TDengine TDgpt 部署实战:Linux/Windows 安装、服务管理、模型调度与故障排查全指南
TDengine TDgpt 部署实战:Linux/Windows 安装、服务管理、模型调度与故障排查全指南
TDgpt(Taosanode)是 TDengine 内置的时序数据分析平台,负责对外提供时序预测、异常检测、相关性分析等 RESTful 智能分析能力,并内置 tdtsfm、TimeMoE、Chronos、Moirai、TimesFM、MOMENT 等时序基础模型服务。本文基于 tools/tdgpt/INSTALL.md 展开,并结合仓库内的安装脚本、服务管理脚本与配置文件源码,完整讲解系统要求、Linux/Windows 安装步骤、服务生命周期管理、核心配置项、模型调度机制以及常见故障排查方法。读完本文,你将能够独立完成 TDgpt 的部署、调优与运维,并理解其背后由 Python 脚本与 systemd/WinSW 共同支撑的服务架构。
系统要求
支持平台
- Linux:Ubuntu 18.04+、CentOS 7+ 或其他 Linux 发行版(仓库内 install.sh 对 Ubuntu/Debian/Kylin、CentOS/Fedora 均有分支处理,且要求系统使用 systemd 管理开机服务)
- Windows:Windows Server 2016+ 或 Windows 10/11
Python 版本
- 必须使用 Python 3.10、3.11 或 3.12。安装脚本 install.sh 中的
check_python3_env函数会严格校验主版本为 3、次版本号匹配10|11|12,不满足条件会直接退出安装流程。
硬件建议
- CPU:4 核及以上
- 内存:8GB 及以上
- 磁盘:20GB 以上(用于存放模型与数据)
网络端口
TDgpt 采用"主服务 + 模型服务"的多进程架构,主服务负责接收 RESTful 请求,各模型服务监听独立端口:
| 端口 | 用途 |
|---|---|
| 6035 | 主 taosanode 服务(默认 bind = '0.0.0.0:6035') |
| 6061 | tdtsfm 模型服务 |
| 6062 | timemoe 模型服务 |
| 6063-6066 | 可选模型服务(chronos、moirai、timesfm、moment) |
| 6067-6070 | 预留的附加模型服务端口 |
这些端口映射与 cfg/taosanode.config.py 中 models 字典的定义完全一致,是部署时配置防火墙的权威依据。
Linux 安装
前置准备
- 安装 Python 3.10+(如未安装):
# Ubuntu/Debian
sudo apt-get update
sudo apt-get install python3.10 python3.10-venv python3.10-dev
# CentOS/RHEL
sudo yum install python310 python310-devel
- 确保拥有用于系统级安装的 sudo 权限。
安装步骤
- 解压安装包:
tar -xzf tdgpt-linux-x.x.x.tar.gz
cd tdgpt-linux-x.x.x
- 运行安装脚本:
# 标准安装
bash install.sh
# 离线安装(安装包内已包含 wheel 时)
bash install.sh -o
# 自定义安装目录
bash install.sh -d /opt/tdgpt
安装脚本支持的参数(来源 install.sh):
-d [install dir]:指定安装目录;默认安装到/usr/local/taos/taosanode-a:安装所有模型虚拟环境(会额外安装 TSFM 依赖)-o:离线模式,跳过重建已有虚拟环境PIP_INDEX_URL环境变量:指定 pip 镜像源,例如PIP_INDEX_URL=https://pypi.tuna.tsinghua.edu.cn/simple bash install.sh
安装脚本的核心行为(源码层面可验证):
- 安装目录组织:主程序在
/usr/local/taos/taosanode/,数据在/var/lib/taos/taosanode/data/,日志在/var/log/taos/taosanode/,模型在data/model/,虚拟环境在data/venv/(见 install.sh); - 安装时通过 requirements_ess.txt 安装基础依赖,关键版本约束包括
transformers==4.40.1、torch==2.4.1(CPU 版用于 x86_64,完整版用于 aarch64)、keras==3.15.0、gluonts==0.17.0、lightning==2.5.6、accelerate==0.34.2等; - 安装脚本会自动创建 systemd 服务单元(见下文"Linux 服务管理"),并在
/usr/bin下建立start-model、stop-model、start-tdtsfm、stop-tdtsfm、start-time-moe、stop-time-moe等符号链接(见 install.sh); - 容器环境(检测到
/.dockerenv或 kubepods cgroup)不会注册 systemd 服务,需要手动启动(见 install.sh)。
- 验证安装:
# 检查服务状态
python /usr/local/taos/taosanode/bin/taosanode_service.py status
# 检查模型状态
python /usr/local/taos/taosanode/bin/taosanode_service.py model-status
Linux 服务管理
使用 systemd(推荐)
安装脚本会自动创建 systemd 服务。仓库内 cfg/taosanoded.service 给出了该服务的完整单元定义,其中值得注意的关键配置:ExecStart 使用 gunicorn 加载 taosanode.config.py,LimitNOFILE=1048576(放宽文件描述符上限)、TimeoutStopSec=120s(给模型进程留出优雅退出时间)、Restart=always 配合 StartLimitBurst=6 与 StartLimitInterval=60s(限制 60 秒内最多重启 6 次)。
# 启动服务
sudo systemctl start taosanode
# 停止服务
sudo systemctl stop taosanode
# 重启服务
sudo systemctl restart taosanode
# 查看状态
sudo systemctl status taosanode
# 设置开机自启
sudo systemctl enable taosanode
# 取消开机自启
sudo systemctl disable taosanode
# 实时查看日志
sudo journalctl -u taosanode -f
直接使用 Python 脚本
# 启动服务
python /usr/local/taos/taosanode/bin/taosanode_service.py start
# 停止服务
python /usr/local/taos/taosanode/bin/taosanode_service.py stop
# 查看状态
python /usr/local/taos/taosanode/bin/taosanode_service.py status
注:README 中早期的 taosanode 版本以
taosanoded作为服务名(README.md),最新安装文档与脚本以taosanode服务名 +taosanode_service.py统一管理器为准,具体以实际安装版本输出的systemctl list-units | grep taosanode为准。
Linux 卸载
# 运行卸载脚本
bash /usr/local/taos/taosanode/uninstall.sh
# 或手动移除
sudo rm -rf /usr/local/taos/taosanode
sudo systemctl disable taosanode
安装脚本还会在 /usr/bin/rmtaosanode 建立指向卸载脚本的符号链接(见 install.sh),因此也可以直接执行 rmtaosanode 完成卸载。
Windows 安装
前置准备
- 安装 Python 3.10+:从 python.org 下载安装,勾选 "Add Python to PATH",用
python --version验证。 - 管理员权限:注册 Windows 服务需要管理员权限,请以管理员身份运行命令提示符。
安装步骤
- 运行安装向导(
.exe安装包):
- 右键安装包,选择"以管理员身份运行",按向导提示完成安装。
Windows 安装向导支持以下配置项:
- Python 包模式:在线或离线;
- Python 包源:官方 PyPI、清华源、阿里源或自定义源;
- 可选 TensorFlow CPU 支持:仅在在线模式下提供;
- 模型安装来源:跳过、在线下载或离线包导入;
- 模型下载端点:官方 Hugging Face、HF 镜像或自定义端点;
- Windows 服务注册;
- 模型启用顺序:TDtsfm v1.0、TimeMoE、Moirai、Chronos、TimesFM、MOMENT。
向导默认行为:
- 在线安装 Python 包;
- 安装 TensorFlow CPU 支持;
- 暂不安装模型;
- 注册 Windows 服务。
模型准备细节(来自原文档,务必留意):
- 离线 Python 包模式不会询问 TensorFlow,因为打包的离线运行时已包含;
- 离线模型导入会自动扫描
<install_dir>\model\目录并导入其中所有已打包的模型归档; - 离线模式还提供一个可选的离线模型包输入项,该归档可包含全部离线模型;
- 离线模式不要求逐个选择模型,向导只显示一个离线导入页面;
- 升级安装时,向导会先停止既有 Taosanode 服务及同安装目录下运行的所有模型服务,再替换打包文件;
start-model.bat不带参数时默认等于all;start-model.bat all与model-start all会在运行时检查模型目录,目录存在的模型自动启动,缺失的模型跳过并给出提示;- 在线模型安装只创建被选中模型的虚拟环境;
- 离线模型安装不会在 setup 阶段额外创建模型虚拟环境;
- 在线模式默认选中的模型是
Moirai Small与MOMENT Base。
- 或手动解压 ZIP 包:
- 解压到目标位置(如
C:\TDengine\taosanode); - 以管理员身份打开命令提示符;
- 进入安装目录,执行
install.bat。
- 验证安装:
python C:\TDengine\taosanode\bin\taosanode_service.py status
Windows 服务管理
方式一:Windows 服务(推荐)
需要管理员权限。底层使用 WinSW 包装器(taosanode-winsw.exe)实现,相关 XML 配置见 packaging/installer/taosanode-service.xml。
# 注册为 Windows 服务
python C:\TDengine\taosanode\bin\taosanode_service.py install-service
# 启动服务
net start Taosanode
# 或: python C:\TDengine\taosanode\bin\taosanode_service.py start-service
# 停止服务
net stop Taosanode
# 或: python C:\TDengine\taosanode\bin\taosanode_service.py stop-service
# 查询服务状态
sc query Taosanode
# 卸载服务
python C:\TDengine\taosanode\bin\taosanode_service.py uninstall-service
方式二:批处理脚本(前台模式)
:: 启动服务(前台)
C:\TDengine\taosanode\bin\start-taosanode.bat
:: 停止服务
C:\TDengine\taosanode\bin\stop-taosanode.bat
:: 查看状态
C:\TDengine\taosanode\bin\status-taosanode.bat
方式三:直接使用 Python 脚本
:: 启动
python C:\TDengine\taosanode\bin\taosanode_service.py start
:: 停止
python C:\TDengine\taosanode\bin\taosanode_service.py stop
:: 状态
python C:\TDengine\taosanode\bin\taosanode_service.py status
Windows 防火墙配置
遇到连接问题时可放行 TDgpt 端口:
:: 自动放行端口(管理员身份运行)
netsh advfirewall firewall add rule name="TDGPT" dir=in action=allow protocol=TCP localport=6035,6061-6070 profile=any
:: 或手动操作:
:: 1. 打开"高级安全 Windows Defender 防火墙"
:: 2. 点击"入站规则"→"新建规则"
:: 3. 选择"端口"→"TCP"→ 特定本地端口:6035,6061-6070
:: 4. 允许连接
Windows 卸载
:: 运行卸载脚本
C:\TDengine\taosanode\uninstall.bat
:: 或手动卸载:
:: 1. 先卸载 Windows 服务(如已注册):
:: python C:\TDengine\taosanode\bin\taosanode_service.py uninstall-service
:: 2. 删除安装目录:
:: rmdir /s /q C:\TDengine\taosanode
统一服务管理命令
无论 Linux 还是 Windows,安装后都会提供一个统一的跨平台服务管理脚本 taosanode_service.py(源码见 script/taosanode_service.py)。该脚本是理解整个运维体系的钥匙,其命令全集如下(对应源码 main() 中的 argparse 定义):
# Linux
python /usr/local/taos/taosanode/bin/taosanode_service.py start|stop|status
# Windows
python C:\TDengine\taosanode\bin\taosanode_service.py start|stop|status
# 模型管理(跨平台)
python <install_dir>/bin/taosanode_service.py model-start <model|all>
python <install_dir>/bin/taosanode_service.py model-stop <model|all>
python <install_dir>/bin/taosanode_service.py model-status
# 附加命令
python <install_dir>/bin/taosanode_service.py wait-ready # 轮询 /status 直到服务就绪
python <install_dir>/bin/taosanode_service.py install-service # 注册 Windows 服务
python <install_dir>/bin/taosanode_service.py uninstall-service # 卸载 Windows 服务
python <install_dir>/bin/taosanode_service.py start-service # 启动 Windows 服务
python <install_dir>/bin/taosanode_service.py stop-service # 停止 Windows 服务
从源码实现看,几个值得注意的机制:
- 跨平台进程管理:
ProcessManager通过 PID 文件管理主服务与每个模型服务(模型 PID 存放于data/pids/<model>.pid),Linux 用os.kill(pid, 0)探活,Windows 用tasklist精确解析 PID 并校验进程命令行特征,避免误判; - 优雅停止:
stop先发送 SIGTERM(Windows 为taskkill)等待 2 秒,进程仍在运行则强制结束;模型停止等待 3 秒; - 启动前诊断:
start支持--full-preflight,会预先执行from taosanalytics.app import app导入探针,启动失败时还会通过 AST 静态分析taosanalytics.app的依赖链,对 waitress、numpy、pandas、flask、torch、tensorflow、keras 等逐一做导入探测,把失败根因(如ModuleNotFoundError、DLL load failed、端口占用 WinError 10048/10013)写入taosanode-startup-diagnostics.json与日志; - 健康检查:
wait-ready通过轮询http://127.0.0.1:6035/status的 HTTP 200 响应判断就绪,可作为脚本编排时的同步点。
配置详解
配置文件位置
- Linux:
/usr/local/taos/taosanode/cfg/taosanode.config.py(安装脚本同时会将其软链到/etc/taos/taosanode.config.py,见 install.sh) - Windows:
C:\TDengine\taosanode\cfg\taosanode.config.py
该文件同时充当 gunicorn(Linux)与 waitress(Windows)的配置来源。程序侧通过 taosanalytics/conf.py 中的 Configure 单例在运行时加载并解析它。
服务绑定与并发
# 监听地址和端口
bind = '0.0.0.0:6035'
# worker 进程数(gunicorn)
workers = 2
# worker 类型,默认同步
worker_class = "sync"
# 每进程线程数(面向模型部署场景,自动按 CPU 核数推算)
threads = max(multiprocessing.cpu_count() // 4 + 1, 2)
# 单个 worker 处理请求上限,达到后重启以释放内存
max_requests = 1000
max_requests_jitter = 50 # 随机抖动,避免所有 worker 同时重启
# 超时与保活(单位秒)
timeout = 1200
keepalive = 1200
# 启动前预加载应用,提升启动速度、节省内存
preload_app = True
# 进程名与 PID 文件
proc_name = "tdgpt_taosanode_app"
pidfile = <install_dir>/taosanode.pid
# 主虚拟环境与 Python 路径
virtualenv = <install_dir>/venvs/venv
pythonpath = <install_dir>/lib/taosanalytics
# WSGI 应用入口
wsgi_app = "app:app"
日志配置
# 日志级别: DEBUG, INFO, WARNING, ERROR, CRITICAL
log_level = 'DEBUG'
# 应用日志文件
app_log = '/var/log/taos/taosanode/taosanode.app.log' # Linux
app_log = 'c:/TDengine/taosanode/log/taosanode.app.log' # Windows
# gunicorn 访问/错误日志(仅 Linux 生效)
accesslog = <log_dir>/access.log
errorlog = <log_dir>/error.log
# waitress 日志(仅 Windows 生效)
waitresslog = <log_dir>/taosanode-service.log
conf.py 中的 Configure.reload() 会解析 log_level 字符串并映射为 Python logging 级别(DEBUG/INFO/WARN/ERROR/CRITICAL),因此修改 log_level 后无需改动代码即可切换日志详细度。
模型配置
# 模型存储目录
model_dir = '/usr/local/taos/taosanode/model/' # Linux
model_dir = 'c:/TDengine/taosanode/model/' # Windows
# 动态模型目录:运行期间可热加载/热卸载,无需重启服务
dynamic_model_dir = <model_dir>/dynamic
# 模型定义(完整清单见 cfg/taosanode.config.py)
models = {
"tdtsfm": {
"script": "tdtsfm-server.py",
"default_model": None,
"ip": "127.0.0.1",
"port": 6061,
"endpoint": "/tdtsfm",
"algo_name": "tdtsfm_1",
"required": True, # 必选模型,缺失会报错
},
"timemoe": {
"script": "timemoe-server.py",
"default_model": "Maple728/TimeMoE-200M",
"ip": "127.0.0.1",
"port": 6062,
"endpoint": "/ds_predict",
"algo_name": "timemoe-fc",
"required": True, # 必选模型
},
"chronos": {
"script": "chronos-server.py",
"default_model": "amazon/chronos-bolt-base",
"ip": "127.0.0.1",
"port": 6063,
"endpoint": "/ds_predict",
"required": False, # 可选模型
},
"moirai": {
"script": "moirai-server.py",
"default_model": "Salesforce/moirai-moe-1.0-R-small",
"ip": "127.0.0.1",
"port": 6064,
"endpoint": "/ds_predict",
"required": False,
},
"timesfm": {
"script": "timesfm-server.py",
"default_model": "google/timesfm-2.5-200m-pytorch",
"ip": "127.0.0.1",
"port": 6065,
"endpoint": "/ds_predict",
"required": False,
},
"moment": {
"script": "moment-server.py",
"default_model": "AutonLab/MOMENT-1-base",
"ip": "127.0.0.1",
"port": 6066,
"endpoint": "/imputation",
"required": False,
},
}
从源码可以确认两个关键机制:
- 端口 + 端点是服务 URL 的唯一事实来源:
conf.py的reload()会自动根据每个模型的ip、port、endpoint推导出http://127.0.0.1:<port><endpoint>形式的内网服务地址,并以algo_name(如tdtsfm_1、timemoe-fc)作为配置键暴露给上层算法使用,避免了手工维护 URL 常量(见 conf.py); - 可选模型的容错启动:
ModelService.start()会先检查<model_dir>/<model_name>目录是否存在,目录缺失的可选模型会被直接跳过并记录日志,只有required=True的模型缺失才被视为异常(见 taosanode_service.py)。
Windows Waitress 配置
# Waitress 服务器配置(仅 Windows 生效)
waitress_config = {
'threads': 4, # 工作线程数
'channel_timeout': 1200, # 通道超时(秒)
'connection_limit': 1000, # 最大连接数
'cleanup_interval': 30, # 清理间隔(秒)
'log_socket_errors': True # 记录 socket 错误
}
Windows 下启动时,服务管理器会把 bind 拆分为 host/port,并将 waitress_config 逐项传给 waitress.serve()(见 taosanode_service.py);若主虚拟环境缺少 waitress,脚本会自动尝试 pip install waitress。
修改配置
- 用文本编辑器修改配置文件;
- 重启服务使配置生效:
# Linux
sudo systemctl restart taosanode
# Windows
net stop Taosanode
net start Taosanode
模型管理
支持的模型
| 模型 | 是否必选 | 端口 | 说明 |
|---|---|---|---|
| tdtsfm | 是 | 6061 | TDengine 时序基础模型(Time Series Foundation Model) |
| timemoe | 是 | 6062 | 时序混合专家模型(Time Series Mixture of Experts) |
| chronos | 否 | 6063 | Amazon Chronos |
| moirai | 否 | 6064 | Salesforce Moirai |
| timesfm | 否 | 6065 | Google TimesFM |
| moment | 否 | 6066 | AutonLab MOMENT |
各模型的真实启动脚本位于 taosanalytics/tsfmservice 目录下(tdtsfm-server.py、timemoe-server.py、chronos-server.py、moirai-server.py、timesfm-server.py、moment-server.py),与 models 配置中 script 字段一一对应。
启动模型
# 启动全部模型(含必选 tdtsfm、timemoe;缺目录的可选模型自动跳过)
python <install_dir>/bin/taosanode_service.py model-start all
# 启动指定模型
python <install_dir>/bin/taosanode_service.py model-start chronos
# 查看模型状态
python <install_dir>/bin/taosanode_service.py model-status
从源码看,model-start all 使用 ThreadPoolExecutor(max_workers=3) 并发启动模型,并在结束时输出汇总表:Started、Skipped (missing model directory)、Failed 三类状态一目了然(见 taosanode_service.py)。模型进程的标准输出/错误会被重定向到 <log_dir>/model_<model_name>.log,采用 10MB 大小、5 份备份的滚动策略。
Linux 环境下安装脚本会在 /usr/bin 下创建 start-model、start-model-from-remote 等快捷命令,start-model.sh 本质上是 taosanode_service.py model-start 的包装器(见 start-model.sh),支持 -c <config_file> 指定配置文件。
停止模型
# 停止全部模型
python <install_dir>/bin/taosanode_service.py model-stop all
# 停止指定模型
python <install_dir>/bin/taosanode_service.py model-stop chronos
故障排查
服务无法启动
Linux:
# 查看 systemd 日志
sudo journalctl -u taosanode -n 50
# 直接前台运行以查看 Python 报错
python /usr/local/taos/taosanode/bin/taosanode_service.py start
Windows:
:: 查看启动日志
type C:\TDengine\taosanode\log\taosanode_startup.log
:: 直接运行以查看报错
python C:\TDengine\taosanode\bin\taosanode_service.py start
结合源码补充两个排查要点:
- 若启动失败属于依赖导入类(
ModuleNotFoundError、ImportError、Windows 下DLL load failed等),服务脚本会自动执行一轮依赖探针诊断并写入taosanode-service.log与taosanode-startup-diagnostics.json,直接查看日志即可定位到具体缺失的 Python 包; - Windows 下若报
0xc0000005(访问冲突)或libiomp5md.dll相关错误,通常是原生扩展库(如 torch 相关 DLL)与 Python 版本不匹配,建议检查 Python 3.10/3.11/3.12 的架构与安装来源。
端口被占用
# Linux: 查找占用 6035 端口的进程
sudo lsof -i :6035
# Windows: 查找占用 6035 端口的进程
netstat -ano | findstr :6035
# 结束进程
# Linux: sudo kill -9 <PID>
# Windows: taskkill /PID <PID> /F
服务脚本会把端口占用归类为 bind 类失败(errno EADDRINUSE/EACCES,Windows WinError 10048/10013),并在日志中明确提示。
模型无法启动
- 检查模型目录是否存在:
# Linux
ls -la /usr/local/taos/taosanode/model/
# Windows
dir C:\TDengine\taosanode\model\
- 查看模型日志:
# Linux
tail -f /var/log/taos/taosanode/taosanode_service_tdtsfm.log
# Windows
type C:\TDengine\taosanode\log\taosanode_service_tdtsfm.log
- 验证 Python 依赖:
python -m pip list | grep -E "torch|transformers"
提示:安装脚本通过 requirements_tsfm.txt 为可选时序基础模型安装依赖,并对
momentfm==0.1.4使用--no-deps安装以避免引入 numba/llvmlite 依赖冲突;若可选模型依赖损坏,可考虑重跑install.sh -a重建统一虚拟环境。
连接被拒绝
- 检查服务是否在运行:
python <install_dir>/bin/taosanode_service.py status
- 检查防火墙设置:
# Linux
sudo ufw status
sudo ufw allow 6035/tcp
# Windows
netsh advfirewall firewall show rule name="TDGPT"
- 检查监听地址:
# Linux
sudo netstat -tlnp | grep 6035
# Windows
netstat -ano | findstr :6035
注意:配置文件中 bind = '0.0.0.0:6035' 表示监听所有网卡;若改为 127.0.0.1:6035,则仅本机可访问,跨节点调用会连接失败。
FAQ
Q: 如何确认服务是否在运行?
A: 执行 python <install_dir>/bin/taosanode_service.py status;该命令会读取 PID 文件并做进程存活校验,输出服务名、状态、PID 与监听地址。
Q: 能否运行多个实例?
A: 不建议。服务按单实例设计。确有需要可修改配置中的 bind 端口后分目录部署,但需自行规避 PID 文件、日志目录与模型端口冲突。
Q: 如何查看日志?
- Linux:
tail -f /var/log/taos/taosanode/taosanode.app.log - Windows:
type C:\TDengine\taosanode\log\taosanode.app.log - 模型日志:
<log_dir>/model_<model_name>.log(滚动:10MB × 5 份) - 服务管理日志:
<log_dir>/taosanode-service.log
Q: 如何更新配置?
A: 编辑配置文件后重启服务即可生效。日志级别、监听地址、模型定义等均在启动时重新加载。
Q: 需要重装怎么办?
- 卸载当前版本(Linux 执行
uninstall.sh或rmtaosanode,Windows 执行uninstall.bat); - 删除安装目录;
- 运行新版安装包。
Q: 如何开启调试日志?
A: 将配置文件中 log_level 改为 'DEBUG' 并重启服务。注意 Linux 下 gunicorn 的 loglevel 与应用的 log_level 是两套开关,排查 Web 层问题可同时将 loglevel = "debug"。
Q: 能否使用自定义 Python 虚拟环境?
A: 可以。修改配置中的 virtualenv 指向自己的虚拟环境即可;Windows 下可选 TSFM 模型还有独立的 timesfm_venv、moirai_venv、chronos_venv、momentfm_venv 配置项,默认都指向主虚拟环境。
Q: 如何备份配置?
# Linux
cp /usr/local/taos/taosanode/cfg/taosanode.config.py ~/taosanode.config.backup.py
# Windows
copy C:\TDengine\taosanode\cfg\taosanode.config.py C:\backup\taosanode.config.backup.py
深入理解:一条命令背后的完整链路
以 Linux 上执行 systemctl start taosanode 为例,整个调用链是理解 TDgpt 运维的捷径:
- systemd 加载 cfg/taosanoded.service,以
/var/lib/taos/taosanode/venv/bin/gunicorn -c /usr/local/taos/taosanode/cfg/taosanode.config.py拉起主服务; - gunicorn 解析
taosanode.config.py,预加载app:app(即 taosanalytics/app.py 中导出的 Flask 应用),按workers/threads分叉 worker 进程; - 应用启动时,conf.py 读取配置并自动推导各模型服务的内网 URL(
http://127.0.0.1:6061/tdtsfm等); - 模型服务由
taosanode_service.py model-start all或start-model快捷命令拉起,每个模型是一个独立进程,监听各自端口,日志滚动写入model_<name>.log; - 数据查询经 SQL 触发时,算法层按
algo_name找到对应模型 URL 发起内部 HTTP 调用完成推理。
若你需要对模型行为、RESTful API 或算法细节做进一步探索,可继续阅读仓库内 tools/tdgpt/README.md、taosanalytics 源码与 tests 测试用例;安装与打包流程可参考 packaging/README.md 与 script/release.sh。