Linux 进阶运维与 AI 环境实战：进程管理、网络排错与 GPU 监控

欢迎关注专栏：CSDN：AI 开发技术

• 上一篇:Linux 基础与运维核心命令实战：文件系统、文件操作与文本处理系统讲解 Linux 环境下从文件目录管理到基于 sed、awk 的高级文本处理全流程实战。
• 下一篇: [Redis 基础理论与核心架构解析] 探讨 Redis 作为非关系型数据库的核心概念、与传统数据库的差异，以及高可用架构机制。

Linux 进阶运维与 AI 环境实战：进程管理、网络排错与 GPU 监控

关键词：Linux进阶, 进程管理, 网络排错, CUDA监控, vLLM阅读耗时：约 25 分钟

本文为个人技术学习笔记分享，记录工程实践过程，仅供参考。

1 业务背景与核心问题

作为全栈与 AI 开发者，扎实的 Linux 运维基本功是确保服务稳定、高效运行的前提。

2 Linux核心运维实战

2.1 进程管理实战

核心命令：

ps top htop kill jobs bg

2.1.1 ps 基础进程查看

ps PID TTY TIME CMD 2180 pts/4 00:00:00 bash 2736 pts/4 00:00:00 ps

2.1.2 ps aux 运维核心命令

ps aux

2.1.3 top 实时系统进程监控

top

2.1.4 htop top增强版

安装：

sudo apt install htop

运行：

htop

2.1.5 kill 进程终止操作

# 查看 PID ps aux | grep [xxx] # 终止进程 kill [PID] # kill -9 —— 强制终止（危险） kill -9 [PID]

强制终止风险：

• 文件损坏
• checkpoint损坏
• 数据未保存

2.1.6 jobs 与 bg 后台任务管理

启动后台任务：

sleep 100 &

&代表后台运行

查看后台任务：

jobs

后台恢复运行：

bg

操作流程：

1. sleep 100使终端卡住
2. 终止：Ctrl + C
3. 暂停：Ctrl + Z
4. 后台恢复：bg

2.2 网络排查实战

核心命令：

curl wget ss netstat ping traceroute dig

2.2.1 curl 网络请求工具

curl https://www.baidu.com

查看响应头：

curl -I https://www.baidu.com

保存网页到文件：

curl -o baidu.html https://www.baidu.com

2.2.2 wget 文件下载工具

wget https://www.baidu.com

2.2.3 ss 本地网络连接查看

ss -tuln

查看80/443端口：

ss -tuln | grep 443

2.2.4 netstat 网络状态查看

安装：

sudo apt install net-tools

查看监听端口：

netstat -tuln

查看进程占用端口：

netstat -tulnp

2.2.5 ping 网络连通性测试

ping www.baidu.com # 指定ping包次数 ping -c 4 www.baidu.com

2.2.6 traceroute 网络路径追踪

安装：

sudo apt install traceroute

追踪百度路由：

traceroute www.baidu.com

2.2.7 dig DNS解析查询

安装：

sudo apt install dnsutils

执行查询：

dig www.baidu.com

2.2.8 完整网络分层排查流程

# 1. DNS 解析校验 dig +short www.baidu.com # 2. 网络连通性校验 ping www.baidu.com # 3. HTTPS服务可用性 curl -I https://www.baidu.com # 4. 文件下载测试 wget https://www.baidu.com # 5. 本地端口监听状态 ss -tuln

2.3 文件权限管理实战

核心命令：

chmod chown sudo

2.3.1 测试环境准备

cd ~ mkdir -p linux-practice/permission-demo cd linux-practice/permission-demo

2.3.2 测试文件与目录创建

touch file.txt mkdir test_dir

2.3.3 权限查看与核心模型

查看权限：

ls -l

Linux权限模型：[user][group][others]

2.3.4 chmod 权限修改

权限数值规则：

权限组合计算：

数字模式修改：

chmod 644 file.txt # 权限：-rw-r--r-- chmod 755 test_dir # 权限：drwxr-xr-x（目录x权限代表可进入）

符号模式修改：

# 给所有者添加执行权限 chmod u+x file.txt # 移除其他用户读权限 chmod o-r file.txt # 给用户组添加写权限 chmod g+w file.txt

2.3.5 chown 所有者修改

# 修改文件所有者 sudo chown username file.txt # 同时修改所有者与用户组 sudo chown username:groupname file.txt

2.3.6 sudo 管理员权限操作

# 安装软件 sudo apt install tree # 系统更新 sudo apt update

3 AI大模型开发环境实战（vLLM/PyTorch/CUDA）

核心命令：

python pip nvidia-smi nvcc torchrun vllm

3.1 环境准备

cd ~ mkdir -p llm-dev cd llm-dev

3.2 CUDA与GPU基础监控

3.2.1 GPU状态查看

nvidia-smi

查看GPU数量：

nvidia-smi -L nvidia-smi -L | wc -l

3.2.2 CUDA工具安装与版本查看

安装：

sudo apt install nvidia-cuda-toolkit

查看CUDA版本：

nvcc --version

查看CUDA安装路径：

which nvcc

3.2.3 GPU实时监控

watch -n 1 nvidia-smi

3.3 PyTorch GPU环境校验

进入Python环境：

python

核心校验命令：

import torch # 检查CUDA是否可用 torch.cuda.is_available() # 查看GPU数量 torch.cuda.device_count() # 查看GPU名称 torch.cuda.get_device_name(0) # 查看当前使用设备 torch.cuda.current_device() # 退出Python exit()

3.4 vLLM大模型推理服务部署

3.4.1 vLLM安装与版本查看

pip install vllm vllm --version

3.4.2 启动OpenAI格式API服务

python -m vllm.entrypoints.openai.api_server \ --model Qwen/Qwen2-7B-Instruct

3.4.3 服务端口校验

ss -tuln | grep 8000

3.4.4 API接口测试

查看模型列表：

curl http://localhost:8000/v1/models

对话接口请求：

curl http://localhost:8000/v1/chat/completions \ -H "Content-Type: application/json" \ -d '{ "model":"Qwen/Qwen2-7B-Instruct", "messages":[ {"role":"user","content":"hello"} ] }'

3.5 多GPU分布式运行

3.5.1 vLLM多卡张量并行

python -m vllm.entrypoints.openai.api_server \ --model Qwen/Qwen2-7B-Instruct \ --tensor-parallel-size 2

3.5.2 torchrun分布式训练

单机双卡启动：

torchrun --nproc_per_node=2 train.py

3.6 模型进程管理与缓存清理

3.6.1 训练/推理进程查看

ps aux | grep python ps aux | grep vllm nvidia-smi

3.6.2 卡死进程终止

# 查询进程PID ps aux | grep python # 正常终止 kill PID # 强制终止 kill -9 PID

3.6.3 Hugging Face模型缓存管理

默认缓存目录：

~/.cache/huggingface/

查看缓存大小：

du -sh ~/.cache/huggingface

查看磁盘空间：

df -h

4 AI工程运维核心技能

4.1 端口占用排查

4.1.1 指定端口查看

ss -tulnp | grep 8000

4.1.2 端口占用进程查询

lsof -i:8000

4.2 日志查看与分析

4.2.1 训练日志保存

python train.py > train.log 2>&1

4.2.2 实时日志监控

tail -f train.log

4.2.3 错误日志筛选

grep ERROR train.log

4.3 CUDA环境变量配置

4.3.1 查看GPU可见性变量

echo $CUDA_VISIBLE_DEVICES

4.3.2 指定运行GPU

# 单卡运行 CUDA_VISIBLE_DEVICES=0 python train.py # 双卡运行 CUDA_VISIBLE_DEVICES=0,1 python train.py

5 AI工程全流程排查指南

GPU硬件校验

nvidia-smi

CUDA环境校验

nvcc --version

PyTorch CUDA识别校验

python import torch torch.cuda.is_available()

vLLM服务启动状态

ss -tuln | grep 8000

API接口可用性

curl http://localhost:8000/v1/models

6 核心必背命令速查

7 AI工程常见问题与排查方案