#创建工作台

#前提条件

• 确保已配置并连接到集群的 kubectl。
• 确保已创建 PVC。

#通过 Web 控制台创建工作台

#操作步骤

#连接工作台

创建工作台实例后，点击左侧导航栏的 Workbench，您的工作台实例将显示在列表中。当状态变为 Running 时，点击 Connect 按钮进入工作台。

以下额外的工作台镜像可用，但默认不内置于平台中：

• alaudadockerhub/odh-workbench-jupyter-tensorflow-cuda-py312-ubi9
• alaudadockerhub/odh-workbench-jupyter-pytorch-llmcompressor-cuda-py312-ubi9
• alaudadockerhub/odh-workbench-jupyter-pytorch-cuda-py312-ubi9
• alaudadockerhub/odh-workbench-jupyter-minimal-cpu-py312-ubi9
• alaudadockerhub/odh-workbench-jupyter-minimal-cuda-py312-ubi9

如果想使用这些镜像，必须先手动同步到您自己的镜像仓库（例如使用 skopeo 等工具）。

#DockerHub 镜像同步脚本指南

sync-from-dockerhub.sh 是一个自动化工具，用于将特定的 DockerHub 镜像（尤其是单层超过 7GB 的超大容量镜像）同步到私有镜像仓库（如 Harbor）。 由于大容量镜像在直接传输（通过管道或内存）时极易因网络波动导致 OOM 或超时失败，该脚本采用了 先拉取到本地 -> 导出为 tar 归档 -> 从 tar 归档推送到目标仓库 的中继策略，确保即使是几十 GB 的文件也能稳定同步。同时，脚本具备任务完成或异常时自动清理临时文件的机制，保护磁盘空间。

#脚本前提条件

运行脚本前，请确保执行机器已安装并可访问以下工具：

• bash（执行环境）
• nerdctl（用于拉取镜像并导出层为 tar 归档）
• skopeo（用于将 tar 镜像归档推送到目标私有仓库）

#环境变量配置

脚本通过读取环境变量执行同步，使用灵活，无需修改代码。

#必填参数（目标私有仓库配置）

#可选参数（源 DockerHub 配置）

为避免拉取大量镜像时触发 DockerHub 的 Rate Limit，可提供 DockerHub 账号密码登录，若不需要则留空。

#示例 1：基础用法（最常见）

仅需同步脚本中定义的镜像到私有 Harbor：

# 1. 导出目标仓库环境变量
export TARGET_REGISTRY="build-harbor.alauda.cn"
export TARGET_PROJECT="mlops/workbench-images"
export TARGET_USER="admin"
export TARGET_PASSWORD="YourHarborPassword"

# 2. 赋予脚本执行权限（如未赋予）
chmod +x ./sync-from-dockerhub.sh

# 3. 执行同步
./sync-from-dockerhub.sh

#示例 2：单行命令执行（适合 CI 环境）

可在同一行声明环境变量并运行脚本，避免污染当前 Shell 环境变量：

TARGET_REGISTRY="build-harbor.alauda.cn" \
TARGET_PROJECT="mlops/workbench-images" \
TARGET_USER="admin" \
TARGET_PASSWORD="YourHarborPassword" \
./sync-from-dockerhub.sh

#示例 3：完整执行含 DockerHub 认证（防止限流）

频繁从同一机器拉取镜像时，DockerHub 可能拒绝请求，此时需提供 DockerHub 账号密码：

export TARGET_REGISTRY="build-harbor.alauda.cn"
export TARGET_PROJECT="mlops/workbench-images"
export TARGET_USER="admin"
export TARGET_PASSWORD="YourHarborPassword"

export DOCKERHUB_USER="alaudadockerhub"
export DOCKERHUB_PASSWORD="dckr_pat_xxx_your_token_xxx"

./sync-from-dockerhub.sh

#故障排查与注意事项

1. 磁盘空间：脚本需临时存储超大镜像（如 13GB）为 tar 归档，请确保系统 /tmp 目录（或其所在根分区）有充足空闲空间（建议至少 30GB）。脚本默认暂存目录为 /tmp/workbench-images-export-from-hub。
2. 传输超时：脚本当前对推送大文件设置了 120 分钟超时（SKOPEO_TIMEOUT="120m"），若因网络极慢导致失败，可用文本编辑器修改脚本顶部该参数值。
3. 修改镜像列表：若不想同步某些镜像，可打开 sync-from-dockerhub.sh，在 WORKBENCH_IMAGES 数组中用 # 注释对应行（类似 sync.sh 中对 minimal 镜像的过滤）。

镜像同步到仓库后，还需将对应配置添加到您计划使用的 WorkspaceKind 资源的 imageConfig 字段。以下示例为向已有 WorkspaceKind 添加新镜像配置的 Patch YAML：

[
  {
    "op": "add",
    "path": "/spec/podTemplate/options/imageConfig/values/-",
    "value": {
      "id": "jupyter-pytorch-llmcompressor-cuda-py312",
      "spawner": {
        "displayName": "Jupyter | PyTorch LLM Compressor | CUDA | Python 3.12",
        "description": "JupyterLab with PyTorch and LLM Compressor for CUDA",
        "labels": [
          {
            "key": "python_version",
            "value": "3.12"
          },
          {
            "key": "framework",
            "value": "pytorch"
          },
          {
            "key": "accelerator",
            "value": "cuda"
          }
        ]
      },
      "spec": {
        "image": "build-harbor.alauda.cn/mlops/workbench-images/odh-workbench-jupyter-pytorch-llmcompressor-cuda-py312-ubi9:3.4_ea1-v1.41",
        "imagePullPolicy": "IfNotPresent",
        "ports": [
          {
            "id": "jupyterlab",
            "displayName": "JupyterLab",
            "port": 8888,
            "protocol": "HTTP"
          }
        ]
      }
    }
  }
]

您可以使用如下命令将该 Patch 应用到所用的 WorkspaceKind：

kubectl patch workspacekind jupyterlab-internal-3-4-ea1-v1-41 \
  --type=json \
  --patch-file add-llmcompressor-image-patch.json \
  -o yaml

该命令会将 JSON Patch 应用到指定 WorkspaceKind，更新其 imageConfig，使新工作台镜像在工作台创建界面可用。

实际使用时，可根据同步的镜像及集群命名规范调整 name、image 和 description 字段。