云服务器流量突增

安装centos7.8 虚拟环境

1、镜像链接

centos-vault-centos-7.8.2003-isos-x86_64安装包下载_开源镜像站-阿里云

具体安装步骤不再赘述

2、授予普通用户 sudo 权限

su 切换到管理员

cd 到 /etc目录下，执行 gedit sudoers

加入 username ALL=(ALL) ALL 这里username是要授予sudo权限的用户名。

sudowhoami

验证

3、换阿里源

（1）备份

mv/etc/yum.repos.d/CentOS-Base.repo /etc/yum.repos.d/CentOS-Base.repo.backup

（2）换源

curl -o/etc/yum.repos.d/CentOS-Base.repo https://mirrors.aliyun.com/repo/Centos-7.repo

运行yum makecache，更新源

4、系统更新到最新（大概10分钟左右）

sudoyum update -y

创建项目文件夹

Home 下 创建新文件夹 myAPIProgram 用于存放部署项目，centos7.8桌面版右击创建即可

安装 Python 和其他依赖

1、安装 Python 3.8（或更高版本）

sudo yuminstall-y epel-release sudo yuminstallcentos-release-scl

修改为国内源

cd 到 /etc/yum.repos.d 目录下

备份cpCentOS-SCLo-scl.repo{,.bak}cpCentOS-SCLo-scl-rh.repo{,.bak}

编辑

sudogeditCentOS-SCLo-scl.repo[centos-sclo-sclo]name=CentOS-7- SCLo sclobaseurl=https://mirrors.aliyun.com/centos/7/sclo/x86_64/sclo/gpgcheck=0enabled=1gpgkey=file:///etc/pki/rpm-gpg/RPM-GPG-KEY-CentOS-SIG-SCLosudogeditCentOS-SCLo-scl-rh.repo[centos-sclo-rh]name=CentOS-7- SCLo rhbaseurl=https://mirrors.aliyun.com/centos/7/sclo/x86_64/rh/gpgcheck=0enabled=1gpgkey=file:///etc/pki/rpm-gpg/RPM-GPG-KEY-CentOS-SIG-SCLo

刷新缓存

yumrepolist && yum cleanall&& yum makecache

安装python3.8

sudoyum install rh-python38

建立软链接

sudoln -s /opt/rh/rh-python38/root/usr/bin/python3 /usr/bin/python3sudoln -s /opt/rh/rh-python38/root/usr/bin/pip3 /usr/bin/pip3

查看

python3-V

环境配置

1、创建一个新的虚拟环境

（1）cd 到新建目录中

设置文件夹权限：

sudochmod777-R myAPIProgram

（2）创建一个新的虚拟环境以隔离项目依赖：

python3-m venv api_venv01激活sourceapi_venv01/bin/activate

2、安装Flask以及其他必要的包

pip3install flask numpy pandas scikit-learn gunicorn

Gunicorn是一个Python WSGI HTTP服务器，专门用于部署Python Web应用程序，如Flask和Django。它通过使用预先分叉工作进程的模型来实现高效的并发处理，非常适合用于生产环境。

linux搭建云服务器

训练一个简单的模型

1、在vscode里面训练并生成模型

云服务器配置hosts

importnumpyasnpimportmatplotlib.pyplotaspltfromsklearn.model_selectionimporttrain_test_splitfromsklearn.linear_modelimportLinearRegressionfromsklearn.metricsimportmean_squared_error, mean_absolute_error, r2_score显示中文字体plt.rcParams[font.sans-serif] = [SimHei]用来正常显示中文标签plt.rcParams[axes.unicode_minus] =False用来正常显示负号生成x值np.random.seed(0)为了可复现性x =2* np.random.rand(100,1)生成100个0到2之间的随机数根据线性关系y = 3x + 2生成y值，并加入噪声y =3* x +2+0.2*np.random.randn(100,1)将x和y转换为二维数组，因为scikit-learn要求输入为二维数组x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=42)创建线性回归模型实例model = LinearRegression()使用训练数据训练模型model.fit(x_train, y_train)预测测试集的结果y_pred = model.predict(x_test)计算MAEmae = mean_absolute_error(y_test, y_pred)计算并打印均方误差mse = mean_squared_error(y_test, y_pred)计算 R2r2 = r2_score(y_test, y_pred) print("MAE:", mae) print("MSE:", mse) print("R2:", r2) print("模型系数:", model.coef_) print("模型截距:", model.intercept_) print("模型方程: y =", model.coef_[0][0],"* x +", model.intercept_[0])可视化结果plt.scatter(x_test, y_test, color=black, label=实际值) plt.plot(x_test, y_pred, color=blue, linewidth=3, label=预测值) plt.xlabel(X) plt.ylabel(Y) plt.title(线性回归模型预测) plt.legend() plt.show()

结果

MAE: 0.16029109668506641

MSE: 0.036710129878857196

R2: 0.9809551843591459

模型系数: [[2.99805182]]

模型截距: [2.04126804]

模型方程: y = 2.9980518202009767 * x + 2.0412680377422876

2、借助 joblib 保存模型

fromjoblibimportdump, load

模型训练好之后

保存模型dump(model,my_models/my_model.joblib)加载模型loaded_model = load(my_models/my_model.joblib)

使用加载的模型预测结果如下

构建Flask 应用

1、回到centos系统

cd 到先前创建好的目录 api_venv01 中

2、创建一个简单的 Flask 应用来加载模型并提供预测服务 app.py 文件

sudotouchapp.py

编辑文件

sudogeditapp.pyapp.pyfromflaskimportFlask, request, jsonifyfromwerkzeug.exceptionsimportBadRequestimportjoblibimportpandasaspdimportnumpyasnp app = Flask(__name__)加载模型model = joblib.load(my_models/my_model.joblib)@app.route(/predict, methods=[POST])defpredict():try:获取JSON数据input_data = request.get_json()获取并验证输入数据预处理数据转换为DataFramepd_features = pd.DataFrame(input_data, index=[0])预测prediction = model.predict(pd_features)返回预测结果returnjsonify({code:200,prediction: prediction.tolist()})exceptBadRequestase: abort(400, description=str(e))exceptExceptionase: abort(500, description="服务器内部错误: "+ str(e))if__name__ ==__main__: app.run(host=0.0.0.0, port=5000, debug=False)

3、打开防火墙

sudo firewall-cmd--permanent --add-port=5000/tcpsudo firewall-cmd--reload

4、启动服务

主要命令

gunicorn-w4app:app

gunicorn -w <工作进程数> <模块名>:<应用实例名>，其中，<工作进程数>是你希望Gunicorn创建的工作进程数量，<模块名>是你的Flask应用所在的Python文件名（不包括.py后缀），<应用实例名>是你的Flask应用实例的名称。

（1）获取centos系统的ip地址

ipaddress

（2）更改监听地址

创建 gunicorn_config.py 文件，写入：

gunicorn_config.pybind=192.168.40.134:8000workers=4

（3）启动服务

gunicorn-cgunicorn_config.pyapp:app

5、apiPost访问

（1）我的访问地址为：http://192.168.40.134:8000/predict，访问方式：post

（2）body 数据

[1.38494424,0.20408962,1.95291893,1.34127574,1.33353343,1.3636406,0.92295872,0.63596636]

以上是完成了简要的部署，不包括打印日志、设置守护进程-重启自动启动，app.py中缺少数据校验

其他

每次启动都要激活虚拟环境，再运行，不利于调试，写一个shell脚本集合一起

sudotouchrun.shsudogeditrun.sh

写入：

sourceapi_venv01/bin/activategunicorn-c gunicorn_config.py app:app

授予执行权限：

chmod+xrun.sh

./run.sh 直接执行

完成环境激活+运行app。

linux搭建云服务器