B300 现在根本不是你想买就能买到的，又贵又稀缺，到处都是询价的，却没几个人摸过真机。

我们就想做一件全网现在还很难看到的事——跑一次 GLM-5.2-FP8 的硬核实测，看看企业真要把它用到生产环境，选型到底该盯哪些点。

B300 是 Blackwell 架构，部署成功的关键在于整条软件栈必须匹配：

• NVIDIA 驱动：580.159.04
• Fabric Manager：580.159.04-1，必须与驱动严格一致
• CUDA Toolkit：13.0
• DOCA-OFED：24.10-4.1.4.0
• NCCL：CUDA 13 对应版本
• PyTorch：2.5+ cu130
• 推理框架：SGLang
• 模型：GLM-5.2-FP8

本文按工程实践方式记录一次完整部署过程：

系统准备 → 高速网络 → GPU 驱动 → Fabric Manager → CUDA 13 → Python 环境 → SGLang 启动 → benchmark 验证。

本次实测中，8 卡 Tensor Parallel 成功跑通 GLM-5.2-FP8，关键压测结果如下：

指标	实测结果
后端	sglang
最大并发	16
成功请求数	8
压测时长	8.63 s
请求吞吐	0.93 req/s
输入 token 吞吐	4449.39 tok/s
输出 token 吞吐	309.28 tok/s
峰值输出吞吐	607.00 tok/s
总 token 吞吐	4758.67 tok/s
平均并发	5.13

结论先放前面：B300 不是简单的“升级换卡”，而是一次 GPU、驱动、网络、多卡通信和推理框架的全链路升级。

---

一、场景背景

1.1 要解决的具体问题

本文解决的问题是：

如何在 Ubuntu 22.04 环境下，将 NVIDIA B300 GPU 从系统安装阶段配置到可运行 GLM-5.2-FP8 推理服务，并通过 benchmark 验证服务可用性和性能？

这个问题在实际部署中容易被低估。很多团队以为新机器到位后，只需要：

安装驱动 -> nvidia-smi 正常 -> 启动模型服务

但在 B300 上，这条路径很容易失败。

原因是 B300 属于 Blackwell 架构，涉及 CUDA 13、FP8、NVLink / NVSwitch、InfiniBand、NCCL、SGLang / vLLM 等一整套组件。只要其中一个版本或配置不匹配，可能出现以下问题：

• GPU 能被识别，但多卡通信失败；
• nvidia-smi 正常，但 nvidia-smi nvlink --status 报错；
• 推理服务卡在 load checkpoint 阶段；
• NCCL 没走 InfiniBand，而是 fallback 到 SOCKET；
• FP8 模型加载失败；
• 服务能启动，但吞吐或延迟明显不符合预期。

1.2 为什么 B300 部署比 A100 / H100 更容易踩坑？

核心原因是：B300 的硬件能力需要更高版本的软件栈才能释放。

组件	常见问题
NVIDIA 驱动	老版本驱动可能识别不了 B300，或者无法暴露完整能力。
Fabric Manager	NVLink / NVSwitch 多卡通信依赖它，版本不一致会导致 P2P 失败。
CUDA 13	Blackwell 相关特性需要 CUDA 13 支持。
DOCA-OFED / InfiniBand	配置错误会导致 RDMA、NCCL 退化。
NCCL	多卡 / 多机通信性能依赖 NCCL 正确识别高速网络。
SGLang / vLLM	FP8、MoE、Tensor Parallel 支持持续迭代，版本不对可能启动失败。
GLM-5.2-FP8	模型路径、量化配置、TP 参数都需要匹配。

一句话总结：

B300 部署不是验证某一个命令成功，而是要验证 GPU、网络、通信库、推理框架和模型服务的闭环。

---

二、技术方案

2.1 推荐部署顺序

建议严格按照以下顺序执行：

1. 系统准备，禁用 Nouveau；
2. 安装 DOCA-OFED，验证 InfiniBand；
3. 安装 NVIDIA 驱动 580.159.04；
4. 安装 Fabric Manager 580.159.04-1；
5. 安装 CUDA Toolkit 13.0；
6. 安装 Python / PyTorch / SGLang 环境；
7. 做系统级优化；
8. 启动 GLM-5.2-FP8 推理服务；
9. 跑 benchmark 验证吞吐和延迟。

为什么要这个顺序？

因为 B300 的排障成本很高。如果一开始就启动模型服务，错误可能来自驱动、CUDA、NCCL、Fabric Manager、模型路径、容器挂载、量化配置等多个层面，很难定位。

更稳妥的方法是：每安装一层，就验证一层。

2.2 版本锁定清单

建议先把版本锁死，不要边安装边升级。

组件	推荐版本	说明
操作系统	Ubuntu 22.04 LTS	服务器版，LTS 长期支持。
内核	5.15+	与 NVIDIA 580 驱动兼容。
NVIDIA 驱动	580.159.04	B300 专用驱动。
Fabric Manager	580.159.04-1	必须与驱动版本严格一致。
CUDA Toolkit	13.0	Blackwell 完整特性支持。
DOCA-OFED	24.10-4.1.4.0	高速网络与 GPUDirect RDMA。
cuDNN	9.x for CUDA 13	深度学习基础库。
NCCL	2.x for CUDA 13	多卡 / 多机通信。
PyTorch	2.5+ cu130	训练 / 推理框架依赖。

关键经验：

驱动和 Fabric Manager 的版本必须严格一致。实测中遇到过 Fabric Manager 小版本落后，导致 nvidia-smi nvlink --status 报错、多卡通信无法建立的问题。

---

2.3 第 1 步：系统准备，禁用 Nouveau

Nouveau 是开源 NVIDIA 驱动，可能和官方 NVIDIA 驱动冲突。安装 B300 驱动前建议先禁用。

# 更新系统
sudo apt update && sudo apt upgrade -y

# 安装基础工具
sudo apt install -y build-essential dkms linux-headers-$(uname -r) \
    wget curl vim git net-tools pciutils ethtool openssh-server python3-pip

# 禁用 Nouveau，避免和 NVIDIA 驱动冲突
sudo bash -c "cat > /etc/modprobe.d/blacklist-nouveau.conf" << EOF
blacklist nouveau
options nouveau modeset=0
EOF

sudo update-initramfs -u
sudo reboot

重启后验证：

lsmod | grep nouveau   # 应无输出
lspci | grep -i nvidia  # 应能看到 B300

验证标准：

• lsmod | grep nouveau 无输出；
• lspci | grep -i nvidia 能看到 NVIDIA 设备。

---

2.4 第 2 步：安装 DOCA-OFED，先验证高速网络

B300 集群通常配合 ConnectX-7 / InfiniBand 使用。多机训练或推理场景下，InfiniBand、RDMA、NCCL 的配置会直接影响性能。

本次使用 DOCA-OFED 24.10：

cd ~/downloads
wget https://content.mellanox.com/ofed/MLNX_OFED-24.10-4.1.4.0/MLNX_OFED_LINUX-24.10-4.1.4.0-ubuntu22.04-x86_64.tgz
tar -xzf MLNX_OFED_LINUX-24.10-4.1.4.0-ubuntu22.04-x86_64.tgz
cd MLNX_OFED_LINUX-24.10-4.1.4.0-ubuntu22.04-x86_64

sudo ./mlnxofedinstall --all --with-doca
sudo /etc/init.d/openibd restart

# 验证
ofed_info -s
ibstat

如果需要 GPUDirect RDMA，可继续配置：

echo "options nvidia NVreg_EnableGpuFirmwareLogs=2" | sudo tee /etc/modprobe.d/nvidia.conf
echo "options mlx5_core enable_nvpeer=1" | sudo tee -a /etc/modprobe.d/mlx5.conf

# 网络缓冲区优化
sudo sysctl -w net.core.rmem_max=268435456
sudo sysctl -w net.core.wmem_max=268435456

验证标准：

• ofed_info -s 能显示 DOCA-OFED 版本；
• ibstat 中链路状态应为 Active；
• 后续 NCCL 日志中应确认走的是 IB，而不是 SOCKET。

注意：不要只看网络能不能 ping 通。ping 通只能说明 IP 网络可达，不代表 RDMA / InfiniBand / NCCL 链路正常。

---

2.5 第 3 步：安装 NVIDIA 驱动 580.159.04

B300 需要匹配的新驱动。本次实测使用 580.159.04。

cd ~/downloads/nvidia_driver
wget https://us.download.nvidia.com/XFree86/Linux-x86_64/580.159.04/NVIDIA-Linux-x86_64-580.159.04.run
chmod +x NVIDIA-Linux-x86_64-580.159.04.run

sudo systemctl isolate multi-user.target
sudo ./NVIDIA-Linux-x86_64-580.159.04.run

# 安装选项：接受协议；自动更新 X 配置选 No；32 位兼容库可选 Yes；运行 nvidia-xconfig 选 No
sudo reboot

重启后检查：

nvidia-smi
# 应显示 Driver Version: 580.159.04，CUDA Version: 13.0

验证标准：

• nvidia-smi 能识别 GPU；
• Driver Version 为 580.159.04；
• CUDA Version 显示 13.0。

---

2.6 第 4 步：安装 Fabric Manager，验证多卡互通

Fabric Manager 是 B300 多卡互通的关键组件。NVLink / NVSwitch 通信依赖它。

版本要求：

Fabric Manager 版本必须和 NVIDIA 驱动版本完全一致。

安装命令：

# 添加 NVIDIA 仓库
distribution=$(. /etc/os-release; echo $ID$VERSION_ID | sed -e 's/\.//g')
wget https://developer.download.nvidia.com/compute/cuda/repos/$distribution/x86_64/cuda-keyring_1.0-1_all.deb
sudo dpkg -i cuda-keyring_1.0-1_all.deb
sudo apt update

# 安装指定版本
sudo apt install -y nvidia-fabricmanager-580=580.159.04-1
sudo systemctl start nvidia-fabricmanager
sudo systemctl enable nvidia-fabricmanager

验证：

sudo systemctl status nvidia-fabricmanager
nvidia-smi nvlink --status
nvidia-smi nvlink --capabilities

验证标准：

• nvidia-fabricmanager 服务为 active；
• nvidia-smi nvlink --status 不报错；
• 多卡通信链路可被正常识别。

常见坑：

问题	可能原因	解决方案
nvidia-smi nvlink --status 报错	Fabric Manager 版本不匹配	安装与驱动严格一致的版本。
多卡 P2P 失败	Fabric Manager 未启动	检查 systemd 服务状态。
单卡可用，多卡推理失败	NVLink / NCCL 异常	继续检查 Fabric Manager 和 NCCL 日志。

---

2.7 第 5 步：安装 CUDA Toolkit 13.0

Blackwell 相关能力需要 CUDA 13 及匹配的库支持。

wget https://developer.download.nvidia.com/compute/cuda/13.0.0/local_installers/cuda_13.0.0_580.32.07_linux.run
chmod +x cuda_13.0.0_580.32.07_linux.run
sudo sh cuda_13.0.0_580.32.07_linux.run --silent --toolkit --samples

# 配置环境变量
echo 'export CUDA_HOME=/usr/local/cuda-13.0' >> ~/.bashrc
echo 'export PATH=$CUDA_HOME/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=$CUDA_HOME/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc

# 验证
nvcc --version
# 应显示 release 13.0

验证标准：

nvcc --version

输出中应包含：

release 13.0

如果深度学习框架报类似 CUDA capability 10.0+ required 的错误，需要重点检查：

• 是否误装 CUDA 12；
• PyTorch 是否是 cu130 版本；
• 容器内 CUDA / NCCL 是否与宿主机兼容。

---

2.8 第 6 步：安装 Python 深度学习环境

建议使用 Python 3.11 虚拟环境，避免污染系统 Python。

# Python 3.11
sudo add-apt-repository ppa:deadsnakes/ppa -y
sudo apt update
sudo apt install -y python3.11 python3.11-venv python3.11-dev
curl -sS https://bootstrap.pypa.io/get-pip.py | python3.11

# 创建虚拟环境
python3.11 -m venv ~/b300-env
source ~/b300-env/bin/activate

# PyTorch for CUDA 13.0
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu130

# 推理和优化工具
pip install transformers accelerate vllm sglang flash-attn --no-build-isolation
pip install deepspeed

验证 GPU 是否可被 PyTorch 识别：

python -c "import torch; print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0))"

验证标准：

• torch.cuda.is_available() 返回 True；
• 能输出 GPU 名称。

---

2.9 第 7 步：系统级优化

这些优化不是必须解决所有问题，但能减少资源限制和性能抖动。

# GPU 持久模式 + 功耗限制
sudo nvidia-smi -pm 1
sudo nvidia-smi -pl 700

# 文件描述符和内存锁
sudo bash -c "cat >> /etc/security/limits.conf" << EOF
*    soft    nofile    65536
*    hard    nofile    65536
*    soft    memlock   unlimited
*    hard    memlock   unlimited
EOF

# 共享内存
sudo bash -c "cat >> /etc/sysctl.conf" << EOF
kernel.shmmax = 68719476736
kernel.shmall = 16777216
EOF
sudo sysctl -p

# 禁用透明大页
sudo systemctl disable --now systemd-timesyncd  # 示例

这里需要特别说明：

原始记录中“禁用透明大页”的命令示例实际指向 systemd-timesyncd，与透明大页配置不完全对应。生产环境建议补充准确的 THP 配置命令，并通过系统文件确认 THP 状态。

---

2.10 启动 GLM-5.2-FP8 推理服务

当以上环境都验证通过后，再启动 SGLang 推理服务。

本次测试使用 8 卡 Tensor Parallel：

docker run --gpus all \
  --shm-size 32g \
  -p 30000:30000 \
  -v /models:/models \
  --ipc=host \
  -e PYTHONUNBUFFERED=1 \
  -e NCCL_DEBUG=WARN \
  lmsysorg/sglang:latest \
  sglang serve \
    --model-path /models/GLM-5.2-FP8 \
    --tp 8 \
    --mem-fraction-static 0.8 \
    --enforce-disable-flashinfer-allreduce-fusion \
    --host 0.0.0.0

启动日志中重点看这些信号：

• CUDA 版本：CUDA Version 13.0.1；
• NCCL 版本：NCCL version 2.28.9+cuda13.0；
• DeepGemm 已启用，用于 Blackwell FP8 推理加速；
• FlashInfer TRTLLM MoE 后端初始化；
• 8 个 tensor parallel rank 依次完成初始化；
• 服务监听：http://0.0.0.0:30000。

常见启动问题如下：

现象	可能原因	排查建议
load checkpoint 阶段卡住	模型路径错误或权限不足	检查 /models/GLM-5.2-FP8 是否存在，容器挂载是否成功。
FP8 相关报错	量化配置与框架版本不匹配	检查模型配置、SGLang 版本、CUDA / NCCL 日志。
--tp 8 启动失败	GPU 数量或可见设备不匹配	检查 docker --gpus all、nvidia-smi、CUDA_VISIBLE_DEVICES。
多卡通信失败	Fabric Manager 或 NCCL 异常	检查 nvidia-smi nvlink --status 和 NCCL 日志。
性能明显偏低	NCCL 可能 fallback 到 SOCKET	开启 NCCL 日志，确认是否走 IB。

---

三、核心指标

3.1 benchmark 测试条件

服务启动后，使用 SGLang benchmark 工具做压测。

测试条件：

• 最大并发：16；
• 成功请求数：8；
• 输入 token 总量：38412；
• 输出 token 总量：2670。

3.2 吞吐指标

指标	数值
后端	sglang
最大并发	16
成功请求数	8
压测时长	8.63 s
请求吞吐	0.93 req/s
输入 token 吞吐	4449.39 tok/s
输出 token 吞吐	309.28 tok/s
峰值输出吞吐	607.00 tok/s
总 token 吞吐	4758.67 tok/s
平均并发	5.13

3.3 延迟指标

端到端延迟如下：

分位	E2E Latency (ms)	TTFT (ms)	TPOT (ms)	ITL (ms)
Mean	5535.54	1294.31	12.92	12.75
Median	5855.46	1356.86	12.73	12.40
P90	7604.15	1447.78	13.47	12.60
P95	8108.00	1448.54	13.92	12.64
P99	8511.07	1449.14	14.27	14.82

3.4 如何解读这些指标？

1. TTFT 约 1.3s

TTFT 是首 token 延迟。此次输入 token 总量为 38412，属于长上下文输入，预填充阶段开销较大。因此 TTFT 约 1.3s 属于可以解释的范围。

2. TPOT 约 12.7 - 13 ms/token

TPOT 反映单 token 生成阶段延迟。该数值说明 FP8 推理链路已经跑通，生成阶段比较稳定。

3. 峰值输出吞吐 607 tok/s

说明在并发爬坡阶段，GPU 利用率能够被拉起来，B300 的 FP8 推理能力能够发挥出来。

4. P99 E2E 延迟达到 8.5s

当并发接近当前配置上限时，队列等待时间会明显增加。

生产环境中不能只看平均值，建议同时关注：

• TTFT；
• TPOT；
• P95 / P99 E2E 延迟；
• 请求失败数；
• GPU 利用率；
• NCCL 通信路径；
• 队列等待时间。

---

四、适用 / 不适用场景

4.1 适用场景

本文方案适合以下场景：

1. 单机 8 卡 B300 推理验证
   需要快速验证 B300 是否能跑通 GLM-5.2-FP8、SGLang、FP8 推理链路。

2. 大模型 FP8 推理部署
   模型使用 FP8 量化，需要 Blackwell、CUDA 13、SGLang / vLLM 等新版本能力。

3. 长上下文推理压测
   需要关注 TTFT、TPOT、P95 / P99 延迟和 token 吞吐。

4. 多卡 Tensor Parallel 推理
   需要验证 8 卡 TP、NVLink / NVSwitch、Fabric Manager、NCCL 是否正常。

5. 从单机扩展到多机前的基础验证
   建议先按本文流程跑通单机，再扩展到多节点。

4.2 不适用场景

本文不完全适用于以下场景：

1. 不同 GPU 架构
   如果是 A100、H100 或其他 GPU，驱动、CUDA、功耗限制、通信配置可能不同。

2. 非 Ubuntu 22.04 系统
   本文命令基于 Ubuntu 22.04，其他发行版需要调整包管理和驱动安装方式。

3. 生产级多机集群完整方案
   本文重点是单机 8 卡实测。多机生产环境还需要补充 SSH 互信、主机名解析、NCCL 拓扑、故障恢复、监控告警、灰度发布等内容。

4. 所有模型的性能评估
   benchmark 数据只代表本文环境、模型、并发和输入输出长度下的结果，不能直接外推到所有业务。

5. 成本评估或云厂商选型
   原文没有提供价格、成本、SLA 或云厂商资源规格，因此本文不做成本结论。

---

五、FAQ

Q1：B300 部署时最容易踩的坑是什么？

最容易踩的坑是只验证 nvidia-smi，没有继续验证 Fabric Manager、NVLink、NCCL 和 InfiniBand。

nvidia-smi 正常只能说明 GPU 驱动基本可用，不能说明多卡通信、RDMA、NCCL 和推理服务都正常。

建议至少完成以下验证：

nvidia-smi
sudo systemctl status nvidia-fabricmanager
nvidia-smi nvlink --status
ofed_info -s
ibstat
python -c "import torch; print(torch.cuda.is_available())"

---

Q2：为什么 Fabric Manager 必须和驱动版本一致？

Fabric Manager 负责管理 NVLink / NVSwitch 等多 GPU 通信能力。

实测中遇到过 Fabric Manager 小版本落后，导致：

• nvidia-smi nvlink --status 报错；
• 多卡通信无法建立；
• 推理服务启动异常。

因此建议使用 apt 仓库安装指定版本：

sudo apt install -y nvidia-fabricmanager-580=580.159.04-1

避免手动下载多个 deb 包导致版本混装。

---

Q3：什么时候需要重点检查 InfiniBand 和 NCCL？

以下情况都需要重点检查：

• 从单机扩展到多机；
• 多卡推理性能明显低于预期；
• NCCL 初始化慢；
• GPU 利用率不均衡；
• 日志中出现 SOCKET fallback；
• benchmark 吞吐偏低。

检查命令包括：

ibstat
ofed_info -s

同时建议打开 NCCL 日志，确认通信是否走 IB，而不是 SOCKET。

---

Q4：GLM-5.2-FP8 启动失败时先查什么？

优先查三项：

1. 模型路径是否存在；
2. FP8 量化配置是否与 SGLang 版本匹配；
3. --tp 8 是否与实际 GPU 数量一致。

比如本文启动命令中：

--model-path /models/GLM-5.2-FP8
--tp 8
--mem-fraction-static 0.8

如果 /models/GLM-5.2-FP8 在容器内不存在，或者宿主机目录没有正确挂载，就容易卡在 load checkpoint 阶段。

---

Q5：CUDA 13 是必须的吗？

在本文 B300 / Blackwell / GLM-5.2-FP8 场景下，建议使用 CUDA 13。

原因是 Blackwell 相关特性和新架构支持需要 CUDA 13 及对应生态库配合。如果误装 CUDA 12，可能出现：

• PyTorch 不识别 GPU 能力；
• FP8 相关算子不可用；
• SGLang / vLLM 启动失败；
• 报 CUDA capability 10.0+ required 等兼容性错误。

---

Q6：这组 benchmark 数据能代表生产性能吗？

不能直接代表所有生产场景。

这组数据只说明在本文环境、模型、并发和输入输出 token 条件下，B300 可以跑通 GLM-5.2-FP8，并获得如下结果：

• 输入 token 吞吐：4449.39 tok/s；
• 输出 token 吞吐：309.28 tok/s；
• 峰值输出吞吐：607.00 tok/s；
• P99 E2E 延迟：8511.07 ms。

生产环境还需要根据真实业务重新压测，包括：

• 请求长度分布；
• 并发峰值；
• SLA；
• 多轮对话比例；
• 是否流式输出；
• 容灾和降级策略；
• GPU 利用率和成本目标。

---

Q7：部署完成后怎么做 checklist 验证？

可以按下面这张表逐项检查。

阶段	需要解决的问题	解决方案	验证方式
系统准备	Nouveau 可能与 NVIDIA 驱动冲突	禁用 Nouveau 并重启	`lsmod
GPU 驱动	B300 需要匹配驱动	安装 580.159.04	nvidia-smi 显示正确驱动版本
多卡通信	NVLink / NVSwitch 依赖 Fabric Manager	安装 580.159.04-1	systemctl status nvidia-fabricmanager、nvidia-smi nvlink --status
CUDA	Blackwell 需要 CUDA 13 环境	安装 CUDA Toolkit 13.0	nvcc --version 显示 release 13.0
高速网络	RDMA / NCCL 可能 fallback	安装 DOCA-OFED 并检查 IB	ofed_info -s、ibstat、NCCL 日志
推理框架	FP8 / Tensor Parallel 依赖框架支持	安装 SGLang / PyTorch cu130	torch.cuda.is_available() 返回 True
模型服务	模型路径、量化配置、TP 参数可能不一致	使用 SGLang 启动 GLM-5.2-FP8	8 个 TP rank 初始化完成，服务监听 30000
性能验证	服务可用不等于性能达标	运行 benchmark	查看吞吐、TTFT、TPOT、P95 / P99 延迟

---

七、参考链接

• NVIDIA CUDA Toolkit 下载页： https://developer.nvidia.com/cuda-downloads
• NVIDIA 驱动下载页： https://www.nvidia.com/Download/index.aspx
• NVIDIA DOCA / OFED 相关资料： https://developer.nvidia.com/networking/doca
• SGLang 项目： https://github.com/sgl-project/sglang
• PyTorch 安装说明： https://pytorch.org/get-started/locally/

---

总结

B300 部署的难点不在某一条命令，而在全链路版本和配置对齐。

推荐实践是：

1. 先锁定版本；
2. 按顺序安装系统、网络、驱动、Fabric Manager、CUDA、推理环境；
3. 每完成一层就验证一层；
4. 先跑通单机 8 卡，再扩多机；
5. 最后用 benchmark 验证吞吐、TTFT、TPOT 和 P99 延迟。

本次实测表明，在 8 卡 Tensor Parallel、SGLang、GLM-5.2-FP8 场景下，B300 能够成功启动推理服务并完成压测，输入 token 吞吐达到 4449.39 tok/s，输出 token 吞吐达到 309.28 tok/s，峰值输出吞吐达到 607.00 tok/s。

真正耗时的部分不是最后的 sglang serve 命令，而是前期驱动、Fabric Manager、CUDA、DOCA-OFED、NCCL 和模型配置的逐项对齐。

注：本次测评由优刻得技术研究院支持，包含部署环境、设备等资源。