Livebook项目在TLS反向代理后的运行配置指南
背景介绍
Livebook是一个基于Elixir语言的交互式代码笔记本工具,类似于Jupyter Notebook。在实际生产环境中,我们经常需要将Livebook部署在TLS终止的反向代理(如Nginx)之后,以提供HTTPS安全访问。本文将详细介绍如何正确配置Livebook在这种环境下的运行参数。
核心问题
当Livebook运行在反向代理后时,常见的一个问题是运行时(Runtime)无法正常启动,表现为执行代码时出现"Elixir terminated unexpectedly"错误。这通常是由于Erlang分布式节点通信配置不当导致的。
关键配置要点
-
节点命名方式:使用
--sname参数(短名称)比--name参数(长名称)更简单可靠。如果必须使用长名称,需要确保主机名能被正确解析。 -
端口配置:Livebook默认使用4000端口,但如果需要iframe支持,还需要配置额外的端口。
-
环境变量:可以通过环境变量调整Livebook的行为,如
LIVEBOOK_DEBUG开启调试模式,LIVEBOOK_PASSWORD设置访问密码等。
推荐配置方案
对于大多数反向代理场景,推荐使用以下配置:
LIVEBOOK_DEBUG=true \
LIVEBOOK_PASSWORD=your_password \
LIVEBOOK_PORT=4000 \
livebook server --sname pair
对应的反向代理配置(Nginx示例):
location / {
proxy_pass http://localhost:4000;
proxy_set_header Host $host;
proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
}
高级配置场景
如果需要iframe支持,可以扩展配置为:
LIVEBOOK_DEBUG=true \
LIVEBOOK_PASSWORD=your_password \
LIVEBOOK_PORT=4000 \
LIVEBOOK_IFRAME_PORT=4001 \
LIVEBOOK_IFRAME_URL=https://yourdomain.com/iframe/ \
livebook server --sname pair
对应的Nginx需要额外配置:
location /iframe/ {
proxy_pass http://localhost:4001;
}
常见问题排查
-
节点通信失败:确保使用正确的节点命名方式,短名称(
--sname)通常更可靠。 -
端口冲突:检查4000和4001端口是否被其他应用占用。
-
代理配置:确保反向代理正确传递了所有必要的头信息,特别是Host头。
-
防火墙设置:确认服务器防火墙允许4000和4001端口的入站连接。
最佳实践建议
-
生产环境始终使用HTTPS,通过反向代理实现TLS终止。
-
为安全考虑,务必设置
LIVEBOOK_PASSWORD环境变量。 -
对于复杂部署,考虑使用
--name参数并确保DNS解析正常工作。 -
启用
LIVEBOOK_DEBUG模式有助于诊断初期问题。
通过以上配置,Livebook可以稳定运行在TLS反向代理之后,为用户提供安全可靠的交互式编程环境。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C092
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00