第3章：Linux基础与系统初始化

说实话，很多做AI训练的朋友，一开始都栽在Linux环境上。我见过太多人，模型写得漂亮，结果连个SSH都连不上，或者权限配错了，训练跑到一半报错。嗯，这一章咱们就把这些基础打牢。

3.1 Ubuntu Server 22.04 安装要点

我个人习惯用Ubuntu Server 22.04 LTS做训练节点。为什么？稳定，驱动支持好，社区活跃。你想想看，要是装个系统三天两头出问题，哪还有心思调模型？

安装时注意几个关键点：

• 磁盘分区：建议用LVM逻辑卷管理。我在项目中遇到过，一开始分区给小了，后来数据盘不够用，只能停机扩容。用LVM的话，在线就能加空间。
• 网络配置：装完系统第一件事，配静态IP。别用DHCP，训练节点IP变了，整个集群都得跟着改配置，太折腾。
• 软件源：换成国内镜像，比如清华或阿里云。不然apt update能等半小时，急性子受不了。

3.2 SSH 配置与安全加固

SSH是咱们运维的命根子。集群里几十台机器，全靠它来管。配置不好，要么连不上，要么被黑客盯上。

先看看基本配置，编辑 /etc/ssh/sshd_config：

# 我一般这样配
Port 2222                    # 改掉默认22端口，减少被扫描的概率
PermitRootLogin no           # 禁止root直接登录，用普通用户+sudo
PubkeyAuthentication yes     # 开启密钥登录
PasswordAuthentication no    # 关掉密码登录，只用密钥
MaxAuthTries 3               # 最多试3次，防暴力破解
ClientAliveInterval 60       # 每60秒发一次心跳，防止连接断开
ClientAliveCountMax 3        # 心跳超时3次就断开

改完配置记得重启服务：sudo systemctl restart sshd

密钥登录怎么配？我习惯用ed25519算法，比RSA快，也更安全：

# 在本地生成密钥对
ssh-keygen -t ed25519 -f ~/.ssh/id_ed25519 -C "your_email@example.com"

# 把公钥传到服务器
ssh-copy-id -i ~/.ssh/id_ed25519.pub -p 2222 user@server_ip

3.3 用户与权限管理

集群训练环境，用户管理特别重要。你不能让所有人都用root跑训练，万一有人误操作删了数据，哭都来不及。

我一般这样建用户：

# 创建训练专用用户
sudo useradd -m -s /bin/bash trainuser
sudo passwd trainuser

# 加到sudo组，方便临时提权
sudo usermod -aG sudo trainuser

# 设置umask，默认创建的文件不让其他人写
echo "umask 0022" >> /home/trainuser/.bashrc

权限这块，记住一个原则：最小权限原则。训练数据目录，只有训练用户和运维组能读；模型输出目录，只有训练用户能写。

3.4 关闭防火墙与SELinux

这个标题可能让安全工程师看了皱眉。但说实话，在集群训练环境里，防火墙和SELinux经常是「好心办坏事」。

为什么关？因为训练节点之间需要大量通信：

• NFS挂载数据
• MPI/RDMA通信
• 分布式训练框架（如DeepSpeed、Megatron）的节点间通信
• 监控系统采集指标

这些端口动辄几十个，防火墙规则配起来非常麻烦。而且SELinux的上下文配置，稍有不慎就导致进程无法访问文件。我见过一个团队，排查了两天训练报错，最后发现是SELinux拦了NFS挂载。

关闭方法很简单：

# 关闭防火墙
sudo ufw disable
sudo systemctl stop ufw
sudo systemctl disable ufw

# 关闭SELinux（临时）
sudo setenforce 0

# 永久关闭SELinux
sudo sed -i 's/SELINUX=enforcing/SELINUX=disabled/' /etc/selinux/config

3.5 本章知识体系

下面这张图，是我梳理的本章核心逻辑。你看一遍，基本就知道初始化一台训练节点要做什么了。

嗯，这一套流程走下来，你的训练节点就算初始化好了。别嫌麻烦，基础打牢了，后面集群搭建才顺风顺水。我当年第一次搭集群，就是图省事跳过了这些步骤，结果后面补坑补了三天。

想要更多资料，联系可可