登录社区云，与社区用户共同成长
邀请您加入社区
【代码】How to Run sample.war in a Tomcat Docker Container。
架构理解：厘清 dockershim 移除后的 CRI 架构演进，理解 cri-dockerd 的桥接角色系统预配置：内核参数、cgroup 驱动、网络模块——每项配置都有其 Kubernetes 网络模型层面的必然性Docker-CE：overlay2 存储驱动、systemd cgroup 驱动、日志滚动策略的生产级配置：从源码编译到 systemd 服务配置，深入 pause 容器与 CNI
RabbitMQ 是一个流行的开源消息代理软件，它实现了高级消息队列协议（AMQP）。本文将详细介绍如何使用 Docker 部署 RabbitMQ，并提供一些配置和管理的技巧。为了确保 RabbitMQ 的数据在容器重启或删除后不会丢失，我们使用了 Docker 的卷（volume）功能。RabbitMQ 容器通过指定环境变量的方式进行配置，这比修改配置文件便捷得多。为了防止数据丢失，定期备份 R
真实的企业级应用，从来不是“能跑通就行”，而是要满足「可访问、可部署、可并发、有界面」的核心需求。今天这篇，我们就完成整个系列的闭环：把上一篇优化好的“企业智能数据分析Agent”，封装成一个完整的Web应用，用Spring Boot做后端、Vue3做前端，最后用Docker一键打包部署，让你一分钟把Agent丢到服务器上，任何人都能通过浏览器访问使用。
Docker生态工具：Portainer、LazyDocker、Dockge、App2Docker
摘要：本文探讨了在树莓派5上容器化运行摄像头的技术挑战。作者发现传统容器化方法在端侧设备上失效，详细分析了三个核心问题：Media Graph多节点依赖、特权模式下的内存申请困境以及软件栈版本断层。实验表明，直接使用V4L2接口也无法解决硬件兼容性问题。最终提出分层解耦架构：宿主机负责硬件管理，容器专注AI推理。文章还指出端侧系统特有的资源调度和共享内存瓶颈，为专栏后续边缘计算实战提供了重要参考。
在大型安防项目中，设备品牌的杂乱无章是技术团队的噩梦。海康、大华、宇视等大厂各有私有协议，老旧设备仅支持RTSP，新建项目强制要求GB28181国标级联。为了打通这些“协议孤岛”，开发团队往往需要维护多套SDK，编写复杂的转码逻辑，导致系统臃肿不堪，稳定性极差。如何构建一个“万能”的视频接入网关？如何实现不同品牌、不同协议设备的统一管理？本文将深度剖析一款企业级AI视频管理平台，看它如何通过全协议
Docker 作为容器化技术的代表，通过 Linux 内核的 namespace、cgroups 和 UnionFS 实现了轻量级隔离，其模块化架构（dockerd→containerd→runc）为容器生态提供了稳定的基础。网络：理解 bridge/overlay 模式及数据包路径存储：合理使用 volume 与 bind mount安全：最小权限原则，避免 root 运行可观测性：日志驱动配置
本文收录于 AI 智能体 & 自动化实战系列，手把手带你从零部署本地可控的 AI 执行助手关键词：OpenClaw、AI Agent、本地 AI 部署、自动化助手、Docker 部署
容器之间为什么能互相访问？-p 端口映射底层是什么原理？为什么 Docker Compose 里直接写服务名就能找到对应容器？本文从 Linux network namespace 和 veth pair 入手，深入讲解 Docker 三种网络模式（bridge/host/overlay）的底层实现，同时介绍 iptables、SNAT、DNAT 的作用，并结合实战演示如何用自定义网络实现容器间的
说白了，这不是谁取代谁，而是 K8s 把容器这摊事拆得更清楚了：上层只管提需求，中间用标准接口对接，底层专心把进程跑起来，再用 shim 把运行过程稳住。两者都能当 K8s 运行时，但 CRI-O 更像“为了 K8s 而定制的后端”，而 containerd 更像“通用型运行时管理器”。Docker、docker-ce、containerd、CRI、CRI-O、shim 是啥关系？在集群里真正负责
本文探讨了安防行业面临的硬件碎片化挑战，提出了一套基于云原生微服务架构的AI视频管理平台解决方案。该平台通过硬件抽象层（HAL）实现异构算力的统一池化，利用Docker Multi-arch镜像和K8s编排实现跨指令集部署，并采用微服务化设计实现流媒体与计算分离。同时支持云端训练、边缘推理、云端运维的闭环管理，提供高性能并行计算和灵活组网能力。实际应用中可节省约95%的底层开发成本，为安防企业提供
你可能会好奇，clone 不是子进程创建吗，为什么也可以创建线程，这个时候就是 clone_flags 的作用了，我们看到线程创建传入了很多 flag ，而这就是进程创建和线程创建的区别。第二个是栈指针，表示整个进程空间的栈指针位置，第三个是信号，SIGCHLD 表示子进程退出通知父进程，我们上边的 exit --> wait 逻辑就是这么产生的。这是glibc 2.39 的源码，可以看到他设置了
本文档用于规范“龙虾”系统在各环境（开发、测试、生产）中的部署流程与操作步骤，确保系统能够按照统一标准进行安装、配置与运行。“龙虾”系统涉及多组件协同运行，部署过程中包含基础运行环境准备、依赖服务安装、配置文件调整、容器/进程启动以及运行状态检查等关键环节。为降低人为操作差异带来的风险，提高部署效率与可重复性，特编写本手册作为标准化执行依据。本文档主要面向运维人员、开发人员及系统交付人员，适用于新
Docker提供三种网络模式：none网络（无网络连接）、host网络（共享宿主机网络）、bridge网络（默认虚拟网络）。none网络仅提供本地回环接口，host网络与宿主机共享网络命名空间，bridge网络通过虚拟网桥实现容器间通信。实验演示了各网络模式的特点：none网络仅显示lo接口，host网络展示与宿主机相同的网络配置，bridge网络通过veth pair接口连接容器和docker0
本文介绍了在Windows系统上搭建Linux开发环境的三种方法：1)通过WSL2安装Linux子系统，详细说明了安装步骤和常用命令；2)Docker-Desktop的安装配置，包括镜像下载技巧和使用方法；3)VSCode必备插件ESP-IDF和Dev Containers的安装与使用。文章提供了详细的图文教程，帮助开发者在Windows环境下快速搭建嵌入式开发工具链，涵盖了从基础环境配置到高级容
本文详细介绍了在ARM架构的Linux设备上移植Docker的完整流程。首先需要检查硬件和内核配置，确保满足Docker运行的基本要求。然后提供了两种获取Docker二进制包的方法：直接下载官方ARM64包或从源码交叉编译。接着详细说明了安装配置步骤，包括创建目录、配置systemd服务等。针对ARM平台常见问题，给出了镜像架构匹配、存储驱动选择和内存限制等解决方案。最后通过运行Nginx容器进行
首先OpenClaw是安装到docker上的，所以要想打开docker，双击“docker desktop” 图标打开。今天要重新打开OpenClaw 发现不知道怎么打开了，再次做一下记录。
各家云平台基本都推出了一键部署OpenClaw 的方案，各种简化，但是我觉得使用宝塔面板的这种方式更好，因为我们不管买哪家的云服务器，都可以安装宝塔面板，然后再去部署OpenClaw。虽然能一键部署，但因为是跑在 Docker 里的，很多小伙伴反馈用起来束手束脚，想发挥更多作用却受限重重，我也安装和体验过了。自己用着感觉体验还可以，我自己用的是2G内存的服务器，一般建议最低2G内存，推荐4G内存的
Windows 系统：已安装 WSL2 和 Docker Desktop，并确保 WSL2 集成已开启。WSL 发行版（如 Ubuntu）：创建一个工作目录，例如 ~/openclaw-lab。
如果您之前已经批准过该设备（即执行过 devices approve），则不会再次要求配对，直接进入仪表盘。这样，每次访问 OpenClaw 就和打开普通网页一样简单了。如果有任何异常，随时检查容器状态和日志。令牌是固定的，您可以将 URL 保存为浏览器书签，方便下次直接打开。如果容器因重启而重新生成令牌（极少发生），只需重新获取即可。以后日常使用，只需确保容器运行，然后通过保存的书签访问即可。启
本文介绍了一种在Win11操作系统下，使用Docker部署OpenClaw的一种方案，并且Token由本地部署的Ollama加载开源的qwen3.5模型产生，实现零成本、相对安全可控的一种部署方案。当然，目前OpenClaw和Ollama的安全性还是有待提升，结合自己的情况，慎重部署！！！
Docker作为容器化技术的代表，彻底改变了现代软件开发、部署和运维的方式。本文将全面介绍Docker的核心概念、架构原理、操作实践以及生产环境部署的最佳实践，帮助读者从零开始掌握这一重要的云原生技术。Docker是一个开源的应用容器引擎，基于Go语言开发，并遵循Apache 2.0协议开源。Docker允许开发者将应用及其依赖打包到一个轻量级、可移植的容器中，然后发布到任何流行的Linux机器上
摘要：WSL2环境下K510开发板SDK编译踩坑记 本文记录了在Windows 10 WSL2环境下编译勘智K510开发板SDK时遇到的兼容性问题及解决方案。作者发现官方提供的SDK工具链是32位x86架构，而WSL2环境为64位，导致编译失败。经过多次尝试后，最终采用官方Docker容器方案成功搭建编译环境。具体步骤包括：安装配置Docker Desktop、拉取官方K510_buildroot
docker 镜像（Image）——> 只读的“系统镜像”。就像你下载的 Ubuntu 20.04 ISO 文件，或者嵌入式开发用的 固件烧录文件（.bin）。它是一个静态的、只读的模板，里面包含了一套完整的文件系统、工具链、环境变量和应用程序。镜像由一层层只读文件系统叠加而成（类似 git 的提交记录）。比如基础层是 Ubuntu 20.04，上面一层是安装的交叉编译器，再上面一层是你的应用代码
《嵌入式开发避坑指南》摘要：本文系统梳理嵌入式开发全流程中的典型问题，涵盖硬件选型、开发环境搭建、实时系统调试等六大维度。重点分析处理器功耗平衡、PCB电磁干扰、任务优先级反转等15类高频技术痛点，通过具体案例揭示休眠唤醒异常、SPI时钟配置错误等隐蔽问题的解决方案。特别针对生产测试阶段的静电防护、批量烧录等环节提供实战经验，并总结软件架构设计中全局变量滥用、内存对齐等关键注意事项，为开发者提供从
嵌入式开发中的高效"偷懒"艺术：通过自动化工具链（如Jenkins）、代码生成器（STM32CubeMX）和模块化设计提升效率；利用分级日志、非侵入调试和硬件抽象层简化调试；采用代码即文档和知识库管理减少重复劳动。这种"偷懒"实为工程智慧，让开发者聚焦创新而非重复工作。（149字）
嵌入式开发踩坑全记录：从硬件到软件的实战避坑指南 本文系统梳理了嵌入式开发全流程中的典型问题：硬件设计环节需警惕原理图错误和PCB干扰；开发环境搭建要注意工具链兼容性；实时系统调试需重点关注任务死锁和内存泄漏；外设驱动开发需严格把控通信时序；固件升级要完善校验机制；电磁兼容性需提前规划防护设计；生产测试要覆盖边界条件；团队协作需规范文档管理。这些实战经验可帮助开发者有效规避常见陷阱，提升开发效率。
本文介绍了使用Docker替代虚拟机搭建嵌入式开发环境的方案。针对传统虚拟机方式占用资源多、管理复杂的问题，作者提出基于Ubuntu 24.04系统，通过Docker容器化技术为瑞芯微RK3128等平台构建独立开发环境。详细说明了Docker镜像配置（包括换源、环境变量设置、工具链安装）、镜像构建与打包方法，并提供了容器运行脚本和清理方案。这种方案显著节省磁盘空间和CPU资源，同时保持环境隔离性，
在嵌入式开发中，系统环境配置往往比代码更费时间。本教程系统整理了从 SSH 远程连接、代理联网、驱动安装，到 Docker 隔离环境与 Conda 虚拟环境的完整 Linux 部署流程。内容覆盖 Ubuntu 18.04 至 24.04 各版本兼容问题、常见命令排查方法及镜像备份技巧。文中所有命令均可直接执行，适用于 Jetson、Raspberry Pi、Orin Nano、LiteOS 等平台
KWDB 不仅性能稳定、功能丰富，而且具备高度的可操作性和前瞻性，是一款值得深入学习与广泛应用的国产数据库产品。支持在同一个实例中建立时序库和关系库，并统一处理多种类型的数据，具备对海量时序数据的高效读写与分析能力。产品具备高可用、安全稳定、易运维等特性，广泛应用于工业物联网、数字能源、车联网、智慧矿山等多个行业领域，为用户提供一站式数据存储、管理与分析的基础平台。KaiwuDB 作为一款面向 A
文本探讨了基于Docker部署的MySQL数据库在AI应用中的关键作用。通过忆联PCIe5.0企业级SSD（UH812a）的实测验证，展示了Namespace技术与QoS优化策略如何实现存储资源的精细化管理，在只读、只写和混合读写场景中，性能偏差分别控制在1%和2%以内。该方案具备弹性资源定制、数据安全隔离、智能运维和成本优化四大优势，有效解决了传统数据库部署的灵活性不足问题，为AI应用提供了高效
2026年3月，安全研究人员捕获了一个名为@openclaw-ai/openclawai的恶意npm包，它伪装成官方CLI工具，通过postinstall钩子在受害者设备上建立反弹Shell，窃取SSH密钥、云平台凭证和浏览器会话信息-7。这一事件再次敲响警钟：裸机运行OpenClaw=自杀式部署。
MediKeep 是一个开源的个人健康档案管理工具，支持病历记录、用药追踪和健康报告生成。
可能会遇到pairing required，这是设备没有配对成功，可以使用以下命令放行当前设备。docker-compose.yml中使用以下配置。创建docker-compose.yml构建文件。填写token或者直接访问上面命令执行后的。可能需要在当前目录下mkdir data。根据自己的系统选择安装 此处不详细说明。在宿主机终端新建一个目录。
本文探讨了安防行业如何通过云原生技术解决硬件碎片化问题。作者基于十年行业经验，提出构建硬件无关的AI视频管理平台，采用微服务架构、Docker多架构镜像和硬件抽象层技术，实现异构算力的统一调度。平台通过容器化编排屏蔽指令集差异，将流媒体处理与AI推理解耦，支持云边端协同部署。实战表明，该方案可显著降低95%的底层开发成本，实现毫秒级视频分析延迟，完美适配各类GPU/NPU设备。文末提供了开源仓库和
Docker容器化技术通过提供隔离的、一致的运行环境，简化了部署流程，提高了资源利用率，并为AI系统的规模化提供了坚实基础。Docker容器技术为AI模型部署提供了强大的基础，通过环境隔离、资源管理、快速部署和可移植性等特性解决了传统部署方式的诸多挑战。理解Docker核心概念(镜像、容器、Dockerfile、多阶段构建)和AI模型部署的特定需求(推理服务架构、模型序列化、GPU支持)是构建高效
docker
——docker
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
AI智能硬件社区
龙虾开发者社区
