在国产麒麟V10(arm64)上离线部署Docker 24.0.6和Compose 2.30.1,保姆级避坑实录

在国产麒麟V10(arm64)服务器上离线部署Docker 24.0.6和Compose 2.30.1的保姆级教程 本文提供在国产麒麟V10(arm64)服务器上离线部署Docker 24.0.6和Compose 2.30.1的详细教程,涵盖环境准备、系统配置优化、组件安装与验证、生产环境专项配置及常见问题排查,特别针对信创环境下的安全加固和性能调优提供实用解决方案。 阅读详情

麒麟V10 ARM架构离线部署Docker全栈实战指南

在信创产业快速发展的背景下,国产操作系统与ARM架构服务器的组合已成为许多关键领域的基础设施选择。作为一款广受认可的国产操作系统,麒麟V10凭借其安全稳定的特性,在党政军、金融等行业得到广泛应用。然而,当我们需要在这样的环境中部署现代容器化技术时,往往会遇到一系列特有的挑战——从软件包依赖的缺失到架构兼容性问题,从离线环境的限制到系统配置的差异,每一步都可能成为阻碍项目顺利推进的"暗礁"。

本文将基于实际项目经验,详细介绍在麒麟V10(ARM64架构)离线环境中部署Docker 24.0.6和Compose 2.30.1的完整流程,重点解析那些官方文档中未曾提及的"坑点"和解决方案。不同于简单的步骤罗列,我们将深入探讨每个操作背后的原理,并提供可复用的配置模板,帮助您在类似环境中少走弯路。

1. 环境准备与架构认知

在开始部署前,充分了解目标环境的特性至关重要。麒麟V10基于openEuler内核,与常见的CentOS/RHEL存在诸多差异,而ARM64架构(也称为aarch64)与x86_64在指令集层面的不同,更会导致许多预编译软件包无法通用。

首先确认系统基本信息:

# 查看系统版本
cat /etc/kylin-release

# 确认CPU架构
uname -m

注意:虽然aarch64和arm64通常可以互换使用,但在某些软件包的命名中会严格区分,下载时需要特别注意。

对于离线环境,我们需要预先下载所有依赖项。以下是必须准备的组件清单:

  • Docker静态二进制包:选择docker-24.0.6.tgz的aarch64版本
  • Docker Compose二进制文件:docker-compose-
银河麒麟V10ARM架构服务器离线安装docker\nacos【附安装包】 本文分享了在银河麒麟ARM64操作系统上安装Docker和Nacos的完整过程。首先提供了Docker的自动化安装脚本,包含服务配置、存储路径设置等关键步骤,并给出了常用维护命令。接着详细介绍了通过Docker-compose部署Nacos的方法,包括镜像导入、配置文件修改、鉴权设置等注意事项,特别强调了密钥长度必须超过32个字符的要求。文章还提供了Nacos初次登录的注意事项,并预告了后续可能推出的Redis、Nginx等安装教程。所有配置文件和脚本均可直接下载使用,适合内网环境下国产操作系统的部署 阅读详情

相关推荐

麒麟V10 arm64离线部署Docker与Compose全流程踩坑实录

在国产化与信创迁移的浪潮中,容器化技术正从开发环境向生产环境加速落地,而离线部署则成为内网与涉密场景的刚需。容器运行时依赖操作系统内核特性、cgroup驱动与网络规则,不同CPU架构(如amd64与arm64)更是两套独立生态,选错二进制包往往导致“Exec format error”。理解Docker静态包与系统依赖链的关系,掌握systemd服务配置、overlay2存储驱动、镜像save/load机制和Compose插件安装原理,是确保容器平台稳定运行的关键。这类能力广泛应用于麒麟、统信等国产操作系统

weixin_33762130的博客 389

麒麟V10 ARM架构离线部署Docker全栈:从包获取到服务调优

本文详细指导了在完全离线的麒麟V10 ARM架构(aarch64)服务器上部署Docker全栈的完整流程。内容涵盖从确认系统架构、获取正确的Docker与Docker Compose离线安装包,到规划数据目录、配置systemd服务(重点设置默认ulimit以解决Java应用文件句柄问题),并进行安装验证与生产环境调优,旨在帮助用户在安全隔离的内网环境中搭建稳定高效的容器化基础平台。

weixin_29276847的博客 599

麒麟V10 arm64离线部署Docker与Compose的完整攻略

在国产化替代与内网交付场景中,容器化部署常受限于网络隔离与系统兼容性。离线安装Docker及Compose成为高频需求,其核心挑战在于架构匹配与依赖管理。运用静态二进制包方式,可绕过系统包管理器,直接解压运行,实现版本精确可控与快速部署。该方法适用于麒麟V10等国产Linux服务器,尤其在arm64架构下,需注意内核模块、cgroup及iptables配置。本文以麒麟V10 arm64环境为例,系统梳理了Docker 24.0.6与Compose 2.30.1的完整离线部署流程,涵盖环境检测、二进制安装、s

weixin_34162228的博客 397

在 ARM + 麒麟 V10 上离线安装 Docker 和 Docker Compose

在 ARM + 麒麟 V10 上离线安装 Docker 和 Docker Compose

m0_54370335的博客 2102

麒麟ARM64服务器离线部署PostGIS全攻略:从Docker镜像导出到容器启动

本文详细介绍了在国产麒麟ARM64服务器上离线部署PostGIS数据库的完整方案。通过利用Docker镜像导出与导入技术,有效解决了内网或隔离环境中复杂GIS系统的部署难题。文章从环境准备、兼容镜像获取、离线迁移到容器启动与验证,提供了一套经过实战检验的ARM64架构离线安装全攻略,大幅提升部署效率与一致性。

php55的博客 876

Docker与Docker Compose离线安装指南:ARM架构适配与版本兼容性解决方案

本文提供了一份详尽的ARM架构(aarch64)服务器离线安装Docker与Docker Compose的实战指南。针对国产化及边缘计算场景,重点解决了架构适配、版本兼容性等核心难题,并给出了经过验证的稳定版本组合与系统服务配置方案,确保在无外网环境下成功部署。

weixin_29306571的博客 966

Kylin V10 离线部署实战:从零搭建Docker与Docker Compose环境

本文详细指导如何在完全离线的银河麒麟Kylin V10操作系统上,从零开始部署Docker与Docker Compose环境。内容涵盖CPU架构识别、离线包获取、二进制安装、Systemd服务配置,以及关键的离线镜像管理和Docker Compose应用编排实战,为内网或安全隔离环境下的容器化部署提供完整解决方案。

cola5的博客 558

麒麟系统aarch64架构下Docker与Docker Compose离线安装全攻略

本文详细介绍了在国产麒麟操作系统aarch64架构服务器上,如何在没有互联网连接的环境下,完成Docker与Docker Compose的离线安装。文章提供了从准备aarch64架构专用二进制包、解决版本兼容性问题,到部署配置、服务启动及离线镜像管理的完整全攻略,帮助运维人员高效应对信创项目中的部署挑战。

weixin_29212867的博客 566

麒麟V10 ARM64部署Harbor v2.4.0实战指南

Harbor作为企业级容器镜像仓库,其部署依赖底层容器运行时、cgroup管理机制与TLS证书信任体系。在ARM64架构的国产操作系统(如银河麒麟V10)上,Docker与containerd的cgroup驱动适配、OpenSSL版本兼容性、ARM64原生镜像缺失及自签名证书链注入成为核心挑战。本文围绕Harbor v2.4.0在麒麟V10 SP3环境下的真实部署实践,解析cgroup v1回退配置、Docker 24.0.7+containerd 1.7.20组合调优、ARM64镜像拉取与校验、系统级CA

weixin_34199764的博客 218

kylin-software-center_4.5.75kylin_arm64.deb

kylin-software-center_4.5.75kylin_arm64.deb

银河麒麟桌面系统V10 2303-飞腾,鲲鹏,arm64架构,redis离线deb安装包-24年6月测试

2024年最新测试,绝对没问题!!!,请对应版本和CPU哈 系统版本:银河麒麟桌面系统V10 v2303 此包架构是:飞腾,鲲鹏,arm64架构 redis版本:5.0 特意买了几台国产机器安装和测试,有多种CPU电脑测试(1.飞腾-鲲鹏--arm64,2.龙芯--loongarch,3.龙芯--mips,4.兆芯-海光-intel-AMD--X86) 因为我们公司也是做国产软件的,这些必须测试成功,到客户那里直接安装和使用 安装命令: sudo dpkg -i 你的路径/*.deb 安装完可以直接使用 查看是否安装成功 : redis-server --version 如果安装和使用遇到什么问题也可以联系我,不忙的话立马帮你解答。 下载后有我的联系方式

【ERROR】ERROR1: PROJ: proj_create_from_database: Cannot find proj.db - 环境变量配置与路径修复指南

本文详细解析了地理空间数据处理中常见的【ERROR】ERROR1: PROJ: proj_create_from_database: Cannot find proj.db 错误。该错误的根源是PROJ库无法定位其核心数据文件proj.db。文章提供了从问题诊断到修复的完整指南,包括如何在不同系统(Windows/macOS/Linux)和安装方式(Conda/pip/源码编译)下找到正确的proj.db文件路径,并通过设置PROJ_LIB环境变量(临时、代码内或永久)彻底解决问题,同时给出了进阶排查技巧和

m2n3o4p5的博客 558

QGroundControl或者华科尔地面站安装完打不开问题解决

QGroundControl 华科尔 打不开

wv112406的博客 4939

2025年麻省理工积分大赛:从入门到精通的全方位攻略

本文提供2025年麻省理工积分大赛的全面攻略,从基础知识到高阶技巧,涵盖备赛计划、解题技巧和实战策略。重点介绍积分计算的核心方法和常见错误避坑指南,帮助参赛者系统提升数学竞赛能力,掌握灵活解题思维。

weixin_28713947的博客 623

从MC到DC:三维重建算法的核心原理与实战对比

本文深入对比了三维重建领域两大经典算法Marching Cubes(MC)与Dual Contouring(DC)的核心原理与实战表现。MC算法原理直观、实现简单,但存在特征丢失和二义性问题;DC算法通过求解二次误差函数(QEF)和利用法向量信息,能更好地保留模型的尖锐特征,但计算更复杂。文章结合医学影像处理实例,为开发者根据速度、精度和特征保真度需求选择合适算法提供了清晰指南。

weixin_29251131的博客 1041

STM32CubeMX+FreeRTOS+CAN总线+传感器实战:多任务系统与通信融合开发详解

本文详细介绍了基于STM32CubeMX和FreeRTOS的CAN总线与光电传感器融合开发实战。通过多任务系统设计,实现传感器数据采集与CAN通信的协同工作,提供完整的配置例程和调试技巧,适用于工业控制与机器人感知等应用场景。

n2o3p4的博客 737

三维点云孔洞修复(附Python代码和公共点云数据集链接)

(1)物体自身缺失(2)物体自身形状复杂,很多凹凸面不够规则甚至存在空腔,空腔内部无法被三维激光扫描仪扫描到(3)物体部分区域对激光扫描不敏感,未被扫描上(4)扫描仪的扫描稳定性。

yanghl1215的博客 6957

文献综述三大痛点用AI轻松解决!借助Gemini 3 Pro搞定检索难、阅读慢、框架乱问题(附 AI 提示词)

4)“漏斗式”结构:先介绍宏观领域的研究现状,再缩小范围,聚焦于与你课题直接先关的子领域,深入探讨与你研究变量直接相关的文献, 指出前人没做过、没做全或结论有矛盾的地方,再顺势提出你的研究课题,这种结构逻辑最清晰,能直接引导读者发现你研究的必要性。想要有针对性的搜到相关文献,必须先把模糊的研究题目拆解成精准的检索语言,这个时候就需要建立一个关键词矩阵,如核心词、同义词、学术术语、上下位词,以及对应的英文表达。请围绕【我的研究主题/关键词】,检索近5年发表的高被引的中英文文献,优先选择顶刊综述/论文。

智能AI让学术科研更容易 277

华为OD机试双机位A卷 - 小明减肥 (C++ & Python & JAVA & JS & GO)

华为OD机试2025双机位A卷 小明减肥,提供Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解

qq_45776114的博客 712

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

0粉丝 0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  | 博主筛选后可见
 
 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
⌂ 换网址