TrueNAS 维护实录：内存、自建服务和升级

最近在资料服务器（NAS）上开始了新一轮研究过程：部署更多内存、自建监测栈和升级系统等；现在尘埃落定，过程于此小记。

阅前注意：TrueNAS 系列文章涉及可能影响生产数据的危险操作，仅供测试参考，切勿生搬硬套。

一、内存升级

这几个月下来，我发现 TrueNAS Scale 简直是个大胃王：它会将一半内存划入 ZFS 动态缓存（ARC），并跟其余服务共享剩余另一半，而且很早（空闲内存剩余 10% 时）便起用硬盘缓冲区（Swap）。在现有内存仅为 8 GB（可用 7.6 GB）的情况下，可供给服务使用的约 3 GB 内存很快吃干抹净，Swap 占用多达 1.6 GB——已经严重溢出了。基于这点，我开始考虑扩充内存容量。

淘来了两根 Crucial 品牌内存，作价 140 元。观察发现，尽管贴纸所示序列号为连号，但芯片特征截然不同（一边有二维码丝印，另一边则无），怀疑有冒牌贴标可能。不过，管用便可，谁管它哪儿拾掇来的。

更换内存模块后，既有系统和 12 个 Docker 容器可以完全承载，空闲内存约有 2 GB。不过在后半夜的一次全量复制过程中，这点空闲内存很快被耗尽，Swap 被再度起用。一不做二不休，刚卸下的内存又装了上去——现在有 24 GB 超大内存容量了。

二、NVMe 固态盘的散热改进

如上图所示，在未加强散热的情况下，三根 Optane 固态盘分别升温至 48、53 和 56 度。 上篇可见其安装位置，其中系统盘 nvme0n1 位于进风口附近；缓存盘 nvme1n1 nvme2n1 位于电源附近，此处空气不通（向后无开口），且持续被电源加热。有传闻称 Optane 报废多由主控过热导致，故考虑加强其散热。

准备 1mm、2mm 导热垫，和 20 x 70 mm 散热片若干。主控芯片和存储芯片之间存在约 0.5 mm 高差，故无法以 1mm 垫片完全覆盖；先以 2mm 垫片覆盖主控和电源模块，以 1 mm 垫片覆盖存储芯片，再以散热片按压较厚垫片，垫片充分压缩后，即可接触到存储芯片处的导热垫。贴纸旁有若干电容等小器件暴露，注意绝缘。

装回去使用，结果是基本无效——气流过小，无法形成有效对流，依然被电源炙烤着。可能要考虑增强通风，例如在背板处安装涡轮扇一只；或者挪个位置安装。

三、Docker 备份和系统升级

这样升级散热后再开机，坏了，TrueNAS 自己的监测系统报销了……似乎是几天前我不慎在系统层面卸载了 Netdata 的缘故。这下不升级也得升级了。
4 月 22 日，TrueNAS Scale 24.04 版本正式登场，带来全新 Linux 6.6 内核和若干改进，包括不间断电源（UPS）状态监测、SMB/NFS 性能优化和连接状态监测、ARC 分配机制优化、沙盒等等。我本计划等到更完善的 24.04.1 版本再升级，但该版截至撰稿时尚无时间表，作罢。

升级前，依网上教程关闭 Docker 服务，备份目录 /var/lib/docker。退出终端，于 Web 管理界面执行升级。

升级后出现了以下问题：

1. 原 23.10.1 版实例无法在 Web 界面中完全删除。
   方案： 通过命令行强制销毁该实例（或者说数据集），即 zfs destroy boot-pool/ROOT/23.10.1。
2. 自新版本起系统目录 /opt 和 /usr 被设定为只读，且试图执行 apt 时会提示“包管理器已被禁用”字样，拒绝执行。
   方案： 据 TrueNAS 开发者透露，apt 可经由一份内置 Python 脚本来激活，其位于 /usr/local/libexec/disable-rootfs-protection。该脚本是命令 install-dev-tools 的一部分，使用此命令进入开发者模式时，会安装若干用于系统本身开发的软件包，并通过该脚本解除系统目录的只读状态、开放 apt 权限；但我们一般无需此类软件包用以开发，故可单独运行该脚本。

注意

启用开发者模式不受 iXSystems 官方支持，一切后果自负！

3. 如上篇所述，任何经命令行自行搭建的服务（包括 Docker）不会被新版系统继承。
   方案： 老老实实重新部署 Docker 和诸容器罢……我这系统注定一用至少用一年。能带 k8s 玩的话大约不会这么麻烦；也应当考虑编写 Docker Compose 配置文件以便日后部署。

部署 Docker 时，我顺便设置 Docker 主目录到缓存池，即原先备份 /var/lib/docker 的地方，这样 Docker 存储和系统存储隔离，不必再跟系统争空间了，也不会受系统更新牵连。配置文件 /etc/docker/daemon.json：

{
  "data-root": "/mnt/Cache/docker-bin",
  "registry-mirrors": [
    "https://mirror.ccs.tencentyun.com"
  ]
}

四、监测栈的自建

TrueNAS Scale 集成了监测系统 Netdata。该系统尽管可以满足基本的监测需求，但有许多不尽人意之处：例如观测范围仅有一小时、24 小时和七天等选项；观测范围仅对单个图表适用；诸硬盘指标完全分散，难以观察对比；控制台资源占用高；等等。那么我设想，像在群晖系统下一样引入一套自主的监测栈，是否会有更舒适的体验？

4.1 前期设想

先敲定监测栈方案。已知 TrueNAS Scale 可引出 Graphite 报告流；系统升级后会切换到新的 Linux 底层实例，以命令行部署的一切服务不会被新实例继承（见上篇），故裸机服务方式不适用；由于网络限制（我不考虑引入特殊上网手段），Kubernetes 应用获取有难度；考虑基于 Docker 建立服务，以便日后迁移。选项有：

• 独立运作的 Netdata 容器
• Telegraf + InfluxDB + Grafana——曾于群晖系统运用的方案
• Graphite Exporter + Prometheus + Grafana

4.2 实践

Netdata 方案浅尝辄止：刚翻看图表，处理器占用随即上升至 10% 以上，远超背景占用率 5%。这是不可接受的：监测栈本身的资源用量（footprint）应尽量小，不得影响到其余业务的正常运行。这部服务器算力一般，经不起这般折腾。
在方案三中，我设想 Exporter 负责和宿主系统对接，将 Graphite 数据流转译为 Prometheus 可以接受的形式，后经 Grafana 展示。我为此断断续续探究许久，开始便被宿主目录访问权限拦住；群晖系统里远没有这么麻烦，管理员账户自动拥有一切目录的读写权限，以其身份访问宿主目录从来不成问题。然后转念一想，Exporter 可不是 Importer，它干不了 Importer 的活计……先扔一边罢。

Telegraf 在监测数据收集方面，有两条路线：

1. 自行从系统诸元采集数据。 需将整个根目录暴露给 Telegraf 容器。不过，我怎么也采集不到所期望的数据：
   • 在网友指引下，基本的处理器负载和温度、内存用量等数据可以采集到。
   • 试图采集硬盘/存储池相关数据时，由于 ZFS 文件系统的关系，诸数据集被视作相互独立的池，且获取根数据集的使用量时不会将子数据集一并计入，造成记录诸元非常稀疏。
   • 诸硬盘温度数据未能从被动途径取得。Telegraf 要求主动调用 smartctl nvme 等宿主命令，但此二者位于系统目录 /usr/sbin，不能以除 root 之外任何名义调用（TrueNAS 真是老严格了）。不可能给 root 权限的，这辈子都不可能。
   • 网络吞吐量未能从已获得数据中发现。
   • 当试图采集 ZFS 相关性能参数时，插件 inputs.zfs 不能适应含有空格的存储池名称（“Main Storage”和“Hot Backup”），从而无法采集。为此我在缺乏必要备份的情况下，变更存储池名称：

危险操作，请勿模仿

1. 关闭和上述存储池有挂载关系的一切 Docker 容器服务；
2. Web 界面中将上述两个存储池导出/卸载；
3. 命令行中以 zpool import 'Hot Backup' Backup 的形式导入存储池，并进行更名；
4. 命令行中再次导出/卸载存储池；
5. Web 界面中再次导入存储池。

2. 接收来自宿主的 Graphite 数据流。 这不仅免于暴露整个根目录，而且获得了尚且完整的记录，处理器、内存、硬盘吞吐、网络吞吐、ARC 命中率等皆有涉及；甚而在 Grafana 面板商城里，还有现成的面板可以解读存于 InfluxDB 的记录诸元。尽管该面板所展示的远远不够（例如诸存储池的使用率），硬盘 SMART 遥测数据几乎全部缺席（仅温度例外），但大约是相对省事的方案了。

4.3 成品

对上述面板稍加改造，便有：

改造细节：

1. 原面板含有二级动态缓存（L2ARC）的展示，但本系统未部署任何 L2ARC，故显示为空。已移除。
2. 拆分了内存和 Swap 使用曲线。
3. 处理器使用率改以时间—曲线展示。
4. 移除了开机时间（Uptime）背景的直线——在数据库指令中加入 last() 以限定最后一项记录。
5. 移除了内存使用饼状图，加入 UPS 剩余电量指示。

未来考虑将面板汉化并上传到 Gitee。
更新：已上传，然后详细过程都记录在“什么值得买”社区——那里的读者似乎喜欢所谓“保姆式教程”，我便投其所好了。

五、撰稿为止启用的服务

近来，基于 Alpine Linux 封装 Docker 镜像的做法正蔚然成风；其最大优势在于成品体积，封装后的存储量相较传统途径减少了数十至百余 MB。这里有条件时也尽量引入 Alpine 封装版本，以节约存储空间。不过，其中有的反而精简过度（如 nextcloud:fpm-alpine 要求额外部署反向代理系统），遂略过。
一切镜像均取自 Docker Hub。

服务	类别	Docker 镜像	镜像标签
Portainer	容器管理	portainer/portainer-ce	alpine🌟
Watchtower	容器管理	containrrr/watchtower	latest
InfluxDB	基础设施	influxdb	alpine🌟
MariaDB	基础设施	mariadb	lts
Alist	网盘/基础设施	xhofe/alist	latest
Tailscale	内网穿透	tailscale/tailscale	latest
Gitea	开发/备份	gitea/gitea	latest
Nextcloud	备份	linuxserver/nextcloud	latest
Telegraf	监测	telegraf	alpine🌟
Grafana	监测	grafana/grafana-oss	latest
File Browser	文件管理	hurlenko/filebrowser	latest
FreshRSS	订阅管理	freshrss/freshrss	alpine🌟
Qbittorrent	下载	superng6/qbittorrentee	latest
Jellyfin	影音管理	nyanmisaka/jellyfin	latest
新增：One API	人工智能/基础设施	justsong/one-api	latest
新增：ChatGPT Web	人工智能	chenzhaoyu94/chatgpt-web	latest
恢复：Plex	影音管理	linuxserver/plex	latest
恢复：Syncthing	备份/文件同步	syncthing/syncthing	latest

总结一下：本次改造和升级过程如同钢丝跳舞，非常惊心动魄；如同盲人摸象，相当消耗耐心；如同十面埋伏，处处意想不到。去年末，我曾在生产环境中调试 GitHub Actions 脚本，未事先做好功课的情况下，十几个 commit 均未修复问题，成了 commit 历史上的一道伤疤……凡事要做好，有备无患是前提。再次告诫：好孩子千万不要学😇

---

六、后记：人工智能伙伴的引入

本篇发表后不久，我开始考虑引进人工智能伙伴。作为阿斯伯格人士，我一向不愿有求于人，而人工智能多少能让我从对社交的恐惧中解脱出来，为我答疑解惑，似乎亦可打破传统搜索引擎结果鱼龙混杂、广告铺天盖地造成的信息获取障碍。

首先考虑采用何种方案：

• 在自有硬件上搭载人工智能模型。 这里对 GPU 要求非常苛刻：VRAM 足够大（8 GB 以上），半高尺寸（服务器空间有限），无需外接电源（即功率 70W 以下；服务器供电能力有限），至少支持半精度浮点（F16）计算，有 INT8、INT4 支持更佳。GPU 选择非常有限：
  • Tesla P4。所有选项中最廉价者，但不支持半精度浮点，价格业已水涨船高。
  • Tesla T4 或 NVIDIA A2。以上要求均可满足，但作为较新近的产品，加上绿厂金字招牌，价格自然不大好看。
  • Intel Arc Pro A50。满足以上要求，价格也低于绿厂，但依旧不好看。
  • 此外，多数模型支持通过处理器演算，但对处理器算力和指令集都有要求，例如需要 AVX2——这当然不是 Pentium 处理器所能给予的。
• 租用服务器。 这也不甚划算，毕竟我缺乏训练模型之需，仅仅需要跟训练好的模型交流而已。
• 接入云上模型 API 接口。 阿里云“灵积”服务提供了“通义千问”“ChatGLM”等诸多模型，开箱即用，部分模型限时免费，对其它模型也有免费体验的百万字口令（Token）额度。尽管自主性上不及自托管模型，但大约是现有条件下最优选择了。

然后，依“什么值得买”社区文章搭建服务：

1. 阿里云上开通“灵积”服务，创建“通义千问”API 访问令牌；
2. 取得 OpenAI ChatGPT 3.5 API 访问令牌（完全免费的，不用白不用）；
3. 于 MariaDB 实例准备好供 One API 使用的用户和数据库（这一步可以省略，我只是希望将访问令牌之类的设置永久化、安全保存而已）；
4. 启动 One API 容器，其应和 MariaDB 处于同一内网，令其调用 MariaDB；
5. 于 One API 设置两个渠道（channel），类型分别为“OpenAI”和“通义千问”，模型分别为 gpt-3.5-turbo 和 qwen1.5-32b-chat，再填入相应的访问令牌；
6. 服务器上启用 ChatGPT Web 容器作为客户端；手机上安装 BotGem 作为客户端；
7. 在 One API 生成访问令牌，指定可用模型，随后分配给客户端。

这样，用于对接外部模型的令牌被封装并保护，对一般用户仅需提供面向内网的令牌，泄漏风险极低；“通义千问”API 被重新封装成 OpenAI API，其余原设计对接 ChatGPT 的客户端均可享用。不谙技术的家人经过指导亦可在家中接入，享受科技的乐趣。

当然，这其中小插曲是少不了的。例如，我试验 yidadaa/chatgpt-next-web 镜像时就发现它根本没产生任何网络请求（One API 日志里无请求记录），总是返回“空响应”；再如，我试图通过阿里云的 OpenAI 兼容接口引进模型供客户端使用，结果这个兼容接口限制颇多，既不能调用“通义千问”以外的其它模型，也不支持通常被 ChatGPT 所用的 top_p presence_penalty 等参数（top_p 可能支持，但取值范围不及 ChatGPT），让客户端和我都手足无措。

不管怎样，我往初级运维的目标又近了一步。现在处理器远比 GPU 廉价，我大约会考虑更换处理器和大容量内存，来试验大模型的本机演算（“通义千问”说这样可行）；但这部主机最多支持七代 Core，提升潜力有限，更换平台又会产生一大笔开销……当然这是后话了。

更新： 5 月 28 日起，“通义千问”70 亿参数以上模型转为收费。有必要密切关注阿里云相关公告和文档更新，并预留一定款项，以备不时之需。

七、后记二：新版系统的 ARC 分配机制

这是本文发表后第二次补充，必须就 TrueNAS 系统中 ARC 分配的方式作一次澄清。在早前版本，ARC 的确仅仅用去系统内存的一半；但到了 24.04 版本，ARC 被调整为尽可能利用未被系统服务所占据的一切闲置内存空间。尽管理论上 ARC 会为系统服务让步，但这不包括自行部署的 Docker 及诸容器。于是，纵有 24 GB 超大内存，ARC 也独吞超过 19 GB，留给 Docker 的只剩少许渣滓和 Swap……

考虑到 ARC 对单个用户和非并发连接的作用非常有限，我认为有必要控制 ARC 分配量的上限，例如仅分配 8 GB。首先尝试给内核注入参数：

1. 命令行中进入 TrueNAS CLI 管理界面：sudo cli
2. 添加内核参数：
   system advanced update kernel_extra_options="zfs_arc_max=8589934592"
   其中，数字 8589934592 = 8 ⨉ 2³⁰。
3. 重启服务器。

结果无效。重启后尝试于 Qbittorrent 添加下载任务，此后 ARC 逐渐上升，五小时后恢复至 11 GB，一天后升至 12 GB。那便采用旁的办法：

1. 系统高级设置中，设置一个初始化后（PostInit）脚本：
   echo 8589934592 >> /sys/module/zfs/parameters/zfs_arc_max
2. 重启服务器。

成功了。现在空余内存接近 2 GB，短期内无需担忧内存耗尽的问题了。——观察数日后发现，Swap 的占用量仍有缓慢上升之势；下面是至六月 5 日止近一周内内存使用情况，可见在 1 日凌晨，因触发数据清理任务，系统服务对内存的需求骤然增大，甚至一度影响到 ARC，此时 Swap 占有量从零开始上升；两日后又快速上升，至 5 日维持于 760 MB 上下。这究竟是我的配置问题还是 TrueNAS 本身的调度问题所致？兴许要到后续文章里解答了。

9 月 23 日更新： 自 24.10.1 版本起，Swap 被自动关闭，免去了这项后顾之忧。