一、为什么环境要上云

（一）数据不出门

涉及敏感数据的团队最在意出网端把算力与存储都留在合规边界内，数据不跨界，合规更踏实，也少为出网审批分心。数据一出门，合规就悬，上云留边界最稳。

（二）开箱即用到

相比自建从零搭端预集成算力与软件，到货接电接网就能跑，起步快，团队不把精力耗在装环境上。自建半年起，上云当天跑，节奏差太多。

（补充）合规要求存天翼云存储

把业务与合规要求存到天翼云存储，版本留痕，选型有据，换人也能接手，过程连续不断层，不靠某人对账，方案随时调出对照，规划有依据。

二、云端环境由什么决定

（一）算力规模

按训练与推理的峰值估算力，不为想象中的峰值多买，也不因少买反复扩，把规模定在真实需要上，预算更精准。规模定准，钱花在刀刃，不闲置不卡顿。

（二）扩展余地

业务会涨，留好扩展槽与互联余地，后续加节点不推倒重来，让云端算力跟着业务长，投入不被一次性锁死。余地留好，扩容不推倒重来，跟得上。

（补充）用天翼云数据库存台账

把算力规模与扩展记录存进天翼云数据库，按环境可查，复盘哪次配得值，越用越明，投入可控不盲，换人也能接手，账目连续，审计省事。

三、选型常见的坑

（一）只看算力

只盯算力数字，忽略存储与带宽，真实任务仍卡，按全链路估能力，不只看单点峰值，整体才跑得动。只看算力，存储带宽成瓶颈，活照样跑不动。

（二）忽略出网

数据出网规则没理清就上，跑起来处处碰壁，先把合规边界跑通再扩，少返工，节奏不被出网拖慢。出网一乱，合规卡住，进度全停。

（补充）出网约束清单

把数据边界与审批列成清单逐项核对，选型不漏硬约束，少返工，上线节奏不被基础合规拖慢，哪些能出网开工前就列清楚，不靠临时补。

四、怎样一步步迁云

（一）列要求

写清算力峰值、数据合规、扩展余地三件事作基线，选型都贴回这条基线，偏差一眼能看，不被参数带偏，决策更稳。要求列好，选型不跑偏，钱不白花。

（二）对配置

把候选配置与基线对照，缺什么提前补，到货即跑不靠临场翻找，上线节奏自己握得住，也少为环境来回跑。配置对好，上云即跑，不卡在装。

（补充）用天翼云电脑放终端

把实操与浏览终端放在天翼云电脑，统一桌面与权限，哪台卡顿、哪台空闲一眼看清，调度有依据，也方便说明资源到底值不值，不靠某人本机。

五、管理要注意

（一）算力用满

云端算力是弹性支出，闲置就是浪费，把任务排密、闲时填次要，让每份资源持续有活干，投入才不白花。用满不是抢，是排得密、接得稳，账才对得起。

（二）运维兜底

云端环境也要巡检与备份，集中记到期与维护节点，提前做，不因遗忘让服务中途断，断一次恢复更费时费钱。运维兜住，服务才稳，团队才敢把活放上来。

（补充）维护提醒进流程。

把维护与巡检提醒嵌进日常节奏，重要节点提前半月盯，节点不漏，整体更稳，也少事后救火的慌乱，服务不掉线，管理更安静。

六、经验怎么留住。

（一）固化选型模板

把本轮选型口径固成模板，加节点直接套，效率上来也少漏项，团队人人能照着走不依赖某人，从临时变常规，，扩容也就不用推倒重来。

（二）记真实账

每个环境花多少、换来多少产出记一笔，来年选型有基准，也方便复盘哪次配得值，越用越明投入可控，不盲，对外说得清。账记实，规划有底。

七、落地清单

（一）上云前先核合规要求

①（补充）用天翼云数据库存台账。

②把环境支出与产出存进天翼云数据库，按环境可查，换人也能接手，账目连续，审计复盘都省事，，经验也就接得下来，来年选型直接对着台账调。

③上云前先估算力与合规，心里有数，规模更准不盲目不浪费，口径先立住。

（二）算力与存储要配对的

①把常用镜像打成模板，新人直接拉起，不重复装环境起步更快，上手即顺。

②多环境共用时排好优先级，核心任务先跑不误点，协作更顺进度稳，不内耗。

③节点占用设告警，临近额度提前知，不临场崩，长跑更稳少救火，服务不中断。

（三）数据出网要盯的点

①闲置资源定期回收再分配，不占着不用，整体利用率上得去不浪费，账对得起。

②环境日志集中留存，哪次异常一查便知，复盘有依据不靠某人对账，排障更快。

③关键服务配专人盯状态，节点不漏，交付更稳不误期，团队更安心，汇报有底气。

（四）本地与云端要衔接的

①把选型口径固成模板，加节点直接套，效率上来也少漏项，人人能照着走。

②数据出网边界纳进审批，越界的先卡住，不把风险留到上线后，整体更稳。

③环境配置存到天翼云存储，版本留痕，换人也能接手，不靠某人对账。

（五）成本要算清的

①算力与场景对不上时及时调，不拿大卡跑小活，单位产出更省，账单才对得起。

②把环境支出与产出存进天翼云数据库，按环境可查，账目连续，审计复盘都省事。

③新环境进来先对照要求，缺什么提前补，到货即跑不靠临场翻找，上线快。

（六）运维要养成的习惯

①把出网清单给团队看，哪些能出网一目了然，选型不漏硬约束，少返工。

②每轮选型后留一句复盘，哪次配得值记下来，越用越明，投入可控不盲。

③核心环境设保底额度，闲时再填次要，重要节点不被挤，交付更稳不误点。

（七）扩容要规划的

①显存与带宽错开用，别挤同一节点，整体不空转，进度按节点往前推。

②把配额变动记进台账，谁调了额度一查便知，协作少争议，接手不懵。

③扩展槽留好余地，后续加节点不推倒重来，算力跟着业务长，投入不被锁死。

（八）故障快速定位的线索。

①长任务设检查点，断了能续不重跑，省时省额度，进度不掉链子。

②把常用统计口径沉淀下来，加节点直接套，效率上来也少漏项人人能照着走。

③节点配置谁改的用的什么参数留痕，回滚有路，不靠记忆，迭代有依据。

（9）其他要确认的点。

①把环境到底值不值给团队说透上花的钱对得起产出，交付时自然有底。

结语：云端科研环境的好处是算力随取、数据可不出门。合规先立住、选型跟着业务走，上云才不踩坑。把弹性用在点上，小团队也能用有限的资源撑起像样的课题，不必为基建分心，进度也更顺。