix0)
        # print("I have finished my work, duration: ", time.time() - cur_time)
        return task_res
​
​
if __name__ == '__main__':
    cur_time=time.time()
    worker = Worker.remote()
    temps=[]
    for i in range(pc_num):
        temp = worker.calculate.remote(node_task_num)
        temps.append(temp)
​
    result_list = ray.get(temps)
​
    result = result_list[0]
    for m in result_list:
        result = matrix_mul(result, m)
    # print("final matrix: \n", result)
    print("total duration: ", time.time() - cur_time)
4、初步测试（使用不含ray的同规格任务测试）

文件：no_ray.py

单机参数

USTC vlab虚拟机的标准配置。

运行结果

5、Ray单机版分析、测试、优化
单机参数

（实体机linux ubuntu22.04）

(ray) tern@ubuntu:~/Documents/codes/python-codes/trial$ cat /proc/version
Linux version 5.19.0-43-generic (buildd@lcy02-amd64-028) (x86_64-linux-gnu-gcc (Ubuntu 11.3.0-1ubuntu1~22.04.1) 11.3.0, GNU ld (GNU Binutils for Ubuntu) 2.38) #44~22.04.1-Ubuntu SMP PREEMPT_DYNAMIC Mon May 22 13:39:36 UTC 2
​
(ray) tern@ubuntu:~/Documents/codes/python-codes/trial$ cat /proc/cpuinfo | grep "cpu cores" | uniq
cpu cores   : 14

部署与运行过程（精简）

程序参数

matrix_size: int = 10    # 10 * 10 matrix
matrix_mul_times: int = 10000000
if len(sys.argv) < 1:
    pc_num: int = 10    # default value = 10
else:
    pc_num: int = int(sys.argv[1])

部署与运行（simplified，详见rec.md）

tern@ubuntu:~/Documents/codes/python-codes/trial$ conda init bash
modified      /home/tern/.bashrc
​
tern@ubuntu:~/Documents/codes/python-codes/trial$ source ~/.bashrc
(base) tern@ubuntu:~/Documents/codes/python-codes/trial$ conda activate ray
(ray) tern@ubuntu:~/Documents/codes/python-codes/trial$ ray start --head
    
(ray) tern@ubuntu:~/Documents/codes/python-codes/trial$ python markov_new.py 100000
2023-06-20 11:29:11,978 INFO worker.py:1342 -- Connecting to existing Ray cluster at address: 114.214.252.223:6379...
total duration:  27.68019461631775
​
(ray) tern@ubuntu:~/Documents/codes/python-codes/trial$ python markov_new.py 10000
2023-06-20 11:29:56,011 INFO worker.py:1342 -- Connecting to existing Ray cluster at address: 114.214.252.223:6379...
total duration:  11.307637929916382
​
(ray) tern@ubuntu:~/Documents/codes/python-codes/trial$ python markov_new.py 10
2023-06-20 11:30:27,501 INFO worker.py:1342 -- Connecting to existing Ray cluster at address: 114.214.252.223:6379...
total duration:  9.69461703300476
​
(ray) tern@ubuntu:~/Documents/codes/python-codes/trial$ python markov_new.py 1
2023-06-20 11:30:51,152 INFO worker.py:1342 -- Connecting to existing Ray cluster at address: 114.214.252.223:6379...
total duration:  9.28380298614502

Dashboard

性能改进与提升

延迟测试：

  1. 总吞吐量30000000（执行30000000次矩阵乘法）：

任务分配数10000010000101
测试时间46.2630.7128.0826.96

(下一参数对应运行内容即上面的文本内容，记录在rec.md中)

  1. 总吞吐量10000000：

任务分配数10000010000101
测试时间27.6811.319.709.28

  1. 总吞吐量500000：

任务分配数10000010000101
测试时间17.962.410.750.70

可见任务数增大时，时间开销大量增大。这是由于进程间通讯耗费了大量的时间。

对于第二种情况，即任务数为10000000时，最初任务拆分数为100000,运行效果很差，后来将只任务切分为10份，性能优化了185%以上。

同样的，对于第一种情况，即任务总数增加到30000000时，任务拆分数10相对于任务拆分数100000性能提高了65%。

而当任务总数降低到500000时，性能的提升就更为显著，主要是由于此时在拆分数100000的情形下每一个任务实际上只进行了五次矩阵乘法，而在合并运算结果时要进行100000次运算，因此并行性能极差，所以任务拆分数减少时性能的提升极为显著（超过五倍）。

关于吞吐量：

在固定任务拆分数为1时，

第一种情形下即任务总数为30000000时，吞吐率为1112759次运算/秒。

第二种情形下即任务总数为10000000时，吞吐率为1077586次运算/秒。

第三种情形下即任务总数为500000时，吞吐率为714286次运算/秒。

在固定任务拆分数为10时，

第一种情形下即任务总数为30000000时，吞吐率为1068376次运算/秒。

第二种情形下即任务总数为10000000时，吞吐率为1030928次运算/秒。

第三种情形下即任务总数为500000时，吞吐率为666667次运算/秒。

在固定任务拆分数为10000时，

第一种情形下即任务总数为30000000时，吞吐率为976880次运算/秒。

第二种情形下即任务总数为10000000时，吞吐率为884173次运算/秒。

第三种情形下即任务总数为500000时，吞吐率为207469次运算/秒。

在固定任务拆分数为100000时，

第一种情形下即任务总数为30000000时，吞吐率为648508次运算/秒。

第二种情形下即任务总数为10000000时，吞吐率为361272次运算/秒。

第三种情形下即任务总数为500000时，吞吐率为27840次运算/秒。

吞吐量随着任务数增多而增加，这一点可能是由于测试中的延迟时间包括合并任务时间，而这一处理是串行的，不可以并行执行，所以导致相对来说任务总数比较多时花费在合并上的时间较少，故而吞吐量较大。因而当拆分数较少时第一和第二种情形下的吞吐量十分相近。（这里在测第三种情形时因为出现了溢出的问题，所以对部分乘法加了一步归一化，导致单次运算执行时间变长了一些，；吞吐量有相应减少）

另外，在单机上，明显在任务拆分数较少的时候吞吐量表现较好，但当拆分数降到1000以下时差距已经很小，因为此时花费在合并任务上的时间已经相对较少，对吞吐量影响很小。

分布式部署及性能测试（基于docker）

这里使用了4台运行Ubuntu的虚拟机服务器（实际上就是vlab），由于处于同一局域网下，连接比较方便。 1台作为头结点和客户端，其余3台作为工作节点。

1、准备结点：头节点和工作节点
1、安装OpenSSH Server （Linux Ubuntu）

输入如下命令在ubuntu上安装和配置OpenSSH Server：

sudo apt update
sudo apt install openssh-server

以下命令用于查看是否安装成功:

sudo systemctl status ssh

（正确安装可以看到active）

使用防火墙（即 ufw）打开 SSH 22/TCP 端口

sudo systemctl status ssh

检查端口22是否正确打开

sudo ufw status

(正确打开可以看到ALLOW)

2、安装和配置Docker(Linux Ubuntu)

安装Docker

sudo apt update
sudo apt install docker.io

将用户添加到docker组

sudo usermod -aG docker $USER

验证Docker安装

docker --version

(正确安装后可以看到Docker的版本)

拉取并运行"hello-world"docker镜像以验证docker可以正常运行

docker run hello-world
2、准备客户端工作站
1、安装Docker

由于结点使用相同的docker镜像可以更好的使用Ray进行工作，因此最好在客户机上也安装Docker。

安装Docker软件:

sudo apt update
sudo apt install docker.io

将用户添加到docker群组

sudo usermod -aG docker $USER

验证Docker的安装

docker --version

(正确安装可以看到Docker的版本)

2、运行Ray Docker镜像

拉取Ray docker镜像:

docker pull rayproject/ray-ml:latest-cpu

这里没有使用支持GPU的镜像，因为这些虚拟机都没有GPU，如果你的服务器支持GPU，你可以改用rayproject/ray-ml:latest-gpu。

运行Ray docker容器：

docker run -i -t rayproject/ray-ml

在docker容器中，我们需要获取python和ray的版本，这样让客户端使用同样的版本才能正常运行。 获取python版本：

python --version

获取Ray python包版本：

首先输入如下命令进入python 解释器:

python

然后在python解释器中键入以下python脚本：

import ray
print(ray.__version__)

此时输出ray的版本，然后退出python解释器，输入命令:

quit()

最后退出docker容器:

exit
3、设置SSH客户端

要部署 Ray 集群，需要使用 ssh-keygen 为 SSH 创建新的身份验证密钥对，以自动登录、单点登录和验证主机。创建密钥后，需要使用 ssh-copy-id 将公钥复制到 Ray 集群中的每个节点。

为SSH创建新的身份验证密钥对：

ssh-keygen

使用ssh-copy-id将公钥复制到每个节点。以一个头结点和三个工作节点为例，命令如下：

示例：

ssh-copy-id -i ~ /.ssh/i d_rsa. pub ssh_user@172.31.223.167
ssh-copy-id -i ~ /.ssh/i d_rsa. pub ssh_user@172.31.176.122
ssh-copy-id -i ~ /.ssh/i d_rsa. pub ssh_user@172.31.132.69
ssh-copy-id -i ~ /.ssh/i d_rsa. pub ssh_user@172.31.218.156

其中ssh_user是之后用SSH连接到这些节点时将会使用的用户名。请注意对工作节点和头结点使用的用户名都是相同的，你需要手动创建这些用户。每条命令的最后需要使用工作节点的实际IP地址。可以使用hostname -I来查看本机的IP。

4、安装和配置Miniconda

这里将安装和配置Miniconda，这样客户端就能方便地使用与节点的docker镜像中相同的Python版本和ray版本。

Miniconda下载地址：Miniconda下载

安装Miniconda：

bash ~/Downloads/Miniconda3-py310_22.11.1-1-Linux-x86_64.sh

安装完成之后，需要为Ray创建一个conda环境:

conda create --name ray python=3.7.13

接下来激活"Ray"环境:

conda activate ray

安装Ray python包:

pip install "ray[default]"==2.1.0
3、使用Ray Up部署Ray集群
1、下载YAML文件
wget https://raw.githubusercontent.com/ray-project/ray/master/python/ray/autoscaler/local/example-full.yaml _ _ _
2、修改并重命名example-full.yaml文件

修改YAML文件的以下部分(以红色表示)：

provider:
    type: local
    head_ip: YOUR_HEAD_NODE_HOSTNAME
    # You may need to supply a public ip for the head node if you need
    # to run `ray up` from outside of the Ray cluster's network
    # (e.g. the cluster is in an AWS VPC and you're starting ray from your laptop)
    # This is useful when debugging the local node provider with cloud VMs.
    # external_head_ip: YOUR_HEAD_PUBLIC_IP
    worker_ips: [WORKER_NODE_1_HOSTNAME, WORKER_NODE_2_HOSTNAME, ... ]
    # Optional when running automatic cluster management on prem. If you use a coordinator server,
    # then you can launch multiple autoscaling clusters on the same set of machines, and the coordinator
    # will assign individual nodes to clusters as needed.
    #    coordinator_address: "<host>:<port>"

  • head_ip：将成为头节点的计算机的 IP 地址（例如，172.31.223.167）。

  • worker_ips：将成为工作节点的计算机的 IP 地址（例如，[172.31.176.122，172.31.132.69，172.31.218.156]）。

修改YAML文件的以下部分（以红色表示）：

# How Ray will authenticate with newly launched nodes.
auth:
    ssh_user: YOUR_USERNAME
    # You can comment out `ssh_private_key` if the following machines don't need a private key for SSH access to the Ray
    # cluster:
    #   (1) The machine on which `ray up` is executed.
    #   (2) The head node of the Ray cluster.
    #
    # The machine that runs ray up executes SSH commands to set up the Ray head node. The Ray head node subsequently
    # executes SSH commands to set up the Ray worker nodes. When you run ray up, ssh credentials sitting on the ray up
    # machine are copied to the head node -- internally, the ssh key is added to the list of file mounts to rsync to head node.
    # ssh_private_key: ~/.ssh/id_rsa

  • ssh_user：将用于登录头节点计算机和工作节点计算机的用户名（例如，ray_client）。

修改YAML文件的以下部分（以红色表示）：

# The minimum number of workers nodes to launch in addition to the head
# node. This number should be >= 0.
# Typically, min_workers == max_workers == len(worker_ips).
# This field is optional.
min_workers: TYPICALLY_THE_NUMBER_OF_WORKER_IPS
​
# The maximum number of workers nodes to launch in addition to the head node.
# This takes precedence over min_workers.
# Typically, min_workers == max_workers == len(worker_ips).
# This field is optional.
max_workers: TYPICALLY_THE_NUMBER_OF_WORKER_IPS
# The default behavior for manually managed clusters is
# min_workers == max_workers == len(worker_ips),
# meaning that Ray is started on all available nodes of the cluster.
# For automatically managed clusters, max_workers is required and min_workers defaults to 0.

  • min_workers：worker_ips中IP地址的个数或3个。

  • max_workers：worker_ips中IP地址的个数或3个。

保存更改并将文件重命名为“default-full.yaml”，因为集群名称是“default”。

3、激活Ray Conda环境

运行以下命令以激活conda环境：

conda activate ray
4、运行"ray up"

最后使用如下命令来部署Ray集群：

ray up default-full.yaml

使用如下命令来检查Ray集群的状态：

ray exec default-full.yaml 'ray status'

使用如下命令启动dashboard：

ray dashboard default-full.yaml

在浏览器中输入以下地址以打开Ray Dashboard

http://127.0.0.1:8265

运行一个microbenchmark来确保Ray集群按预期的工作：

ray exec default-full.yaml 'ray microbenchmark'
4、向ray集群提交任务

为了方便编程，建议将VScode连接到本地的docker容器“rayproject/ray-ml”，这样你就可以看到该容器中安装的所有的包。

假设你写好的python文件叫做my_script.py，那么可以使用如下命令将它提交到ray集群并运行：

RAY_ADDRESS='http://127.0.0.1:8265' ray job submit --working-dir . -- python my_script.py

需要确保my_script.py在当前工作目录下。

这里进行测试时使用的命令如下：

Desktop目录下
​
RAY_ADDRESS='http://127.0.0.1:8265' ray job submit --working-dir . -- python markov.py 1000 10000
​
RAY_ADDRESS='http://127.0.0.1:8265' ray job submit --working-dir . -- python markov.py 100 10000
​
RAY_ADDRESS='http://127.0.0.1:8265' ray job submit --working-dir . -- python markov.py 10 10000
​
RAY_ADDRESS='http://127.0.0.1:8265' ray job submit --working-dir . -- python markov.py 1 10000

注意这里由于vlab虚拟机硬件资源的限制，没有办法做到和其他情形下的运算规模相同的地步，事实上，在规模达到10000000时就必然会报出内存不足的错误而后自动终止程序。所以这里只能够使用很小的参数。

另外，由于虚拟机似乎不能够很好的支持dashboard，所以经过多次失败后最终是使用命令行界面进行部署的，也尝试了ssh终端登陆多开，在运行时用命令查看状态，不过还是达不到dashboard的效果。所以最终我们只选用任务规模、拆分数、运行时间（程序输出）作为主要关注对象。

使用ray down来关闭Ray集群：

ray down default-full.yaml

需要注意的是，关闭了Ray集群并没有关闭Ray容器，需要手动关闭Ray容器。

Ray docker部署的运行结果（命令如上）

Summary

total: 10000

pc_num1000100101
time(s)4.482.562.612.36

这里的分布趋势仍然与此前的解释相符。

5、分布式部署的性能测试

多机配置

三台虚拟机，USTC Vlab的标准配置。

Dashboard

6、分布式部署的性能分析、优化

初始pc_num=100000，单位秒(s)，pc_num为任务拆分数

任务分配数：pc_numpc_num=100000pc_num=100pc_num = 30pc_num=12
无Ray45.20691394805908(+/-2s)同同同
单机版ray185.8933646678924645.634271621704148.5124063491821346.83416128158569
多机ray集群（3个结点）171.6869783401489350.9740636348724443.5671117305755649.56426119804382

任务规模在100000时，多机部署相对于单机部署有百分之十五的性能提升。

这里单机版我们得到了与此前在另一台计算机上运行相似的结果，单机调参优化最高达到307% 。

多机版本不同的是，在任务柴分数进一步减小，从30减少到12时性能出现了百分之四十的回降，这是由于计算资源没有得到充分利用，这一点抵消了进程间通讯的开销。可以想见，如果任务规模大幅扩大，则多机的性能会较大幅度的优于单机。多机调参优化最高达到294%。

3 14
关注
  • 3
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
Ubuntu20.04部署Ollama
阿xin*的嵌入式AI
06-24 1083
Ubuntu Ollama安装llama3:8b，类OpenAI ChatGPT界面操作。
微服务架构系列文章、精品教程
全栈工程师开发手册（原创）https://github.com/tencentmusic/cube-studio
03-30 1万+
架构系列文章大全
Ray入门指南（4）----在GPU运行Ray
weixin_43255962的博客
04-03 7004
gpu对于许多机器学习应用程序来说是至关重要的。Ray允许远程函数和actor在ray.remote装饰器中指定它们的GPU需求。 用GPU启动Ray ：为了让远程函数和角色使用gpu, Ray必须知道有多少gpu可用。如果在单台机器上启动Ray，可以指定gpu的数量，如下所示。 ray.init(num_gpus=4) 如果不传递num_gpus参数，Ray将假定计算机上有0个gpu。 如果您...
fabric-1.1单机、多机部署
yongtao0718的博客
11-28 562
安装环境： 系统版本：CentOS 7.2 docker版本为：19.03.2 docker-compose版本： 1.23.2 Go版本：1.10.1 二．单机部署 2.1．安装软件 2.1.1.安装基础软件 安装依赖软件包 yum -y install ca-certificates curl wget git yum-utils lvm2 gcc gcc-c++ ...
Ray的单机、多机部署及性能优化
最新发布
m0_73251643的博客
06-25 1448
Ray 是伯克利大学 RISELab 研发的分布式计算系统，本篇文章将进行ray的单机部署、多机部署以及性能测试等工作。实验环境为ustc的vlab虚拟机。
Ray的部署及测试
m0_69940860的博客
06-13 996
本文为中科大OSH实验报告，阐述了Ray的部署及测试过程
安装ray
weixin_45211921的博客
06-01 4788
ray安装 首先安装 pip3 install pytest-runner 再安装 pip3 install ray windows下安装ray 出以上步骤外还需要安装 pip install ray[default]
tomcat 单机/多机 部署多应用
weixin_33953384的博客
09-21 205
2019独角兽企业重金招聘Python工程师标准>>> ...
——对小车最佳路径计算算法的ray部署和测试
mnluzimu的博客
07-01 280
我们组的选题是ros-RT-thread系统，实现PC端ros负责复杂计算，stm32端ros负责控制电机等实时性任务，而PC端的复杂计算就可以用到本次实验中ray部署的分布式并行计算。
Ray 部署及性能测试
qwjsjwje的博客
07-03 2405
分布式计算框架 Ray 的部署和性能测试。
CentOS 7中Docker安装详细步骤 ( 资源 )
weixin_33953249的博客
05-29 1万+
2019独角兽企业重金招聘Python工程师标准>>> ...
facar单机与多机部署
Tree_sea的博客
04-05 1060
facar单机与多机部署
docker-compose 部署单机、多机minio
湖南新邑的知识小筑
11-18 2531
在docker、docker-compose场景单机、多机集群minio，涉及负载代理和流程校验，纯个人理解
【项目实战】【Docker】【Git】【Linux】部署V2rayA项目
Elephant_King的博客
04-04 4421
今天着手了一个全新领域的项目，从完全没有头绪到成功运行，记录一下具体的部署流程github项目链接一开始拿到以后完全没有抓手，去阅读了一下他的帮助文档写着能用docker运行，就去下载了一个Docker配置了一下。
服务器中 ray 模块的安装配置
人间飞羽
04-17 1614
服务器中 ray 模块的安装配置
大模型训练部署利器--开源分布式计算框架Ray原理介绍
2401_83124266的博客
03-03 4296
本文介绍了分布式计算框架Ray的原理。
Ray 学习笔记，建立最新学习环境 （setup tutorial environment）
juhanishen的博客
04-15 610
Ray 是 UC berkley 提出的分布式机器学习。sklearn 是运行在单机上的机器学习，虽然支持多线程，但分布式并不支持。Ray 也支持 tensorflow，pytorch 和其他机器学习包。本博客是帮助初学者建立学习环境，依据的博文是3个，1个是 英文版的官方建立环境的材料https://github.com/anyscale/academy，2）是笔者在国内自己建立环境所遇到的问题及其解决方案的博客，3）安装和建立jupyter工具，这样初学者可以少走弯路。 1. 前提条件 笔者的ce.
Ray 环境搭建和示例
热门推荐
BerMaker
06-29 3万+
Ray 环境搭建和示例 文章目录Ray 环境搭建和示例Ray 环境设置安装 Python 3安装 Python 虚拟环境安装 Ray以 Cluster 模式运行 Ray示例参考 Ray 环境设置 本次实验采用 2 台 Mac，系统 macOS Mojave Version 10.14.3。 安装 Python 3 brew install python 安装 Python 虚拟环境 pip3 i...
docker部署单机nacos
08-30
要使用Docker部署单机Nacos，你可以按照以下步骤进行操作： 1. 首先，进入docker-compose.yml文件所在目录。 2. 执行命令docker-compose up，该命令会自动下载并启动Nacos容器。 3. 等待一段时间，Nacos容器将会成功启动。 4. 确认Nacos容器已经成功启动后，你可以通过访问http://localhost:8848来访问Nacos的Web界面。 通过以上步骤，你可以使用Docker快速部署单机Nacos实例。请注意，如果你使用的是本地MySQL数据库而非Docker版本，请确保你已经正确安装并配置了MySQL数据库。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [docker部署nacos单机版](https://blog.csdn.net/fmi110/article/details/118313582)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]
评论 2
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