完成H20服务器部署及重启测试 (#51)

当前部署情况
- h1: 部署server & client
- h2: 部署client
- 部署2025-11-25
- 部署目录：  /home2/argus/server  ,  /home2/argus/client
- 部署使用账号：argus

网络拓扑：
- h1 作为docker swarm manager
- h2 作为worker加入docker swarm
- docker swarm 上创建overlay network

访问方式：
- 通过ssh到h1服务器，端口转发 20006-20011 端口到笔记本本地；
- 门户网址：http://localhost:20006/dashboard

部署截图：
![image.png](/attachments/86c1a7af-dacc-4ba7-a182-f7cefd4e6427)
![image.png](/attachments/06f20852-771c-4264-b031-e6acd0f6ea1c)
![image.png](/attachments/091ab5a8-95bf-466f-a394-3255dcb49735)

注意事项：
- server各容器使用域名作为overlay network上alias别名，实现域名访问，当前版本禁用bind作为域名解析，原因是容器重启后IP变化场景bind机制复杂且不稳定。
- client 构建是内置安装包，容器启动时执行安装流程，后续重启容器跳过安装步骤。
- UID/GID：部署使用 argus账号 uid=2133, gid=2015。

Reviewed-on: #51
Reviewed-by: sundapeng <sundp@mail.zgclab.edu.cn>
Reviewed-by: xuxt <xuxt@zgclab.edu.cn>
Reviewed-by: huhy <husteryezi@163.com>

deployment_new/templates/client_gpu/docs/INSTALL_CLIENT_zh.md

@@ -0,0 +1,73 @@
+# Argus Client‑GPU 安装指南（deployment_new）
+
+## 一、准备条件（开始前确认）
+- GPU 节点安装了 NVIDIA 驱动，`nvidia-smi` 正常；
+- Docker & Docker Compose v2 已安装；
+- 使用统一账户 `argus`（UID=2133，GID=2015）执行安装，并加入 `docker` 组（如已创建可跳过）：
+  ```bash
+  sudo groupadd --gid 2015 argus || true
+  sudo useradd --uid 2133 --gid 2015 --create-home --shell /bin/bash argus || true
+  sudo passwd argus
+  sudo usermod -aG docker argus
+  su - argus -c 'id; docker ps >/dev/null && echo OK || echo NO_DOCKER_PERMISSION'
+  ```
+  后续解压与执行（config/install/uninstall）均使用 `argus` 账户进行。
+- 从 Server 安装方拿到 `cluster-info.env`（包含 `SWARM_MANAGER_ADDR/SWARM_JOIN_TOKEN_*`；compose 架构下 BINDIP/FTPIP 不再使用）。
+
+## 二、解包
+- `tar -xzf client_gpu_YYYYMMDD.tar.gz`
+- 进入目录：`cd client_gpu_YYYYMMDD/`
+- 你应当看到：`images/`（GPU bundle、busybox）、`compose/`、`scripts/`、`docs/`。
+
+## 三、配置 config（预热 overlay + 生成 .env）
+命令：
+```
+cp /path/to/cluster-info.env ./   # 或 export CLUSTER_INFO=/abs/path/cluster-info.env
+./scripts/config.sh
+```
+脚本做了什么：
+- 读取 `cluster-info.env` 并 `docker swarm join`（幂等）；
+- 自动用 busybox 预热 external overlay `argus-sys-net`，等待最多 60s 直到本机可见；
+- 生成/更新 `compose/.env`：填入 `SWARM_*`，并“保留你已填写的 AGENT_* 与 GPU_NODE_HOSTNAME”（不会覆盖）。
+
+看到什么才算成功：
+- 终端输出类似：`已预热 overlay=argus-sys-net 并生成 compose/.env；可执行 scripts/install.sh`；
+- `compose/.env` 至少包含：
+  - `AGENT_ENV/AGENT_USER/AGENT_INSTANCE/GPU_NODE_HOSTNAME`（需要你提前填写）；
+  - `SWARM_MANAGER_ADDR/SWARM_JOIN_TOKEN_*`；
+ - `NODE_GPU_BUNDLE_IMAGE_TAG=...:YYYYMMDD`。
+
+### 日志映射（重要）
+- 容器内 `/logs/infer` 与 `/logs/train` 已映射到包根 `./logs/infer` 与 `./logs/train`：
+  - 你可以直接在宿主机查看推理/训练日志：`tail -f logs/infer/*.log`、`tail -f logs/train/*.log`；
+  - install 脚本会自动创建这两个目录。
+
+若提示缺少必填项：
+- 打开 `compose/.env` 按提示补齐 `AGENT_*` 与 `GPU_NODE_HOSTNAME`，再次执行 `./scripts/config.sh`（脚本不会覆盖你已填的值）。
+
+## 四、安装 install（加载镜像 + 起容器 + 跟日志）
+命令：
+```
+./scripts/install.sh
+```
+脚本做了什么：
+- 如有必要，先自动预热 overlay；
+- 从 `images/` 导入 `argus-sys-metric-test-node-bundle-gpu-*.tar.gz` 到本地 Docker；
+- `docker compose up -d` 启动 GPU 节点容器，并自动执行 `docker logs -f argus-metric-gpu-node-swarm` 跟踪安装过程。
+
+看到什么才算成功：
+- 日志中出现：`[BOOT] local bundle install OK: version=...` / `dcgm-exporter ... listening` / `node state present: /private/argus/agent/<hostname>/node.json`；
+- `docker exec argus-metric-gpu-node-swarm nvidia-smi -L` 能列出 GPU；
+- 在 Server 侧 Prometheus `/api/v1/targets` 中，GPU 节点 9100（node-exporter）与 9400（dcgm-exporter）至少其一 up。
+
+## 五、卸载 uninstall
+命令：
+```
+./scripts/uninstall.sh
+```
+行为：Compose down（如有 .env），并删除 warmup 容器与节点容器。
+
+## 六、常见问题
+- `本机未看到 overlay`：config/install 已自动预热；若仍失败，请检查与 manager 的网络连通性以及 manager 上是否已创建 `argus-sys-net`。
+- `busybox 缺失`：确保包根 `images/busybox.tar` 在，或主机已有 `busybox:latest`。
+- `加入 Swarm 失败`：确认 `cluster-info.env` 的 `SWARM_MANAGER_ADDR` 与 `SWARM_JOIN_TOKEN_WORKER` 正确，或在 manager 上重新 `docker swarm join-token -q worker` 后更新该文件。