第4章 Docker容器化部署

4、Docker容器化部署：Docker安装、GPU容器镜像制作、nvidia-docker配置、容器资源限制

说到量化交易系统的部署，我这些年踩过最大的坑就是环境不一致。本地跑得好好的策略，一上服务器就崩。后来我彻底转向了Docker容器化，尤其是GPU加速这块，容器化简直是救命稻草。今天咱们就聊聊怎么把GPU风控系统装进Docker里。

4.1 Docker安装——别小看这一步

很多人觉得装Docker就是几条命令的事。嗯，确实不难，但版本选不对后面全是坑。我个人习惯用官方源安装，别用系统自带的旧版本。

Ubuntu系统下安装：

# 卸载旧版本
sudo apt-get remove docker docker-engine docker.io containerd runc

# 安装依赖
sudo apt-get update
sudo apt-get install \
    ca-certificates \
    curl \
    gnupg \
    lsb-release

# 添加Docker官方GPG密钥
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo gpg --dearmor -o /usr/share/keyrings/docker-archive-keyring.gpg

# 设置稳定版仓库
echo \
  "deb [arch=$(dpkg --print-architecture) signed-by=/usr/share/keyrings/docker-archive-keyring.gpg] https://download.docker.com/linux/ubuntu \
  $(lsb_release -cs) stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null

# 安装Docker引擎
sudo apt-get update
sudo apt-get install docker-ce docker-ce-cli containerd.io docker-compose-plugin

# 验证安装
sudo docker run hello-world

我的经验：安装完成后记得把当前用户加入docker组，不然每次都要sudo。命令是 sudo usermod -aG docker $USER，然后退出重新登录。

4.2 GPU容器镜像制作——核心环节

量化风控系统离不开GPU加速，尤其是实时计算VaR和蒙特卡洛模拟的时候。我一开始直接用nvidia/cuda基础镜像，后来发现太臃肿了。你想想看，生产环境要的是轻量、快速、安全。

我的推荐做法：从官方cuda镜像开始，只装必要的库。

# Dockerfile
FROM nvidia/cuda:11.8.0-cudnn8-runtime-ubuntu22.04

LABEL maintainer="quant-risk-system"
LABEL description="GPU风控系统容器镜像"

# 设置环境变量
ENV DEBIAN_FRONTEND=noninteractive
ENV PYTHONUNBUFFERED=1
ENV CUDA_HOME=/usr/local/cuda
ENV PATH=$CUDA_HOME/bin:$PATH
ENV LD_LIBRARY_PATH=$CUDA_HOME/lib64:$LD_LIBRARY_PATH

# 安装系统依赖
RUN apt-get update && apt-get install -y --no-install-recommends \
    python3.10 \
    python3-pip \
    python3-dev \
    libssl-dev \
    libffi-dev \
    wget \
    && rm -rf /var/lib/apt/lists/*

# 安装Python量化库
RUN pip3 install --no-cache-dir \
    numpy==1.24.3 \
    pandas==2.0.3 \
    numba==0.57.0 \
    cupy-cuda11x==12.0.0 \
    scikit-learn==1.3.0 \
    pyarrow==12.0.0 \
    fastapi==0.100.0 \
    uvicorn==0.23.1

# 复制风控系统代码
COPY ./risk_engine /app/risk_engine
COPY ./config /app/config
COPY ./models /app/models

# 设置工作目录
WORKDIR /app

# 暴露端口
EXPOSE 8000

# 启动命令
CMD ["uvicorn", "risk_engine.main:app", "--host", "0.0.0.0", "--port", "8000"]

  关键点：一定要用 --no-cache-dir 安装pip包，不然镜像体积会大很多。我见过有人镜像直接飙到8GB，其实压缩后2GB就够用。

4.3 nvidia-docker配置——让容器认识GPU

装好Docker和镜像只是第一步。如果不配nvidia-docker，容器里根本用不了GPU。说白了，Docker默认不把宿主的GPU设备映射进去。

安装nvidia-docker2：

# 添加nvidia-docker仓库
distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -
curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | sudo tee /etc/apt/sources.list.d/nvidia-docker.list

# 安装
sudo apt-get update
sudo apt-get install -y nvidia-docker2

# 重启Docker服务
sudo systemctl restart docker

# 验证GPU是否可用
sudo docker run --rm --gpus all nvidia/cuda:11.8.0-runtime-ubuntu22.04 nvidia-smi

我曾经遇到过一个问题：明明装了nvidia-docker2，但容器里还是找不到GPU。后来发现是Docker的运行时配置没更新。解决办法是检查 /etc/docker/daemon.json 文件，确保里面有这段配置：

{
    "default-runtime": "nvidia",
    "runtimes": {
        "nvidia": {
            "path": "nvidia-container-runtime",
            "runtimeArgs": []
        }
    }
}

避坑指南：我曾经在生产环境上直接重启Docker服务，结果所有运行中的容器都挂了。建议先 sudo systemctl daemon-reload 再重启，或者用 sudo kill -HUP $(pidof dockerd) 热加载配置。

4.4 容器资源限制——别让一个容器吃掉所有GPU

量化交易系统里，风控模块、回测模块、实盘模块可能同时跑。如果不限制资源，一个容器就能把GPU显存吃光，其他模块直接卡死。我见过最惨的一次，回测任务把显存占满，导致实盘风控延迟了3秒，差点触发熔断。

GPU资源限制方法：

限制类型	参数	说明
指定GPU设备	`--gpus '"device=0,1"'`	只使用第0和第1块GPU
限制显存	`--gpus '"capabilities=gpu,memory=4096"'`	限制最大使用4GB显存
限制计算能力	`--gpus '"capabilities=gpu,compute=50"'`	限制计算能力百分比
CPU核心限制	`--cpus 4`	限制使用4个CPU核心
内存限制	`--memory 8g`	限制最大使用8GB内存

实际部署示例：

# 启动风控容器，限制GPU和内存
docker run -d \
    --name risk-engine-prod \
    --gpus '"device=0,memory=4096"' \
    --cpus 4 \
    --memory 8g \
    --memory-swap 8g \
    --restart always \
    -v /data/risk_logs:/app/logs \
    -v /data/risk_config:/app/config \
    -p 8000:8000 \
    risk-engine:latest

# 查看容器资源使用
docker stats risk-engine-prod

# 动态调整资源限制（不重启容器）
docker update --cpus 6 --memory 12g risk-engine-prod

我的习惯：生产环境我会用 --memory-swap 和 --memory 设为相同值，这样容器不会使用swap，避免性能抖动。你想想看，风控系统如果因为swap导致延迟，那损失可不是闹着玩的。

4.5 知识体系总览

下面这张图是我自己梳理的Docker容器化部署的核心逻辑，你可以对照着看，心里有个谱。

这张图把四个核心模块串起来了。从最底层的Docker安装，到镜像制作，再到GPU配置，最后是资源管控。每一步都环环相扣，缺一不可。

好了，这一章的内容就到这儿。记住一句话：容器化不是终点，稳定运行才是。把GPU资源管好了，你的风控系统才能扛得住极端行情。

📚 课程目录

4、Docker容器化部署：Docker安装、GPU容器镜像制作、nvidia-docker配置、容器资源限制

4.1 Docker安装——别小看这一步

4.2 GPU容器镜像制作——核心环节

4.3 nvidia-docker配置——让容器认识GPU

4.4 容器资源限制——别让一个容器吃掉所有GPU

4.5 知识体系总览