feat(all): 重炼 crates/common 核心组件、上线 Web 运维看板与 Docker 容器化部署

2026-07-28 10:31:57 +08:00
commit 4b4238d702
71 changed files with 163402 additions and 0 deletions
@@ -0,0 +1,57 @@
+# DCTS 故障排查与 FAQ (Troubleshooting & FAQs)
+
+> 汇集 DCTS 计算过程中的常见故障、物理发散问题排查方法及节点恢复指南。
+
+---
+
+## 1. 物理计算发散排查 (TLUSTY Divergence)
+
+### 现象 1：`nl` 阶段出现 `DIVD ... BIG` 或 `NITER` 达到上限发散
+- **原因**：初猜大气与当前网格点的真实 NLTE 大气物理状态相差过大，线性化半径无法收敛。
+- **排查步骤**：
+  1. 查看节点运行目录中的 `fort.6` 或 `conv.json`：
+     ```bash
+     cat results/<model_name>/conv.json
+     ```
+  2. 检查 `coldfail` 现场保存：冷启动失败后，系统会自动保存过程数据到 `<model>.coldfail/`。
+  3. **解决方案**：确保 Master 的 `results/` 目录下存有相近 $T_{\text{eff}}$ / $\log g$ 的已收敛 `.7` 大气文件。系统将在下次重试时自动触发 **Seed-Stepping** 种子步进算法。
+
+### 现象 2：`lte` 阶段报错或瞬间终止
+- **原因**：输入的物理参数超出了灰色大气基本假设或基础原子数据（原子能级/光致电离截面）损坏缺失。
+- **排查步骤**：
+  1. 验证 `data/` 目录中的 `ATO` / `ISO` 数据文件是否齐全。
+  2. 检查 `gen_input5` 生成的参数中 `TEFF` 是否小于 10000K 或大于 120000K。
+
+---
+
+## 2. 节点与网络故障 (Node & Network Issues)
+
+### 现象 1：Worker 节点提示 `Unauthorized: Invalid or missing authentication token`
+- **原因**：Master 服务端启用了 API Auth Token，但 Worker 的配置文件或环境变量中未配置匹配的 `auth_token`。
+- **解决办法**：在 Worker 的 `.env` 中加入 `DCTS_AUTH_TOKEN=<your_secret_token>`。
+
+### 现象 2：任务长时间处于 `Running` 状态没有进展
+- **原因**：Worker 节点在计算中途遭遇断电、内存溢出（OOM）或僵死进程卡死。
+- **自动恢复**：Master 服务端后台线程会在超过 `DCTS_STALE_SEC`（默认 30 分钟）后自动将该任务标记为 `pending` 重新放回队列。
+- **手动恢复**：若需立即重置挂起任务，可直接重启 `server` 或使用 SQL：
+  ```sql
+  UPDATE task_queue SET status='pending', assigned_node=NULL WHERE status='running';
+  ```
+
+### 现象 3：网络抖动或后端滚动重配下提示 `向服务端上报任务 ... 结果失败`
+- **原因**：在较长时效（如1-2小时）的运算完结回传一瞬间，Server 恰遇热更重启或遭遇防火墙短暂会话剔除。
+- **容灾机制**：Worker 内置了超强的 8 轮指数级自适应退避长跳上报防护（跨度可自 1s 到 60s 顺次延迟，支撑 2 分钟以上的长时断裂耐受窗口）；若由于连天硬件故障真正超出了总重试界限，亦可在本地非清理型数据栈（`data/work/task_{uuid}`）的目录直接调出本套算法终极收敛物并执行手工打标还原。
+
+---
+
+## 3. 日志与现场诊断
+
+日志控制通过 `RUST_LOG` 环境变量配置：
+
+```bash
+# 查看服务端调试级别日志
+RUST_LOG=info,server=debug ./target/release/server
+
+# 查看节点端详细网络与子进程调用日志
+RUST_LOG=info,node=debug,common=trace ./target/release/node
+```