This is a viewer only at the moment see the article on how this works.
To update the preview hit Ctrl-Alt-R (or ⌘-Alt-R on Mac) or Enter to refresh. The Save icon lets you save the markdown file to disk
This is a preview from the server running through my markdig pipeline
Докерна розробка Deep Dive: Від базових до складних .NET Containerization
Sunday, 09 November 2025
Введение
Докер фундаментально змінив те, як ми будуємо, корабель, і запускаємо додаткиM SK2 Те, що почалося як простий інструмент контейнеризації, перетворилося на цілковиту екосистему для розвитку та застосування сучасних програм
Це четвертий і найголовніший artykuł в моїй серії докерів для . NET разработчиківM SK1 Якщо ви ' є новими в Dockerі, ви можете почати з МSK4
- Докер Compose - Почнемо з базових настроїв для контейнерів з мультикомп 'ютерами -
- Розробка залежностей з комп 'ютером Docker - Налагодження локального dev-простору Август МSK2
- Створити зображення з дротом - розв 'язання проблем з дозволенням на об' єм МSK1Август МSK2
У цьому глибокому зануренні ми збудуємо ці основи для дослідження
- Produkція- Готовий комп 'ютер Docker: Фактичний стег, що запускає цей блог
- Self- хостинг на обмежених ресурсах: Практичні методи оптимізації бюджетнихVPS
- Obsługа GPU: Практика з навантаженнями ML у контейнерах
- Мультиконструкції: Obsługа ARM
- .NET МSK1 характеристики контейнерів: Сконструйовано- в контейнері для публікації без Dockerfiles
- .NET Aspire: Современная концепція .NET для оркестрування контейнерів
NOTE: Це частина моїх експериментів з штучним інтелектом.
Неважливо, чи ви' розробляєте просту веб-програму або організуєте складну мікросервісну архітектуру з допомогою ҐПУ(GPU)
Фундаментали Докера: Порозуміння контейнерів
Що таке Docker, НасправдіM SK1
На основі, Докер - це платформа для контейнеризації, яка упакує вашу програму та всі її залежності в стандартизовану установку, яка називається контейнером . На відміну від віртуальних машин, які вибудовують цілу операційну систему МSK2 контейнери діляться ядром хоста, зберігаючи ізольовані простір для користувачів
Подумайте ось так.
- Виртуальні машини: Кожна VM запускає повний стек ОС ( Лінуксовий ядра МSK2 системні библиотеки МSK3 і т.д.
- Контейнери: Поділитись ядром-хозяїком МSK1 пакетом лише код та відданість МSK2 легкий і швидкий
Чому контейнери важливі для розробників
# The classic developer problem
"It works on my machine!"
# The container solution
"Ship your machine!"
Контейнери розв 'язують декілька важливих проблем:
- Сpójність з навколишнім середовищем: розвиток , тестування МSK2 і виробничі умови однакові
- Ісоляція залежності: Ніхто більше "DLL hell" або суперечливі версії бібліотеки
- Повторювані будинки: Один і той самий вхід
- швидке розгортання: Запуск контейнерів за секунду , не хвилин
- Efektivність використання ресурсів: Запуск десятків контейнерів на одному хосте
Невід 'ємні концепції Докера
Зображення проти контейнерів
# An image is a template (like a class in OOP)
docker pull mcr.microsoft.com/dotnet/aspnet:9.0
# A container is a running instance (like an object)
docker run -d -p 8080:8080 myapp:latest
Фото є незмінними, шарові файлові системиM SK1 Кожна інструкція в Dockerfile створює новий шар:
FROM mcr.microsoft.com/dotnet/aspnet:9.0 # Layer 1: Base OS + .NET runtime
WORKDIR /app # Layer 2: Directory structure
COPY *.dll ./ # Layer 3: Application files
ENTRYPOINT ["dotnet", "MyApp.dll"] # Layer 4: Startup command
Цей шарування потужний:
- Камера: Невимінні шари перероблені , пришвидшують будування
- Об 'єднання: Багато зображення можуть ділитися базовими шарами
- Ефективність: Потрібно завантажити лише зміни шарів
Усвідомлення процесу виконання Dockerfile: Не ваша машина!
Поширена причина збентеження для новаторів Docker: Команди в Dockerfile не запускаються на вашій машині. - вони запускаються всередині контейнера збудування.
Ось що насправді відбувається
Your Machine (Windows/Mac/Linux)
↓ (reads Dockerfile)
Build Image (usually Linux)
↓ (executes RUN commands here)
Output Image (contains results)
Чому це важливо:
# You're on Windows, writing this Dockerfile
FROM ubuntu:24.04
# This RUN command executes in Ubuntu, NOT on your Windows machine!
RUN apt-get update && apt-get install -y curl
# This copies FROM your Windows filesystem
COPY myapp.exe /app/
# This executes IN the Ubuntu container
RUN chmod +x /app/myapp.exe
Найголовні ідеї:
- Локальна файлова система: Ваша
COPYіADDкоманди читаються з вашої машини - Збудувати зображення: Ваша
RUNкоманди виконувати в контейнері's OS (не на вашій машині ) - Виходний образ: Остання зображення містить всі шари, створені під час будування
- Крестова платформа: Ви можете знаходитись на Windows , створюючи зображення Linux МSK2 за допомогою Linux команд
Ось чому ви можете писати apt-get команди в Dockerfile на Windows - вони ' не працюють на Windows
Наприклад, сценарій заплутаності:
FROM mcr.microsoft.com/dotnet/sdk:9.0 # This is Linux-based
# You might think: "But I'm on Windows, how can I use these Linux commands?"
RUN apt-get update # ← Executes in the Linux build container, not your Windows machine
RUN dotnet restore # ← Executes in the Linux build container
Даemon Докер керує перекладом між локальною файловою системою і контейнеризованою будівлю.
Найкращі практики Dockerfile
Тут – МСК0 – це виробництво, МСК1 – готовий, МSK2 – NET Dockerfile з komentarzом, МСК3
# Multi-stage build: separates build environment from runtime
# Stage 1: Build
FROM mcr.microsoft.com/dotnet/sdk:9.0 AS build
WORKDIR /src
# Copy only csproj files first (better layer caching)
COPY ["MyApp/MyApp.csproj", "MyApp/"]
COPY ["MyApp.Core/MyApp.Core.csproj", "MyApp.Core/"]
# Restore dependencies (cached unless csproj changes)
RUN dotnet restore "MyApp/MyApp.csproj"
# Copy everything else
COPY . .
# Build the application
WORKDIR "/src/MyApp"
RUN dotnet build "MyApp.csproj" -c Release -o /app/build
# Stage 2: Publish
FROM build AS publish
RUN dotnet publish "MyApp.csproj" -c Release -o /app/publish /p:UseAppHost=false
# Stage 3: Final runtime image
FROM mcr.microsoft.com/dotnet/aspnet:9.0 AS final
WORKDIR /app
# Create non-root user for security
RUN addgroup --gid 1001 appuser && \
adduser --uid 1001 --gid 1001 --disabled-password --gecos "" appuser
# Copy published output from publish stage
COPY --from=publish /app/publish .
# Switch to non-root user
USER appuser
# Expose port (documentation only, doesn't actually publish)
EXPOSE 8080
# Set environment variables
ENV ASPNETCORE_URLS=http://+:8080
ENV ASPNETCORE_ENVIRONMENT=Production
# Health check
HEALTHCHECK --interval=30s --timeout=3s --start-period=5s --retries=3 \
CMD curl -f http://localhost:8080/health || exit 1
ENTRYPOINT ["dotnet", "MyApp.dll"]
Усвідомлення потоку будування
Ось що насправді відбувається під час розробки багатоканального докера
graph TB
subgraph "Your Machine"
A[Source Code<br/>*.cs, *.csproj]
B[Frontend Assets<br/>*.js, *.css]
C[Configuration<br/>appsettings.json]
D[Static Files<br/>wwwroot/]
end
subgraph "Stage 1: Build Container (SDK Image)"
E[dotnet/sdk:9.0<br/>~1.5GB]
F[Copy .csproj files]
G[dotnet restore<br/>Download NuGet packages]
H[Copy source code]
I[dotnet build<br/>Compile to DLLs]
J[Build artifacts<br/>/app/build/]
end
subgraph "Stage 2: Publish Container"
K[dotnet publish<br/>Optimize & trim]
L[Published output<br/>/app/publish/]
end
subgraph "Stage 3: Final Runtime Container (ASPNET Image)"
M[dotnet/aspnet:9.0<br/>~220MB]
N[Create app user<br/>Security]
O[Copy published files<br/>ONLY production artifacts]
P[Final image<br/>~250MB total]
end
subgraph "Frontend Build Pipeline (Parallel)"
Q[npm install<br/>node_modules/]
R[Webpack bundling<br/>*.js → dist/]
S[TailwindCSS + PostCSS<br/>*.css → dist/]
T[Optimized assets<br/>wwwroot/js/dist/<br/>wwwroot/css/dist/]
end
A --> F
A --> H
F --> G
G --> H
H --> I
I --> J
J --> K
K --> L
B --> Q
Q --> R
Q --> S
R --> T
S --> T
L --> O
T --> O
C --> O
D --> O
M --> N
N --> O
O --> P
Найголовні ідеї з цього потоку:
- Зображення SDK відкинуто: Контейнер SDK МSK1 ГБ викидається після публікації МSK2 лише ~50 Мб компілірованої інформації рухається вперед
- Захмарування шарів: копіювання
.csprojперед тим, як вихідний код значить, що відновлення залежності буде вキャッシュі, якщо залежність не зміниться - Фронт-енд: Збудовано окремо ( часто через
npm run build) і копіюється на кінцевий знімок - Файлі конфігурації:
appsettings.jsonіwwwroot/контент копіований з вашої машини, не збудований - Остання картина: Розпочинається з мінімального зображення пробігу часу МSK1МБМСК2 МСК3 ваші додатки
- Тільки production files: вихідний код , obj/, binM SK3 вузолMST4 модуліM ST5 ніколи не дістаються до кінцевого зображення
Головні принципи ілюстровані:
- Мультирівні будинки: Separate buildM SK1publish stages dramatically reduce final image size
- Оптимізація шарів: Копуйте файли залежності перед кодом для кращого кэшування
- Безпека: Працювати як не пользователь
- Проверки здоров 'я: Оркестратори контейнерів можуть контролювати здоров 'я aplikacji
- Очевидне середовище: Установити початкові стандарти виробництва
Збудова та запуск
# Build the image
docker build -t myapp:1.0.0 -t myapp:latest .
# Run with common options
docker run -d \
--name myapp \
-p 8080:8080 \
-e ConnectionStrings__DefaultConnection="Server=db;Database=myapp" \
-v /data/logs:/app/logs \
--restart unless-stopped \
myapp:latest
# View logs
docker logs -f myapp
# Execute commands inside running container
docker exec -it myapp /bin/bash
# Stop and remove
docker stop myapp
docker rm myapp
Докер комп 'ютера: МультиконтурніM SK1 Оркестрування контейнера
Докер Compose дозволяє вам визначити та запускати багатоконтейнерівні додатки-Container applications. Замість того, щоб керувати контейнерами окремоM SK2 ви описуєте весь стег доданок у файлі YAML
Чому Docker Compose
Розглянемо типову веб-програму .NET
- ASP.NET Коренная веб-програма
- База даних PostgreSQL
- Редіс-каш
- Seq для журналування
- Можливо, служба
керувати цими окремими docker run команди стають неважливими. Docker Compose вирішує це.
Полне реальне- Світовий приклад : Платформа для створення блогу
Ось так: справжнє виробництво docker-compose.yml що запускає цей самий сайт. (mostlylucid
services:
# Main ASP.NET Core application
mostlylucid:
image: scottgal/mostlylucid:latest
restart: always
healthcheck:
test: [ "CMD", "curl", "-f -K", "https://mostlylucid:7240/healthy" ]
interval: 30s
timeout: 10s
retries: 5
labels:
- "com.centurylinklabs.watchtower.enable=true"
env_file:
- .env
environment:
- Auth__GoogleClientId=${AUTH_GOOGLECLIENTID}
- Auth__GoogleClientSecret=${AUTH_GOOGLECLIENTSECRET}
- Auth__AdminUserGoogleId=${AUTH_ADMINUSERGOOGLEID}
- SmtpSettings__UserName=${SMTPSETTINGS_USERNAME}
- SmtpSettings__Password=${SMTPSETTINGS_PASSWORD}
- Analytics__UmamiPath=${ANALYTICS_UMAMIPATH}
- Analytics__WebsiteId=${ANALYTICS_WEBSITEID}
- ConnectionStrings__DefaultConnection=${POSTGRES_CONNECTIONSTRING}
- TranslateService__ServiceIPs=${EASYNMT_IPS}
- Serilog__WriteTo__0__Args__apiKey=${SEQ_API_KEY}
- Markdown__MarkdownPath=${MARKDOWN_MARKDOWNPATH}
volumes:
- /mnt/imagecache:/app/wwwroot/cache
- /mnt/logs:/app/logs
- /mnt/markdown:/app/markdown
- ./mostlylucid.pfx:/app/mostlylucid.pfx
- /mnt/articleimages:/app/wwwroot/articleimages
- /mnt/mostlylucid/uploads:/app/wwwroot/uploads
networks:
- app_network
depends_on:
- db
# PostgreSQL database
db:
image: postgres:16-alpine
ports:
- 5266:5432 # Custom external port to avoid conflicts
env_file:
- .env
networks:
- app_network
healthcheck:
test: ["CMD-SHELL", "pg_isready -U ${POSTGRES_USER}"]
interval: 5s
timeout: 5s
retries: 5
volumes:
- /mnt/umami/postgres:/var/lib/postgresql/data
restart: always
# Cloudflare tunnel for secure external access
cloudflared:
image: cloudflare/cloudflared:latest
command: tunnel --no-autoupdate run --token ${CLOUDFLARED_TOKEN}
env_file:
- .env
restart: always
networks:
- app_network
# Umami analytics
umami:
image: ghcr.io/umami-software/umami:postgresql-latest
env_file: .env
environment:
DATABASE_URL: ${DATABASE_URL}
DATABASE_TYPE: ${DATABASE_TYPE}
HASH_SALT: ${HASH_SALT}
APP_SECRET: ${APP_SECRET}
TRACKER_SCRIPT_NAME: getinfo
API_COLLECT_ENDPOINT: all
depends_on:
- db
labels:
- "com.centurylinklabs.watchtower.enable=true"
networks:
- app_network
restart: always
# Translation service (CPU-limited for resource management)
easynmt:
image: easynmt/api:2.0.2-cpu
volumes:
- /mnt/easynmt:/cache/
deploy:
resources:
limits:
cpus: "4.0" # Prevent translation service from consuming all CPU
networks:
- app_network
# Caddy reverse proxy with automatic HTTPS
caddy:
image: caddy:latest
ports:
- 80:80
- 443:443
volumes:
- ./Caddyfile:/etc/caddy/Caddyfile
- caddy_data:/data
- caddy_config:/config
networks:
- app_network
restart: always
# Seq centralized logging
seq:
image: datalust/seq
container_name: seq
restart: unless-stopped
environment:
ACCEPT_EULA: "Y"
SEQ_FIRSTRUN_ADMINPASSWORDHASH: ${SEQ_DEFAULT_HASH}
volumes:
- /mnt/seq:/data
networks:
- app_network
# Prometheus metrics collection
prometheus:
image: prom/prometheus:latest
container_name: prometheus
volumes:
- prometheus-data:/prometheus
- ./prometheus.yml:/etc/prometheus/prometheus.yml
command:
- '--config.file=/etc/prometheus/prometheus.yml'
labels:
- "com.centurylinklabs.watchtower.enable=true"
networks:
- app_network
# Grafana visualization
grafana:
image: grafana/grafana:latest
container_name: grafana
labels:
- "com.centurylinklabs.watchtower.enable=true"
volumes:
- grafana-data:/var/lib/grafana
networks:
- app_network
environment:
- GF_SECURITY_ADMIN_USER=admin
- GF_SECURITY_ADMIN_PASSWORD=${GRAFANA_PASSWORD}
# Host metrics exporter
node_exporter:
image: quay.io/prometheus/node-exporter:latest
container_name: node_exporter
command:
- '--path.rootfs=/host'
networks:
- app_network
restart: unless-stopped
volumes:
- '/:/host:ro,rslave'
# Automatic container updates
watchtower:
image: containrrr/watchtower
container_name: watchtower
restart: always
volumes:
- /var/run/docker.sock:/var/run/docker.sock
environment:
- WATCHTOWER_CLEANUP=true
- WATCHTOWER_LABEL_ENABLE=true
command: --interval 300 # Check every 5 minutes
volumes:
grafana-data:
caddy_data:
caddy_config:
prometheus-data:
networks:
app_network:
driver: bridge
Ключові моделі виробництва:
- Одна мережа: Всі послуги на
app_networkдля простоти - Об 'єднати підвіски: Хозяйські шляхи (
/mnt/*) для стійких даних, які вам потрібні для резервного копуванняM SK1доступ - Наименовані томи: Докер - підпорядкована зберігання для даних, які ви не маєте МSK2 не потребує прямого доступу до
- Наклейки на вежі спостереження: Лише ті сервіси, що відображають елемент для автоM SK1update
- Ресурсні обмеження: Конsträngії процесора на перекладовій послугі запобігають голоду ресурсів
- Внешне картування портів: PostgreSQL на 5266 замість МSK2, щоб уникнути конфліктів з іншими instancjami
- Файлі середовища: Тайни в
.envфайл (ніколи не обіцявся на git)
Докер Compose Key Features
Залежність від послуг
services:
web:
depends_on:
db:
condition: service_healthy # Wait for health check
redis:
condition: service_started # Just wait for start
Докер Compose організовує порядок запуску. condition: service_healthy необхідно пройти медичну перевірку бази даних перед запуском веб-приложения.
Варіабли та секрети довкілля
# .env file (never commit to git!)
DB_PASSWORD=super_secret_password
SMTP_PASSWORD=another_secret
services:
web:
environment:
- DB_PASSWORD=${DB_PASSWORD} # From .env file
- STATIC_VALUE=production # Hardcoded
env_file:
- .env # Load entire file
Для секретів виробництва, використовуйте Docker Secrets або внешні секретні менеджери (AWS Secrets Manager, Azure Key VaultM SK3 HashiCorp Vault≥).
Наименовані томи проти за Bind Mounts
services:
db:
volumes:
# Named volume (managed by Docker)
- postgres_data:/var/lib/postgresql/data
web:
volumes:
# Bind mount (maps host directory to container)
- ./data/markdown:/app/Markdown
- ./logs:/app/logs
Наименовані томи:
- Менеджером є Докер
- Перетримування даних через контейнер знову починається
- Можна підтримувати/ відновити з командами Докера
- Cross-платформенний комп 'ютер
Закріплення в кільці:
- Пряме нанесення на файлову систему хоста
- Досить для розвитку (live code reloadingM SK1
- Файлі конфігурації, журналиМSK1 завантаження
Мережа
networks:
frontend:
driver: bridge
backend:
driver: bridge
services:
web:
networks:
- frontend
- backend
db:
networks:
- backend # Not exposed to frontend
Мережі zapewniaють ізоляцію. ТутМSK1 база даних доступна лише для західних послугМСК2 не безпосередньо відкритаМ СК3
Проверки здоров 'я
services:
db:
healthcheck:
test: ["CMD-SHELL", "pg_isready -U postgres"]
interval: 10s
timeout: 5s
retries: 5
start_period: 30s
Контроль здоров 'я дозволяє Dockerу::
- Визначати, чи контейнер дійсно готовий (не тільки розпочавсяM SK1
- Знову запускати нездорові контейнери
- Дайте статус оркестраторам (KubernetesM SK1 Docker Swarm)
Поширені Commands Compose Docker
# Start all services (detached)
docker-compose up -d
# Start specific services
docker-compose up -d web db
# View logs (all services)
docker-compose logs -f
# View logs (specific service)
docker-compose logs -f web
# Stop services (containers remain)
docker-compose stop
# Stop and remove containers
docker-compose down
# Stop, remove containers, and remove volumes
docker-compose down -v
# Rebuild and restart
docker-compose up -d --build
# Scale a service
docker-compose up -d --scale worker=3
# Execute command in running service
docker-compose exec web /bin/bash
# Run one-off command
docker-compose run --rm web dotnet ef database update
Розробка проти виробництва Комп 'ютерні файли
Відокремлені проблеми з багатьма файлами комп 'ютера:
докер-композиціяM SK1yml (базаМSK1
services:
web:
build: .
environment:
- ASPNETCORE_ENVIRONMENT=Development
докер-конструкціяМSK1переходникM SK2мл (розробка МSK1авто-мобільна МSK2з 'єднана ):
services:
web:
volumes:
- .:/app # Live code reloading
ports:
- "5000:8080"
докер-конструкціяM SK1продукціяМSK2мл МSK0продуктивність):
services:
web:
image: registry.example.com/myapp:${VERSION}
restart: always
deploy:
replicas: 3
resources:
limits:
cpus: '2'
memory: 2G
# Development (base + override)
docker-compose up -d
# Production
docker-compose -f docker-compose.yml -f docker-compose.prod.yml up -d
Obsługа GPU у Dockerі: Швидшення obciążeń ML
Машинне навчання, наукове обчисленняM SK1 і програми обробки відео часто потребують прискорення GPU. Докер підтримує NVIDIA GPU за допомогою NVIDIA Container Toolkit
Налагодження комплекту інструментів для контейнерів NVIDIA
# Install NVIDIA Container Toolkit (Ubuntu/Debian)
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/libnvidia-container/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.list | \
sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list
sudo apt-get update
sudo apt-get install -y nvidia-container-toolkit
# Configure Docker daemon
sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart docker
# Test GPU access
docker run --rm --gpus all nvidia/cuda:12.6.0-base-ubuntu24.04 nvidia-smi
Dockerfile for GPU-Accelerated Python/PyTorch Application
# Use NVIDIA CUDA base image
FROM nvidia/cuda:12.6.0-cudnn-runtime-ubuntu24.04
# Install Python
RUN apt-get update && apt-get install -y \
python3.12 \
python3-pip \
&& rm -rf /var/lib/apt/lists/*
WORKDIR /app
# Install PyTorch with CUDA support
COPY requirements.txt .
RUN pip3 install --no-cache-dir torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124
# Copy application
COPY . .
# Test GPU on container start
RUN python3 -c "import torch; print(f'CUDA available: {torch.cuda.is_available()}'); print(f'GPU: {torch.cuda.get_device_name(0) if torch.cuda.is_available() else \"None\"}')"
ENTRYPOINT ["python3", "train.py"]
Ввімкнені контейнери GPU
# Run with all GPUs
docker run --gpus all myapp:gpu
# Run with specific GPUs
docker run --gpus '"device=0,2"' myapp:gpu
# Run with GPU memory limits
docker run --gpus all --memory=16g myapp:gpu
ГПУ в комп 'ютері Докера
services:
ml-trainer:
build:
context: .
dockerfile: Dockerfile.gpu
image: myapp:gpu
deploy:
resources:
reservations:
devices:
- driver: nvidia
count: all # or specific count: 1, 2, etc.
capabilities: [gpu]
volumes:
- ./models:/app/models
- ./data:/app/data
environment:
- NVIDIA_VISIBLE_DEVICES=all
- CUDA_VISIBLE_DEVICES=0,1 # Use GPUs 0 and 1
real-World Example: Translation Service with GPU and CPU Builds
Ось реальний приклад виробництва найбільш зрозуміле-nmt, я створив послугу перекладу нейронних машин, яка дає можливість автоматичним - перекладам на цьому блогі
Проект демонструє
- Варіанти GPU та CPU - Схожа база коду , різні зображення
- Мультиконструкції - Obsługує AMD64 і ARMM SK2
- Оптимовані зображення Докера - Як повні, так і мінімальні варіанти
- Produkція- готова - Здоров 'яні перевірки , тривалість об' єму МSK2 правильне фіксування
GPU-Accelerated Translation Service
services:
translation:
image: scottgal/mostlylucid-nmt:gpu
container_name: translation-gpu
deploy:
resources:
reservations:
devices:
- driver: nvidia
count: 1
capabilities: [gpu]
environment:
- MODEL_FAMILY=opus-mt
- FALLBACK_MODELS=mbart50,m2m100
- CUDA_VISIBLE_DEVICES=0
- LOG_LEVEL=info
volumes:
- model_cache:/app/cache # Persistent model storage
ports:
- "8888:8888"
healthcheck:
test: ["CMD", "curl", "-f", "http://localhost:8888/health"]
interval: 30s
timeout: 10s
retries: 3
volumes:
model_cache:
Або лише альтернатива
Для об 'єктів без ҐПУ, одна і та сама служба працює на ЦПУМSK1
services:
translation:
image: scottgal/mostlylucid-nmt:cpu
container_name: translation-cpu
environment:
- MODEL_FAMILY=opus-mt
- FALLBACK_MODELS=mbart50,m2m100
volumes:
- model_cache:/app/cache
ports:
- "8888:8888"
restart: unless-stopped
volumes:
model_cache:
Доступні варіанти зображення:
scottgal/mostlylucid-nmt:gpu- CUDA 12.6 з підтримкою GPU PyTorchscottgal/mostlylucid-nmt:cpu- Процесор - тільки МSK2 менший відрізокscottgal/mostlylucid-nmt:gpu-min- Minimalne побудова графічного процессора , без попереднього завантаження моделей МSK2GBM SK3scottgal/mostlylucid-nmt:cpu-min- Minimalний розвиток процесора ~1.5GBM SK2
Головні характеристики:
- Швидшування GPU: МSK1x швидший переклад за допомогою CUDA
- Модель Авто-Получить: завантажує моделі перекладу на demand
- Поддержка Fallback: Випробовує Opus-MT → mBARTM SK3 МSK4 MMST5MMSC6 для максимального мовного поширення
- Утримка звуку: Моделі таємниць через контейнер знову починають працювати
- Здоров 'я:
/healthі/readyдля оркестрів - Архітектура: запускається на x86_64 і ARMM SK2 (Apple SiliconMSC4 Raspberry PiМSK5
Подивіться повний проект на GitHub для прикладів Dockerfile
Multi-Architecture Builds з Docker Buildx
Сучасні додатки мають працювати на багатьох архітектурах : x86_64 M SK2AMD64) для серверів M SK4 ARMMSC5 для Raspberry Pi та Apple Silicon Macs , іноді навіть ARMМSK7 для вбудованих пристроїв МSK8
Чому архітектура має значення
# Problem: Image built on M1 Mac won't run on Linux server
docker build -t myapp:latest . # Builds for ARM64
docker push myapp:latest
# Server tries to run it... error: "exec format error"
# Solution: Build for multiple platforms
docker buildx build --platform linux/amd64,linux/arm64 -t myapp:latest --push .
Налагодження Buildx
Докер Buildx включений до Docker Desktop. Для Linux:
# Verify buildx is available
docker buildx version
# Create a new builder instance
docker buildx create --name multiarch --driver docker-container --use
# Inspect and bootstrap the builder
docker buildx inspect --bootstrap
# List available platforms
docker buildx inspect | grep Platforms
Multi-Architecture Dockerfile
Більшість Dockerfiles працюють без змін.
# Use official multi-arch base images
FROM mcr.microsoft.com/dotnet/aspnet:9.0 AS base
# For platform-specific operations, use build arguments
ARG TARGETPLATFORM
ARG BUILDPLATFORM
RUN echo "Building on $BUILDPLATFORM for $TARGETPLATFORM"
# Install architecture-specific dependencies
RUN if [ "$TARGETPLATFORM" = "linux/arm64" ]; then \
apt-get update && apt-get install -y some-arm64-package; \
elif [ "$TARGETPLATFORM" = "linux/amd64" ]; then \
apt-get update && apt-get install -y some-amd64-package; \
fi
Збудова для декількох платформ
# Build and push for AMD64 and ARM64
docker buildx build \
--platform linux/amd64,linux/arm64 \
-t myregistry/myapp:latest \
-t myregistry/myapp:1.0.0 \
--push \
.
# Build without pushing (loads into local Docker)
# Note: Can only load one platform at a time
docker buildx build \
--platform linux/amd64 \
-t myapp:latest \
--load \
.
# Build and export to tar files
docker buildx build \
--platform linux/amd64,linux/arm64 \
-t myapp:latest \
-o type=tar,dest=./myapp.tar \
.
Multi-Architecture with Docker Compose
На жаль, , Docker Compose не підтримує buildx ' Workarounds
Опція 1: Предідущий МSK1будувати зображення
# Build multi-arch images first
docker buildx build --platform linux/amd64,linux/arm64 -t myapp:latest --push .
# Then use in compose
services:
web:
image: myapp:latest # Already built for multiple architectures
Опція 2: Створити сценарій
#!/bin/bash
# build-multiarch.sh
docker buildx build --platform linux/amd64,linux/arm64 \
-t myregistry/web:latest \
-f web/Dockerfile \
--push \
web/
docker buildx build --platform linux/amd64,linux/arm64 \
-t myregistry/worker:latest \
-f worker/Dockerfile \
--push \
worker/
docker-compose pull # Pull the multi-arch images
docker-compose up -d
Реальний - Світовий приклад : CI МSK2 ЦД трубка
Рабочий процес GitHub Actions для архітектурних конструкцій
name: Build and Push Multi-Arch Images
on:
push:
branches: [ main ]
tags: [ 'v*' ]
jobs:
build:
runs-on: ubuntu-latest
steps:
- name: Checkout
uses: actions/checkout@v4
- name: Set up QEMU
uses: docker/setup-qemu-action@v3
- name: Set up Docker Buildx
uses: docker/setup-buildx-action@v3
- name: Login to Docker Hub
uses: docker/login-action@v3
with:
username: ${{ secrets.DOCKERHUB_USERNAME }}
password: ${{ secrets.DOCKERHUB_TOKEN }}
- name: Extract metadata
id: meta
uses: docker/metadata-action@v5
with:
images: myregistry/myapp
tags: |
type=ref,event=branch
type=semver,pattern={{version}}
type=semver,pattern={{major}}.{{minor}}
type=sha,prefix={{branch}}-
- name: Build and push
uses: docker/build-push-action@v5
with:
context: .
platforms: linux/amd64,linux/arm64
push: true
tags: ${{ steps.meta.outputs.tags }}
labels: ${{ steps.meta.outputs.labels }}
cache-from: type=registry,ref=myregistry/myapp:buildcache
cache-to: type=registry,ref=myregistry/myapp:buildcache,mode=max
Цей робочий процес:
- Триггери на приштовхування до головних або версійних ярликів
- Налагодження QEMU для еmulaції між платформами
- Збудування для AMD64 та ARMM SK1
- Автоматично генерує ярлики (назви гілкиMSC1 семантичні версіїM SK2 SHA)
- Використовує вказівку в реєстрі для швидших збудувань
Заawansовані схеми будування дронта: РеальнийM SK1 Світовий приклад
І більшість кислого-nmt послуга перекладу демонструє складні стратегії побудови докерів, оптимізовані для різних сценаріїв застосування. Цей проект показує, як будувати і розповсюджувати різноманітні візерунки з однієї бази коду
Збудувати матрицю стратегії змінних
Проект створює вісім різних варіантів зображення для різних випадків використання:
| Метка для зображення МSK1 Архітектура МSK2 Швидкіший прискорювач | Передзарядування моделей | МSK4 | Розмір | Корабель для використання | |||
|---|---|---|---|---|---|---|---|
:cpu (:latestМSK0 |
AMD64, ARMM SK3 ♫ | Процесор ♫ ♫ МSK5 ♫ Так ♫ Моделі ♫ | |||||
:cpu-min МSK0 AMD64, ARM64 M SK3 Процесор |
Ні МSK5 | МSK6 ГБ | Динамічне завантаження моделей | ||||
:gpu |
AMDM SK1 тільки МSK2 NVIDIA CUDA | Так моделі МSK4 МSK5 | МSK6 | ~5 | ГБ | ||
:gpu-min |
AMDM SK1 тільки МSK2 NVIDIA CUDA | Ні МSK4 M~4 ГБ МСК6 GPU з динамічними моделями MSК7 |
Чому багато варіантів?
- Produkція (повнийM SK1: Моделі, що були завантажені до залишки = миттєвий переклад МSK2 без холодного старту
- Розробка (minimalM SK1: Швидкі будування (~30s проти МSK2minM SK3 об 'єм МSK4монтовані моделі
- ҐПУМSK0 10-15x швидше для високогоM SK2швидше сценаріїв пропускної способности
- Процесор: Працює будь-де
- ARM64: Raspberry Pi , Apple Silicon МSK2 ARM сервери
Стратегія шарового пам 'яті
Dockerfiles використовують стратегічний порядок шарів, щоб максимизувати використання конструктора.
Стандартна структура Dockerfile
FROM python:3.12-slim
# Layer 1: System dependencies (rarely changes)
RUN apt-get update && apt-get install -y --no-install-recommends \
git curl \
&& rm -rf /var/lib/apt/lists/*
# Layer 2: Python dependencies (changes when requirements.txt updates)
WORKDIR /app
COPY requirements-prod.txt .
RUN pip install --no-cache-dir -r requirements-prod.txt
# Layer 3: Model preloading (slowest layer, changes when model list changes)
ARG PRELOAD_LANGS="de,es,fr,it,nl,pl,pt,ru,zh,ja,ar,uk"
ARG PRELOAD_PAIRS=""
RUN python -c "from easynmt import EasyNMT; \
import os; \
langs = os.environ.get('PRELOAD_LANGS', '').split(','); \
pairs = os.environ.get('PRELOAD_PAIRS', '').split(',') if os.environ.get('PRELOAD_PAIRS') else []; \
model = EasyNMT('opus-mt'); \
[model.translate('warmup', source_lang='en', target_lang=lang) for lang in langs if lang]; \
[model.translate('warmup', source_lang=src, target_lang=tgt) for pair in pairs for src,tgt in [pair.split('->')] if pair]"
# Layer 4: Application code (changes frequently, rebuilds in seconds)
COPY app.py .
COPY src/ ./src/
# Runtime configuration
EXPOSE 8000
ENV PYTHONUNBUFFERED=1 \
MODEL_CACHE_DIR=/app/models \
WEB_CONCURRENCY=4
CMD ["gunicorn", "app:app", "--bind", "0.0.0.0:8000", \
"--worker-class", "uvicorn.workers.UvicornWorker", \
"--timeout", "300", "--graceful-timeout", "5"]
Чому це замовлення має значення?
| Слой МSK1 Частота перебудови МSK2 Час будування | Рівень втраченості кэша мSK4 | |||
|---|---|---|---|---|
| Базова зображення МSK1 Ніколи МSK2допоки не зміниться Python версіяM SK3 | 0s | |||
| Похибки системи МSK1 Нерідко МSK2 ~30s MSК4 МСК5 МСК6 | ||||
| Пайтонні падіння | Іноді МSK2Aktualізації залежності МSK3 СМСК4 СМСК5s МСК6 MSК7 МСК8 | |||
| Модель передзавантаження МSK1 Реально МSK2 зміни списку моделейM SK3 | МSK5мин СМСК6 СМСК7 \ | СМСк8 | ||
| Код додатку МSK1 Кожен комміт МSK2 ~3s |
Результат: Більшість збудувань завершено за МSK1 секунд, використовуючи вбудовані шари
Різниця між базовими зображеннями GPU та CPU
ЦП Dockerfile:
FROM python:3.12-slim
# CPU-optimized PyTorch (smaller, no CUDA)
RUN pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu
# CPU performance tuning
ENV OMP_NUM_THREADS=4 \
MKL_NUM_THREADS=4 \
EASYNMT_BATCH_SIZE=16
Dockerfile (Dockerfile.gpuM SK2
FROM nvidia/cuda:12.6.2-cudnn-runtime-ubuntu24.04
# Install Python 3.12
RUN apt-get update && apt-get install -y \
python3.12 python3-pip \
&& rm -rf /var/lib/apt/lists/*
# CUDA-enabled PyTorch matching CUDA 12.6
RUN pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124
# GPU performance tuning
ENV CUDA_VISIBLE_DEVICES=0 \
EASYNMT_BATCH_SIZE=64 \
EASYNMT_MODEL_ARGS='{"torch_dtype":"fp16"}' \
MAX_INFLIGHT_TRANSLATIONS=1
# Runtime needs GPU access
# docker run --gpus all scottgal/mostlylucid-nmt:gpu
Головні відмінності:
- База зображення:
python:3.12-slimМSK0MB) протиnvidia/cuda:12.6.2-cudnn-runtimeМSK0ГБ) - Роль PyTorch: Процесор (~140MBM SK2 проти CUDA МSK3 МSK4GB)
- Розмір батареї: Процесор МSK1 проти ҐПУ МSK2 ( ҐПЗ ефективно обробляють більші пакети
- Точность: Процесор МSK1 FP МSK2 проти ҐПУ = ФП М SK4 МСК5 наполовину точність зберігає пам 'ять ҐPU М СК6
Оптимізації ARM64
Dockerfile.arm64 включає ARM-конкретне налаштуванняM SK1
FROM python:3.11-slim-bookworm # Debian Bookworm has better ARM support
# Minimal dependencies (ARM devices often storage-constrained)
RUN apt-get update && apt-get install -y --no-install-recommends \
gcc g++ git curl \
&& rm -rf /var/lib/apt/lists/*
# ARM performance tuning (Raspberry Pi 4/5 with 4GB RAM)
ENV OMP_NUM_THREADS=3 \
MKL_NUM_THREADS=3 \
OPENBLAS_NUM_THREADS=3 \
EASYNMT_BATCH_SIZE=4 \
MAX_CACHED_MODELS=1 \
MEMORY_CRITICAL_THRESHOLD=70.0
# Single worker (memory constrained)
CMD ["gunicorn", "app:app", "-w", "1", \
"--bind", "0.0.0.0:8000", \
"--timeout", "300"]
ARM-конкретні оптимізаціїM SK1
- Сниження потокуМSK0 3 нитки МSK2vs 4 на xM SK4 для термічного дротування
- Менші партіїМSK0 4 проти МSK2 на xM SK3 ♫ ♫ ( ♫ обмежена RAM ♫
- Одинокий працівник: Захищає SOOM на пристроях 4GB
- Мониторинг пам 'яті: Agгресивна чистка при використанні RAM
- Консервативні перерви: ARM пристрої повільніші , дозволять більше часу
Minimalні варіанти: Завантаження модельного циклу
Dockerfile.min підхід:
FROM python:3.12-slim
# Dependencies only, NO model preloading
COPY requirements-prod.txt .
RUN pip install --no-cache-dir -r requirements-prod.txt
# Application code
COPY app.py .
COPY src/ ./src/
# Models loaded on-demand from volume
ENV MODEL_CACHE_DIR=/models
VOLUME ["/models"]
Використовування з наmountом звуку:
# Create persistent model cache
docker volume create translation-models
# First run: downloads models on-demand
docker run -d \
-v translation-models:/models \
-p 8888:8000 \
scottgal/mostlylucid-nmt:cpu-min
# Subsequent runs: reuse cached models
# Same volume mount, instant startup
Minimal у порівнянні з повною торгівлею-оффиM SK1
| Аспект МSK1 Полне зображення МSK2 Minimalне зображення | ||
|---|---|---|
| Розмір зображення МSK0 2.5 ГБ МSK2 1.5 ГБ | ||
| Час будування МSK0 5-10 хвилини МSK2 30 секунд мSK4 | ||
| Перший старт | Моментальний переклад МSK1 1-2 завантажити макет МSK3 | |
| Наступні запуски | миттєвий МSK1 митливий МSK2 якщо обсяг залишається | |
| Використовування диска МSK0 2.5ГБ на контейнер МSK2 1.5 ГБ мSK4 спільний об 'єм мSK5 | ||
| Розробка | Повільне повторення МSK1 швидке повторення | |
| Produkція | Немає залежності від мережі | Потрібна тривалість об 'єму МSK2 |
Автоматичний скрипт для створення багатовимірного-Variant
збудувати-всеM SK1sh будує всі варіанти з послідовною версією:
#!/bin/bash
# Generate version tags
VERSION=$(date +%Y%m%d.%H%M%S)
GIT_SHA=$(git rev-parse --short HEAD)
# Enable buildx for multi-platform
docker buildx create --use --name multiarch 2>/dev/null || true
echo "Building all variants for mostlylucid-nmt:${VERSION}"
# CPU Full (multi-platform)
docker buildx build \
--platform linux/amd64,linux/arm64 \
-f Dockerfile \
-t scottgal/mostlylucid-nmt:cpu \
-t scottgal/mostlylucid-nmt:latest \
-t scottgal/mostlylucid-nmt:${VERSION} \
--build-arg VERSION=${VERSION} \
--build-arg VCS_REF=${GIT_SHA} \
--push \
.
# CPU Minimal (multi-platform)
docker buildx build \
--platform linux/amd64,linux/arm64 \
-f Dockerfile.min \
-t scottgal/mostlylucid-nmt:cpu-min \
-t scottgal/mostlylucid-nmt:${VERSION}-min \
--build-arg VERSION=${VERSION} \
--push \
.
# GPU Full (AMD64 only)
docker build \
-f Dockerfile.gpu \
-t scottgal/mostlylucid-nmt:gpu \
-t scottgal/mostlylucid-nmt:${VERSION}-gpu \
--build-arg VERSION=${VERSION} \
--build-arg PRELOAD_LANGS="de,es,fr,it,nl,pl,pt,ru,zh,ja,ar,uk" \
--push \
.
# GPU Minimal (AMD64 only)
docker build \
-f Dockerfile.gpu.min \
-t scottgal/mostlylucid-nmt:gpu-min \
--push \
.
echo "All builds complete!"
echo "Images tagged with version: ${VERSION}"
Прибутки від автоматизації будівлі:
- Сpójна версії: Тайм-тамп + Гіт SHA для відстеження
- Мультиплатформа: Едині командні будинки для AMD
- Паралельно видаwanie: Усі варіанти одночасно
- Гибке попереднє завантаження: Збудувати контроль args, які моделі включати
- CI/CD готовий: можна активувати за допомогою GitHub Actions
Практичні сценарії використання
сценарій 1: розвиток МSK1 швидке повторення )
# Use minimal image with volume mount
docker run -d \
-v ./models:/models \
-v ./src:/app/src \
-p 8888:8000 \
scottgal/mostlylucid-nmt:cpu-min
# Edit code locally, container picks up changes
# Models cached in volume, no re-download
сценарій 2: Процесор виробництва (визначаюча доступність МSK2
# Use full image, no volume needed
docker run -d \
--restart always \
--memory=2g \
--cpus=2 \
-p 8888:8000 \
scottgal/mostlylucid-nmt:cpu
# Models preloaded, instant translation
# No external dependencies
сценарій 3: Produc GPU (high throughputM SK2
# docker-compose.yml
services:
translation:
image: scottgal/mostlylucid-nmt:gpu
deploy:
resources:
reservations:
devices:
- driver: nvidia
count: 1
capabilities: [gpu]
environment:
- CUDA_VISIBLE_DEVICES=0
- EASYNMT_BATCH_SIZE=64
сценарій 4: ARMM SK1 розгортання на крайі (Raspberry Pi)
# Automatic platform selection
docker run -d \
--restart always \
--memory=3g \
-p 8888:8000 \
scottgal/mostlylucid-nmt:cpu
# Docker pulls ARM64 variant automatically
# Optimized for ARM performance
Ключові уроки з заawansованих моделей будування
- Кашування шарів є вирішальним: Заказ Dockerfile інструкцій по зміні частоти
- Збудувати варіанти, які відповідають різним потребам: Produkція проти розвитку проти обмеженого обладнання
- Мультиплатформа: Використовуйте buildx для AMD64 + ARMM SK3 з одного Dockerfile
- Передзавантаження проти завантаження на час запуску: Час побудови товару на час запуску
- Архітектура- конкретна оптимізація: Рухування в один бік , розміри пакетів МSK2 обмеження пам 'яті на одну платформу
- Автоматизація: Скрипти гарантують послідовність між варіантами
- Версію все: Замітки на часі + Git SHA для відстеження
- Стратегія обсягу: Persistent cache volumes save regeneration time
Ці шаблони з переважної кислоти-nmt демонструють виробництво - готові практики докеру, стосовані до будь-якого складного застосування з багатьма сценариями розгортанняM SK2
.NET 9 Поліпшення контейнерів
.NET 9 запропонує значні покращення у підтримці контейнерів МSK2, що зробить його легшим, ніж будь-коли раніше, щоб об 'єднати контейнери для МSK3NET програм, навіть не пишучи Dockerfile
Збудовано- в Container Publishing
За допомогою .NET 9, ви можете безпосередньо опублікувати контейнеризовану програму
# Publish as a container image (no Dockerfile needed!)
dotnet publish --os linux --arch x64 -p:PublishProfile=DefaultContainer
# Specify image name and tag
dotnet publish \
--os linux \
--arch x64 \
-p:PublishProfile=DefaultContainer \
-p:ContainerImageName=myapp \
-p:ContainerImageTag=1.0.0
# Multi-architecture
dotnet publish --os linux --arch arm64 -p:PublishProfile=DefaultContainer
Konfiguration Properties Container
до вашого .csproj:
<Project Sdk="Microsoft.NET.Sdk.Web">
<PropertyGroup>
<TargetFramework>net9.0</TargetFramework>
<!-- Container Configuration -->
<ContainerImageName>myapp</ContainerImageName>
<ContainerImageTag>$(Version)</ContainerImageTag>
<ContainerRegistry>myregistry.azurecr.io</ContainerRegistry>
<!-- Base image (defaults to mcr.microsoft.com/dotnet/aspnet:9.0) -->
<ContainerBaseImage>mcr.microsoft.com/dotnet/aspnet:9.0-alpine</ContainerBaseImage>
<!-- Container runtime configuration -->
<ContainerWorkingDirectory>/app</ContainerWorkingDirectory>
<ContainerPort>8080</ContainerPort>
<ContainerEnvironmentVariable Include="ASPNETCORE_ENVIRONMENT">Production</ContainerEnvironmentVariable>
<!-- User (security best practice) -->
<ContainerUser>app</ContainerUser>
<!-- Labels -->
<ContainerLabel Include="org.opencontainers.image.description">My awesome app</ContainerLabel>
<ContainerLabel Include="org.opencontainers.image.source">https://github.com/me/myapp</ContainerLabel>
</PropertyGroup>
</Project>
Тоді опублікуйте:
dotnet publish -p:PublishProfile=DefaultContainer
Привілеї збудованого-владної системи контейнерів
- Немає Dockerfile: Снижує складність
- Оптимовані зображення: Microsoft підлаштовує зображення для виконання
- Скорінна: Стандартні зображення у всіх .NET програмах
- Безпека: Автоматізовані обновлення базового зображення
- Маліші зображення: Obsługа підключення та компіляції AOT
Тримування і AOT для менших світлин
<PropertyGroup>
<!-- Enable trimming to remove unused code -->
<PublishTrimmed>true</PublishTrimmed>
<TrimMode>full</TrimMode>
<!-- OR use Native AOT for even smaller, faster images -->
<PublishAot>true</PublishAot>
</PropertyGroup>
Результати:
- СтандартМSK0 ~220MB
- З стисканнямМSK0 ~110MB
- З AOT: МSK1MB для простих програм
Порівняйте Dockerfile з Built-in
Традиційний підхід до Dockerfile:
FROM mcr.microsoft.com/dotnet/sdk:9.0 AS build
WORKDIR /src
COPY ["MyApp.csproj", "."]
RUN dotnet restore
COPY . .
RUN dotnet publish -c Release -o /app/publish
FROM mcr.microsoft.com/dotnet/aspnet:9.0
WORKDIR /app
COPY --from=build /app/publish .
ENTRYPOINT ["dotnet", "MyApp.dll"]
Побудована-в контейнерному підході
# Just this!
dotnet publish -p:PublishProfile=DefaultContainer
Обидві системи створюють подібні зображення, але вбудований підхід є простішим і підтримованим.
Коли використовувати Dockerfile проти Built-in
Використовуйте Dockerfile, коли:
- Потрібно повністю контролювати зображення
- Встановлення системних залежності
- Комплексні багатоповерхові будинки
- Неstandardні базові зображення
Використовуйте вбудовані-in, колиM SK1
- Стандартні .NET web/консольні додатки
- Ви хочете простоти
- Майкрософт оптимізує
- швидке створення прототипу
Чиселовані зображення Ubuntu
.NET МSK1 підтримує "chiseled" зображення Ubuntu МSK4 ultraM SK5minimalні базові зображення
<PropertyGroup>
<ContainerBaseImage>mcr.microsoft.com/dotnet/aspnet:9.0-noble-chiseled</ContainerBaseImage>
</PropertyGroup>
Прибутки:
- Невеликий: МSK1 менш, ніж звичайні зображення
- Безпека: Minimalна поверхня атаки МSK1без менеджера пакетів МSK2 схель )
- Найшвидше: Швидший тяг і запуск
Торгівля
- Немає ядра (важче розладуватиM SK1
- Ограничені системи
Чудово для виробництва, де безпечність та розмір найважливіші.
Вprowadzenie до .NET Aspire
.NET Aspire - це обізнаний , хмара МSK2 готовий стег для створення розповсюдених програм M SK3 Думайте про нього як про Докер Комп 'ютер на стероидах , спеціально розроблений для MSC5 NET мікросервисів Mska6
Що таке Aspire?
Aspire надає:
- Оркестрування: Запуск і підключення кількох послуг локально
- Викриття сервісу: Услуги знаходять один одного автоматично
- Телеметрія: Сконструйований МSK1 в журналі МSK2 метрики , відображання
- Компоненти: ПредідущийM SK1конфигуровані інтеграції (Redis, PostgreSQLMSC4 RabbitMQMST5 і т.д.
- Розгортання: генерувати Kubernetes/Docker Compose manifests
Архітектура Aspire
Решение Aspire має три типи проектів:
- Гость додатку: Оркеструє ваші послуги
- Проекти послуг: Ваші справжні послуги
- За замовчанням: Спільна конфігурація
Найкращий приклад
1. Створити проект Aspire
dotnet new aspire-starter -n MyDistributedApp
cd MyDistributedApp
2. Администратор додатку Моєрозділюванеприложение МSK2Апхост МSK3Програма \ .cs \ МSK5
var builder = DistributedApplication.CreateBuilder(args);
// Add Redis cache
var cache = builder.AddRedis("cache");
// Add PostgreSQL database
var db = builder.AddPostgres("postgres")
.AddDatabase("mydb");
// Add API service (references cache and db)
var api = builder.AddProject<Projects.MyApi>("api")
.WithReference(cache)
.WithReference(db);
// Add frontend (references API)
builder.AddProject<Projects.MyWeb>("web")
.WithReference(api);
builder.Build().Run();
3. Використовуйте у вашій роботіM SK1
// MyApi/Program.cs
var builder = WebApplication.CreateBuilder(args);
// Aspire automatically configures these based on AppHost
builder.AddServiceDefaults();
builder.AddRedisClient("cache");
builder.AddNpgsqlDbContext<MyDbContext>("mydb");
var app = builder.Build();
app.MapDefaultEndpoints(); // Health, metrics, etc.
4. Прокрутить всеM SK1
dotnet run --project MyDistributedApp.AppHost
Старт Aspire:
- Дашборд на http://localhost:15888
- Усі послуги з правильною конфігурацією
- Redis і PostgreSQL у контейнерах
- Розповсюджене відстеження по всіх службах
Aspire vs Docker Compose
Докер Compose:
- Язик-agnostic
- Інфраструктура
- Ручне відкриття сервісу
- Візьміть свою можливість спостереження
Aspire:
- .NETM SK1конкретні
- Развитие
- Автоматичне відкриття послуг
- Вбудована телеметрія
- генерує manifestи розгортання
Використовуйте обидві: прагнення до локального розвитку , генерує комп 'ютерний комп' ютер Docker Compose МSK2 Kuberneти для виробництва .
Розгортання aplikacji Aspire
Створити manifestи розгортання:
# Generate Docker Compose
dotnet run --project MyDistributedApp.AppHost -- \
--publisher compose \
--output-path ../deploy
# Generate Kubernetes manifests
dotnet run --project MyDistributedApp.AppHost -- \
--publisher manifest \
--output-path ../deploy/k8s
Тоді застосуйте
# Docker Compose
docker-compose -f deploy/docker-compose.yml up -d
# Kubernetes
kubectl apply -f deploy/k8s/
Komponenти Aspire
До-вибудовані інтеграції роблять додавати послуги банальнимиM SK1
// Add various backing services
var redis = builder.AddRedis("cache");
var postgres = builder.AddPostgres("db").AddDatabase("mydb");
var rabbitmq = builder.AddRabbitMQ("messaging");
var mongodb = builder.AddMongoDB("mongo").AddDatabase("docs");
var sql = builder.AddSqlServer("sql").AddDatabase("business");
// Add Azure services
var storage = builder.AddAzureStorage("storage");
var cosmos = builder.AddAzureCosmosDB("cosmos");
var servicebus = builder.AddAzureServiceBus("messaging");
// Use in services
builder.AddProject<Projects.MyService>("service")
.WithReference(redis)
.WithReference(postgres)
.WithReference(rabbitmq);
Самотність МСК0 Хостинг на обмежених ресурсах МSK1 Практична оптимізація
Для запуску стека повної наслідковості, подібного до цього, необхідні значні ресурси. Якщо ви' самі-, то маєтеVPS зGB RAM або старою комп 'ютерною комп' ютерною системою 4, то тут є практичні стратегії, щоб зменшити використання ресурсів, водночас підтримуючи функцію.
Лише розвитку
Для локального розвитку, ви не потребуєте devdeps-docker-composeM SK2yml підход працює лише так, як вам потрібно:
services:
smtp4dev:
image: rnwood/smtp4dev
ports:
- "3002:80"
- "2525:25"
volumes:
- e:/smtp4dev-data:/smtp4dev
restart: always
postgres:
image: postgres:16-alpine
container_name: postgres
ports:
- "5432:5432"
env_file:
- .env
volumes:
- e:/data:/var/lib/postgresql/data
restart: always
Чому це працює для розвитку:
- SMTP4Dev: Випробувати функцію електронної пошти без реального SMTP сервера
- ПостгрSQL: Добігає до бази даних виробництва
- Кількість відбитків: ~200 Мб оперативної пам 'яті проти МSK2 ГБ для повного стека
Подивіться повний інструктор з розвитком для інструкцій з налаштування.
Ресурс-Встановлення обмеженого виробництва
Для бюджетної системи VPS (2-4ГБ оперативної пам 'яті ), пріоритетувати основні послуги МSK2
services:
# Core application
mostlylucid:
image: scottgal/mostlylucid:latest
restart: always
env_file: .env
volumes:
- ./markdown:/app/markdown
- ./logs:/app/logs
networks:
- app_network
deploy:
resources:
limits:
memory: 512M
cpus: '1.0'
reservations:
memory: 256M
# Database only
db:
image: postgres:16-alpine
env_file: .env
volumes:
- db_data:/var/lib/postgresql/data
networks:
- app_network
deploy:
resources:
limits:
memory: 512M
healthcheck:
test: ["CMD-SHELL", "pg_isready -U ${POSTGRES_USER}"]
interval: 30s
timeout: 5s
retries: 3
# Caddy for HTTPS
caddy:
image: caddy:latest
ports:
- 80:80
- 443:443
volumes:
- ./Caddyfile:/etc/caddy/Caddyfile
- caddy_data:/data
networks:
- app_network
deploy:
resources:
limits:
memory: 128M
volumes:
db_data:
caddy_data:
networks:
app_network:
Що видалено і які альтернативи?
- Ні Prometheus/Grafana: Використовуйте зовнішній контроль (UptimeRobotM SK2 BetterStack free tier)
- Без Seq: Використовуйте файлM SK1залежне завантаження +
docker logs, або Seq Cloud безкоштовний рівень - Ніхто не бачить вежі: Рухові aktualiзації з повідомленнями GitHub Actions
- Ніяких послуг перекладу: Запуск на МSK1заказ у окремому контейнері, який ви запускаєте
- Ресурсні обмеження: Захищати будь-який єдиний сервіс від використання всієї пам 'яті
Прогресивна стратегія
Почати з мінімального, додавати послуги, як потрібноM SK1
Стадія 1: Кора МSK1 МБ -1 ГБ ВПС МSK3
# Just app + database + reverse proxy
docker-compose up -d mostlylucid db caddy
Стадія 2: Додайте обсервабельність (2GB VPSM SK2
# Add lightweight monitoring
docker-compose up -d mostlylucid db caddy seq
# Use Seq free 10GB/month
Стадія 3: Полна партія МSK1 ГБ + ВПС МSK3
# Add everything
docker-compose up -d
Технології оптимізації ресурсів
1. Використовуйте альпійські зображення
services:
myapp:
image: postgres:16-alpine # 50% smaller than postgres:16
# vs
image: postgres:16 # Full Debian base
Заощадження: Альпійські зображення менші 50-70%
2. Об 'єднана база даних
Замість однієї бази даних на службу, використовувати одну instanцію PostgreSQL з багатьма базами даних:
db:
image: postgres:16-alpine
# One instance, multiple databases
# Umami, Mostlylucid, etc. all share this PostgreSQL
Заощадження: 400 Мб оперативної пам 'яті на одну додаткову базу даних, яку ви згуртуєте
3. Limit CPU for Background Services
easynmt:
deploy:
resources:
limits:
cpus: "2.0" # Don't let translation consume all CPU
reservations:
cpus: "0.5" # Guarantee minimum
Це запобігає голоду веб-приложений на фонових роботах.
4. Неперервні об 'єми кэша
Як описано в Створити зображення з дротом, montage cache directories prevents unnecessary reprocessing
mostlylucid:
volumes:
- /mnt/imagecache:/app/wwwroot/cache # ImageSharp cache persists across restarts
Чому це важливо?: Без цього , кожен поновний запуск контейнеру регенерує всі зображення
5. Використовуйте внешні послуги
| Услуги | Самотужки МSK2 Администрований RAM МSK3 Внутрішня альтернатива M | |
|---|---|---|
| МSK0 Скв | МSK2 Мб | Сек Хмара мSK4 ГБ M/місячно безкоштовна МСК6 МСК7 |
| Прометеус МSK1 Графана | МSK3 МБ ♫ ♫ МSK4 ♫ Графана Хлоуд ♫ ( ♫ вільний рівень ♫ | |
| Умамі МSK1 МSK2 МБ МСК3 Винятково СМСК4 платна СМСК5 або сама МСК6 відвідувачка в іншому місці MSК7 |
Стратегія: Обсервабельність відряду на безкоштовних рівнях , зберігати базову програму на вашому VPS
6. НаM SK1Сервиси на замовлення
Для непотрібних послуг, таких як переклад:
# Create a separate compose file
# translation-compose.yml
services:
easynmt:
image: easynmt/api:2.0.2-cpu
ports:
- "8888:8888"
volumes:
- /mnt/easynmt:/cache/
# Only run when needed
docker-compose -f translation-compose.yml up -d
# Translate your content
# ...
# Shut down when done
docker-compose -f translation-compose.yml down
Заощадження: 1-2 ГБ оперативної пам 'яті, коли служба перекладу не працює
Реальність-World Budget Hosting Example
Ось що працює на $6/місячному Hetzner VPS
# Minimal production compose
services:
mostlylucid:
image: scottgal/mostlylucid:latest
restart: always
env_file: .env
volumes:
- /mnt/markdown:/app/markdown
- /mnt/logs:/app/logs
- /mnt/imagecache:/app/wwwroot/cache
depends_on:
- db
db:
image: postgres:16-alpine
env_file: .env
volumes:
- /mnt/postgres:/var/lib/postgresql/data
healthcheck:
test: ["CMD-SHELL", "pg_isready"]
interval: 30s
cloudflared:
image: cloudflare/cloudflared:latest
command: tunnel run --token ${CLOUDFLARED_TOKEN}
restart: always
watchtower:
image: containrrr/watchtower
volumes:
- /var/run/docker.sock:/var/run/docker.sock
environment:
WATCHTOWER_CLEANUP: "true"
WATCHTOWER_LABEL_ENABLE: "true"
command: --interval 3600 # Check once per hour, not every 5 minutes
Кількість використання ресурсів:
- RAM: M SK1MB (повільно МSK3ГБ вільного)
- Диск: M SK1ГБ
- Процесор : МSK1 в стані тиші МSK2 <50% під навантаженням
Яка різниця?
- Немає Prometheus/Grafana M SK1используйте UptimeRobot + Cloudflare Analytics)
- Ні Seq (use
docker logs+ випадковий схваленняM SK1 - Ні Умамі ( використати Cloudflare Web Analytics МSK1 безкоштовноM SK2
- Вежба перевіряється щогодично замість кожного 5 хвилин
- Ніяких послуг перекладу (гортати вручну, коли необхідноM SK1
Наслідування бюджету
Без Prometheus/Grafana, використовуйте ці безкоштовні альтернативи
Охрана здоров 'я:
# Simple health check script
#!/bin/bash
while true; do
curl -f http://localhost/healthz || echo "Health check failed!" | mail -s "Alert" [email protected]
sleep 300
done
Мониторинг журналу:
# Watch for errors
docker-compose logs -f --tail=100 | grep -i error
# Email on critical errors
docker-compose logs -f | grep -i "critical" | while read line; do
echo "$line" | mail -s "Critical Error" [email protected]
done
використання ресурсів:
# Quick resource check
docker stats --no-stream
# Pretty output
docker stats --format "table {{.Name}}\t{{.CPUPerc}}\t{{.MemUsage}}"
Версия Aspire: .NET Way
Тепер дозвольте ' переосмислити весь стек, використовуючи .NET AspireM SK2 Це дає вам всі переваги оркестрування з кращою МSK3NET інтеграцією і дивовижним досвідом програмування
Налагодження прагнення до найяскравіших
Перше, створити Гость додатку Aspire:
# Add Aspire to your solution
dotnet new aspire-apphost -n Mostlylucid.AppHost
cd Mostlylucid.AppHost
Найяскравіший варіант:
var builder = DistributedApplication.CreateBuilder(args);
// PostgreSQL with persistent data
var postgres = builder.AddPostgres("postgres")
.WithDataVolume() // Persistent storage
.WithPgAdmin(); // Optional: PgAdmin for database management
var mostlylucidDb = postgres.AddDatabase("mostlylucid");
var umamiDb = postgres.AddDatabase("umami");
// Seq for centralized logging
var seq = builder.AddSeq("seq")
.WithDataVolume();
// Redis for caching (if needed)
var redis = builder.AddRedis("cache")
.WithDataVolume()
.WithRedisCommander(); // Optional: Redis Commander UI
// Main blog application
var mostlylucid = builder.AddProject<Projects.Mostlylucid>("web")
.WithReference(mostlylucidDb)
.WithReference(seq)
.WithReference(redis)
.WithEnvironment("TranslateService__Enabled", "false") // Disable for dev
.WithHttpsEndpoint(port: 7240, name: "https");
// Umami analytics
var umami = builder.AddContainer("umami", "ghcr.io/umami-software/umami", "postgresql-latest")
.WithReference(umamiDb)
.WithEnvironment("DATABASE_TYPE", "postgresql")
.WithEnvironment("TRACKER_SCRIPT_NAME", "getinfo")
.WithEnvironment("API_COLLECT_ENDPOINT", "all")
.WithHttpEndpoint(port: 3000, name: "http");
// Translation service (CPU version, with resource limits)
var translation = builder.AddContainer("easynmt", "easynmt/api", "2.0.2-cpu")
.WithDataVolume("/cache")
.WithHttpEndpoint(port: 8888, name: "http")
.WithEnvironment("MODEL_FAMILY", "opus-mt");
// Scheduler service (Hangfire background jobs)
var scheduler = builder.AddProject<Projects.Mostlylucid_SchedulerService>("scheduler")
.WithReference(mostlylucidDb)
.WithReference(seq);
// Prometheus for metrics
var prometheus = builder.AddContainer("prometheus", "prom/prometheus", "latest")
.WithDataVolume()
.WithBindMount("./prometheus.yml", "/etc/prometheus/prometheus.yml")
.WithHttpEndpoint(port: 9090);
// Grafana for visualization
var grafana = builder.AddContainer("grafana", "grafana/grafana", "latest")
.WithDataVolume()
.WithHttpEndpoint(port: 3001)
.WithEnvironment("GF_SECURITY_ADMIN_PASSWORD", builder.Configuration["Grafana:AdminPassword"] ?? "admin");
builder.Build().Run();
По замовчуванню сервісу Aspire
Створити Найяскравіший.Defaults проект:
// Extensions.cs
public static class Extensions
{
public static IHostApplicationBuilder AddServiceDefaults(this IHostApplicationBuilder builder)
{
// OpenTelemetry
builder.Services.AddOpenTelemetry()
.WithMetrics(metrics =>
{
metrics.AddAspNetCoreInstrumentation()
.AddHttpClientInstrumentation()
.AddRuntimeInstrumentation();
})
.WithTracing(tracing =>
{
if (builder.Environment.IsDevelopment())
{
tracing.SetSampler(new AlwaysOnSampler());
}
tracing.AddAspNetCoreInstrumentation()
.AddHttpClientInstrumentation()
.AddEntityFrameworkCoreInstrumentation();
});
// Health checks
builder.Services.AddHealthChecks()
.AddCheck("self", () => HealthCheckResult.Healthy(), tags: new[] { "live" });
return builder;
}
public static IApplicationBuilder MapDefaultEndpoints(this WebApplication app)
{
app.MapHealthChecks("/healthz");
app.MapHealthChecks("/ready", new HealthCheckOptions
{
Predicate = check => check.Tags.Contains("ready")
});
return app;
}
}
Обновлюйте найяскравіший/Program.cs
var builder = WebApplication.CreateBuilder(args);
// Add Aspire service defaults (telemetry, health checks)
builder.AddServiceDefaults();
// Add services
builder.AddNpgsqlDbContext<MostlylucidDbContext>("mostlylucid");
builder.AddRedisClient("cache");
// Existing service registrations...
// builder.Services.AddControllersWithViews();
// etc...
var app = builder.Build();
// Map Aspire default endpoints
app.MapDefaultEndpoints();
// Existing middleware...
app.Run();
Преподобання Aspire Approach
Дослідження розвитку:
- Одинакова команда:
dotnet run --project Mostlylucid.AppHostвсе починається - Дошка для вібрацій: Красивий інтерфейс на http
- Всі послуги з живим статусом
- Записи з усіх сервісів в одному місці
- Розповсюдині сліди по всіх службах
- Метрії та перевірки здоров 'я
- Викриття сервісу: Услуги знаходять один одного автоматично через імена
- Konfiguracja: Центрізований в AppHost, більше
.envжонглювання
Розгортання виробництва:
Створити manifestи розгортання з Aspire:
# Generate Docker Compose
dotnet run --project Mostlylucid.AppHost -- \
--publisher compose \
--output-path ./deploy
# This creates a production-ready docker-compose.yml
cd deploy
docker-compose up -d
Згенерований докер-композиціяM SK1yml ( спрощенеM SK1
services:
postgres:
image: postgres:16
environment:
POSTGRES_PASSWORD: ${POSTGRES_PASSWORD}
volumes:
- postgres-data:/var/lib/postgresql/data
mostlylucid-db:
image: postgres:16
# Database initialization
seq:
image: datalust/seq:latest
environment:
ACCEPT_EULA: Y
volumes:
- seq-data:/data
web:
image: scottgal/mostlylucid:latest
environment:
ConnectionStrings__mostlylucid: Host=postgres;Database=mostlylucid;Username=postgres;Password=${POSTGRES_PASSWORD}
ConnectionStrings__cache: cache:6379
depends_on:
- postgres
- cache
- seq
cache:
image: redis:7-alpine
volumes:
- redis-data:/data
# ... other services
Aspire проти традиційного комп 'ютера Docker
| Funkція МSK1 Докер комп 'ютера Compose МSK2 . NET Aspire | ||
|---|---|---|
| Налагодження | Ручний YAML МSK1 CM SK2 код з IntelliSense | |
| Викриття сервісу | Ручна нав 'язка МSK1 Автоматична МSK2 | |
| Обсервабельність | Візьміть власний МSK1 Збудований МSK2 в ( Відкрита телеметрія | |
| Розробка | docker-compose up |
dotnet run + Навігатор МSK1 |
| Розладнання | Прикріпити до контейнера МSK1 FM SK2 у візуальному студії | |
| Логи | docker logs |
Центральна панель управления МSK1 |
| Послідування | Установка вручну | |
| Produkція | Використовуйте YAML напряму | генеруйте manifests МSK2 |
| Викладання Curve | синтаксис YAML |
Коли використовувати Aspire проти Docker Compose
Використовуйте Aspire, коли:
- Будівля .NET мікросервиси
- Ви хочете інтегрованого виправлення
- Команда почувається комфортно з C#
- Вам потрібно розповсюджене відстеження
- Ви' застосовуєте додатки Azure Container Apps (нативна підтримкаM SK2
Використовуйте Docker Compose, коли:
- Услуги поліглота (Node.jsMSC2 PythonM SK3 GoMST4 і т.д.
- Команда надає перевагу інфраструктурі
- Розгортання на будь-якому комп 'ютері Docker-
- Вам потрібно максимально контролювати конфігурацію контейнерів
- Прості одинарні-служби
Використовуйте обидва:
- прагнути локального розвитку
- Створити комп 'ютер Docker Compose для розробки виробництва
- Найкращий з обох світів!
Еволюція цього блогу' Установлення дронта
Цей блог's Докерна подорож показує типовий прогресM SK1
- Іюль 2024 МSK1 Простій старт: Це лише додаток , CloudflaredM SK2 і Watchtower
- Август 2024 - Dev Dependencies: Додатковий розвиток -ніжні послуги
- Август 2024 МSK1 Обновлення зображення: Відкрили права на пам 'ятку для шифрування
- Ноябрь 2024 МSK1 Полна партія: Полна можливість спостереження за Prometheus , Grafana МSK2 Seq
- Сьогодні: Опція Aspire для .NET-первого розвитку
Усвідомлені уроки:
- Почнемо з простого, додайте складність тільки тоді, коли це потрібно
- Відокремлені конфігурації dev та виробництва
- Ограничення ресурсів не дають можливості вбивати інших
- Монтування звуку для кэшів заощаджує значний час переробки
- Навігація включає нуль-зарядний час автоM SK1Aktualізації
- Наслідковість варте вартості ресурсів в процесі виробництва
Підсумок найкращих практик
Найкращі практики Dockerfile
- Використовуйте багатострокові будинки
- Працювати як не пользователь root-
- Заказ інструкцій для оптимального кэшування
- Використовуйте конкретні базові значки для зображення (не
latest) - Включити контроль здоров 'я
- Використовувати
.dockerignoreщоб уникнути непотрібних файлів - Минімізувати шари (з 'єднати команди RUNM SK1
- Використовуйте аргументи збудування для гнучкості
Докер складає найкращі практики
- Використовувати названі томи для даних
- Втілити медичні перевірки
- Використовувати
.envдля секретів (ніколи не заповнюватиM SK1 - Визначати конкретні мережі
- Використовувати
depends_onз здоров 'ям - Установити правила повторного запуску
- Відокремлені конфігурації dev/prod
- Ресурсні обмеження в галузі виробництва
Найкращі практики безпеки
- Працювати як не пользователь root-
- Використовуйте маліші базові зображення: chiseled/
- Сканувати зображення для нестабільності
- Обновлювати базові зображення
- Don' не вміщує таємниць у зображеннях
- Використовуйте read- тільки файлові системи, якщо це можливо
- Ограничення можливостей контейнерів
- Використовувати секрети Докера або зовнішніх секретних менеджерів
Найкращі практики в галузі ефективності
- Використовуйте BuildKit для швидших збудувань
- Кэшування шарів ліверації
- Multi- збудовує сцену, щоб зменшити розмір зображення
- Використовувати
.dockerignoreз великодушністю - Alpine/викращені зображення для меншого розміру
- Використовувати встановлення звуку для розробки
- Konfigurувати відповідних обмежень ресурсів
- Використовуйте перевірки здоров 'я для оркестрування
Полегшення поширених проблем
Контейнер Won't Start
# Check logs
docker logs container-name
# Common issues:
# 1. Port already in use
docker ps | grep 8080 # Find conflicting container
docker stop conflicting-container
# 2. Missing environment variables
docker inspect container-name | grep Env
# 3. Failed health check
docker inspect container-name | grep Health -A 20
Повільні будинки
# Enable BuildKit for faster builds
export DOCKER_BUILDKIT=1
# Use build cache
docker build --cache-from myapp:latest -t myapp:latest .
# Check what's taking time
docker build --progress=plain -t myapp:latest .
Проблеми з мережею
# Containers can't communicate
# Solution: Ensure they're on the same network
docker network ls
docker network inspect network-name
# DNS not working
# Container names are DNS names within Docker networks
docker exec web ping db # Should work if both on same network
Проблеми з дозволенням к tomu
# Permission denied on volume
# Solution: Match user IDs
FROM ubuntu
RUN useradd -u 1000 appuser # Match host user ID
USER appuser
Завершення
Докер перетворився з простого інструменту контейнеризації на комплексну платформу для будівництва, транспортування , і запуску сучасних програм МSK2 Цей інструктор привів вас від фундаментальних складів до виробництва
Key Takeaways
Для początkujących:
- Почнемо з базове налаштування Docker Compose - лише МSK1 послуги
- Використовувати розвиток- тільки залежності для місцевої роботи
- Вигадувати звичайні проблеми, такі як uprawnienia до звуку рано
Для себе , МСК0 Працівники з бюджетної системи VPS, ":".
- Почнемо з мінімального: додаток M SK1 база даних + зворотній прокси МSK3 Мб оперативної пам 'яті
- Використовувати альпійські зображення та обмеження ресурсів
- Обсервабельність відряду до вільного рівня (Seq CloudM SK1 Grafana Cloud , UptimeRobot)
- Використовувати дорогі послуги (перетворення, MLM SK2 тільки на МSK3заказ
- $6/місячна VPS може вести блог про виробництво з вільною кімнатою
Для виробництва:
- Здоров 'яві перевірки umożliwiają нульові-поновлення в часі відходу з телевізійною ветрою
- Невід 'ємні мережі гарантують безпеку ( фронтальний / ізоляції зворотнього M SK2
- Закріплення для даних, які вам потрібні для резервного копування/access
- Наименовані томи для Docker-владної зберігання
- CPU/ліміти пам 'яті запобігають голоду ресурсів
- Вулка Cloudflare eliminує потребу у публічних IP-адресах
Для .NET Developers:
- Вбудована-в контейнері для публікації в .NET 9 eliminує Dockerfiles для простих програм
- Чиселовані зображення Ubuntu забезпечують мінімальну поверхню атаки
- .NET Aspire пропонує найкращий досвід локального розвитку в klasiі МSK1в МSK2
- Aspire може генерувати Docker Compose для виробництва
- Інтеграція OpenTelemetry є безкоштовною з Aspire
Для складних випадків використання:
- Контейнери GPU umożliwiają роботу ML/AI з швидкістю M SK1x
- Архітектура Multi- створює підтримку ARM64 та AMDM SK2 з одного джерела
- GitHub Actions автоматизує багатоплатформні будинки
- Лаyer caching драматично пришвидшує повторювані будинки
Подорож
Цей блог' еволюція дронта відображає типовий прогрес:
| Стадія МSK1 Услуги МSK2 Використовування оперативної пам 'яті | Сложність | ||||
|---|---|---|---|---|---|
| Стадія 1 (липень МSK1 МSK2 додаток + тунель мSK4 ♫ ♫ МSK5 МБ ♫ | ♫ Прості ♫ | ||||
| Стадія 2 (Ог МSK1 МSK2 + Відлежність від програмування | МSK5 МБ | Освободження | |||
| Стадія 3 (Ог МSK1 МSK2 ♫ ♫ МSK3 ♫ Обновлення частоти ♫ | ♫ | ||||
| Стадія 4 (Nov МSK1 МSK2 Полна обсервабельність | |||||
| Стадія 5 ( СьогодніM SK1 МSK2 + Опція Наполегливість МSK4 Варіабель | Современный | МSK6 |
Модель: Почати з простого , розв 'язати проблеми, як вони виникають M SK2 додавати складність тільки тоді, коли це потрібно .
Що' СледующаяM SK1
В залежності від вашого шляху:
- Докер для навчання: Почнемо з Докер Compose basics
- Самотіла-Hosting: Попробуйте мінімальне налаштування VPS з цієї статті
- Мікросервиси для будівництва: Дослідження .NET Aspire
- Працюючи з МЛ: Подивіться на найяскравіший-nmt переклад
- Мультиплатформа: Установити buildx для ARM64 + AMDM SK3
Ресурс
офіційна документація:
- Докерна документація
- Докер Комп 'ютерна референція
- .NET Контейнерні зображення
- .NET Aspire Documentation
- Набір інструментів для контейнерів NVIDIA
- Докер Buildx
Цей блог 's Docker Series:
- Докер Compose - На початку
- Залежність від розвитку - Постановка локального dev
- Створити зображення з дротом - Права на звук
- Цей artykuł - Глибокий подив на виробництво
Поміжні проекти:
- найбільш зрозуміле-nmt - GPUM SK1CPU Translation service with multi-arch builds
- Найяскравіший джерело блогу - Подивіться на справжній код і сконструюйте файли
Пам 'ятайте, що найкраща архітектура відповідає вашим потребам без непотрібної складності.
Щасливе контейнеризування! M SK1