도커에서 vllm 사용 설정 가이드

-

도커에서 vllm 사용 설정 가이드


# 도커에서 gpu를 사용하기 위한 기본설정
호스트 쪽
✅ NVIDIA 드라이버
✅ Docker
✅ NVIDIA Container Toolkit (nvidia-container-toolkit)

이미지/컨테이너 쪽
✅ CUDA / cuDNN 라이브러리 포함된 베이스 이미지 (또는 vLLM/Qwen 공식 이미지)

1. 호스트(서버)에 필요한 것
(1) NVIDIA 드라이버 (반드시 호스트에만 설치)
nvidia-smi 잘 나오면 OK 

컨테이너 안에는 드라이버 설치하면 안 됨
→ 드라이버는 “호스트 전용”, 컨테이너는 라이브러리(CUDA, cuDNN)만 있으면 됨.

(2) Docker + NVIDIA Container Toolkit
GPU를 Docker에 연결해주는 게 NVIDIA Container Toolkit 이라서 필요.
NVIDIA Container Toolkit (nvidia-container-toolkit) 툴킷은 도커 내부에 gpu를 사용할수 있게 해주는 브릿지 역할

# 패키지 저장소 추가 (OS별로 다름, 예시는 Ubuntu)
# sudo distribution=$(. /etc/os-release;echo $ID$VERSION_ID)
# curl -fsSL https://nvidia.github.io/libnvidia-container/gpgkey | sudo gpg --dearmor -o /usr/share/keyrings/nvidia-container-toolkit.gpg
# curl -s -L https://nvidia.github.io/libnvidia-container/$distribution/libnvidia-container.list | \
#   sed 's#deb https://#deb [signed-by=/usr/share/keyrings/nvidia-container-toolkit.gpg] https://#g' | \
#   sudo tee /etc/apt/sources.list.d/nvidia-container-toolkit.list

sudo apt-get update
sudo apt-get install -y nvidia-container-toolkit

# Docker에 NVIDIA 런타임 연동
sudo nvidia-ctk runtime configure --runtime=docker
sudo systemctl restart docker


이렇게 해두면:
CLI: docker run --gpus all nvidia/cuda:12.2.2-base nvidia-smi
compose: gpus: "all"
이 둘 다 GPU에 접근 가능해져.

2. 컨테이너(이미지) 안에 필요한 것
여긴 두 가지 개념만 기억하면 돼:
CUDA / cuDNN 런타임 라이브러리
예: nvidia/cuda:12.2.2-cudnn-runtime-ubuntu22.04 같은 베이스 이미지 쓰거나

Qwen에서 제공하는 qwen3-vl-vllm:cuda12.2, qwenllm/qwenvl:qwen3vl-cu128 같은 이미 GPU용으로 세팅된 이미지 쓰면 됨.

코드에서 GPU 사용
PyTorch, vLLM, TensorRT 등에서 알아서 cuda 디바이스를 잡아감
vLLM은 --tensor-parallel-size, --gpu-memory-utilization 같은 옵션으로 얼마나/어떻게 쓸지 조정


/* 설치 확인 방법 */
which nvidia-ctk 명령어 사용해서 아래와 같이 검색 되면 설치 된것임

cbw@userver91-41:/data/cbw$ which nvidia-ctk
/usr/bin/nvidia-ctk


/* 버전 확인 */
nvidia-ctk --version

cbw@userver91-41:/data/cbw$ nvidia-ctk --version
NVIDIA Container Toolkit CLI version 1.17.8
commit: f202b80a9b9d0db00d9b1d73c0128c8962c55f4d

또는 자세한 정보확인
dpkg -l | grep nvidia-container-toolkit

(qwen3) cbw@userver91-41:/data/cbw$ dpkg -l | grep nvidia-container-toolkit
ii  nvidia-container-toolkit                       1.17.8-1                                 amd64        NVIDIA Container toolkit
ii  nvidia-container-toolkit-base                1.17.8-1                                 amd64        NVIDIA Container Toolkit Base

실제 Docker/Podman에서 GPU 연결되는지 테스트
툴킷이 “설치만” 된 게 아니라 컨테이너 런타임과 연결까지 잘 되어 있는지 보려면, 가능하면 인터넷 되는 쪽에서:

docker run --rm --gpus all nvidia/cuda:12.2.0-runtime-ubuntu22.04 nvidia-smi

# 또는 podman:
podman run --rm \
  --hooks-dir=/usr/share/containers/oci/hooks.d \
  nvidia/cuda:12.2.0-runtime-ubuntu22.04 \
  nvidia-smi


# 모델/캐시용 디렉터리 준비 (호스트)
sudo mkdir -p /data/qwen3vl/models
sudo mkdir -p /data/qwen3vl/triton_cache
sudo mkdir -p /data/qwen3vl/hf_cache
sudo chown -R $USER:$USER /data/qwen3vl

모델 경로(호스트):
/data/qwen3vl/model/Qwen3-VL-32B-Instruct

Triton 커널 캐시(한 번 컴파일해놓고 재사용):
/data/qwen3vl/triton_cache 

HF 토크나이저/기타 캐시:
/data/qwen3vl/hf_cache

# 여기에 Hugging Face에서 받은 모델 디렉터리를 그대로 복사
# (온라인 머신에서 git lfs clone 한 뒤 rsync/scp 등으로 복사)
# ex) Qwen/Qwen3-VL-32B-Instruct repo 전체를 아래 경로로
/data/qwen3vl/model/Qwen3-VL-32B-Instruct

/* 모델 다운로드 */
hf download Qwen/Qwen3-VL-32B-Instruct \
  --local-dir /data/qwen3vl/models/Qwen3-VL-32B-Instruct


====================================
커스텀 Dockerfile로 직접 이미지 빌드하고 싶다면

혹시 공식 이미지가 드라이버/런타임 버전 문제로 동작 안 할 때를 대비해서,
CUDA 12.2 기반으로 직접 빌드

이 Dockerfile은 온라인 환경에서 한 번 빌드해 두고,
docker save/docker load로 오프라인 서버에 옮겨쓰는 용도라고 보면 됩니다.

=================================
Dockerfile
==================================

FROM nvidia/cuda:12.2.2-cudnn8-runtime-ubuntu22.04

ENV DEBIAN_FRONTEND=noninteractive

RUN apt-get update && apt-get install -y \
    python3 python3-pip python3-venv git \
    && rm -rf /var/lib/apt/lists/*

RUN python3 -m pip install --upgrade pip

# vLLM + Qwen-VL utils (Qwen3-VL 레시피에서 권장) :contentReference[oaicite:9]{index=9}
RUN pip install "vllm>=0.11.0" "qwen-vl-utils==0.0.14"

WORKDIR /workspace

ENV TRITON_CACHE_DIR=/opt/triton_cache \
    HF_HOME=/opt/hf_home \
    OMP_NUM_THREADS=1 \
    VLLM_WORKER_MULTIPROC_METHOD=spawn

# OpenAI 호환 API 서버를 엔트리포인트로
ENTRYPOINT ["python3", "-m", "vllm.entrypoints.openai.api_server"]
CMD ["--help"]


==============================
build
==============================
docker build -t qwen3-vl-vllm:cuda12.2 .

=============================
docker-compose.qwen3-vl.yml ( 공식이미지 )
=============================

version: "3.9"

services:
  qwen3-vl-32b:
    image: vllm/vllm-openai:latest   # 필요 시 v0.8.x 같은 특정 태그로 고정 가능
    container_name: qwen3-vl-32b
    restart: unless-stopped

    # GPU 사용
    gpus: "all"          # docker compose v2 기준 (--gpus all 과 동일)
    shm_size: "16g"      # 멀티프로세스/텐서 공유메모리용 (필수급) :contentReference[oaicite:5]{index=5}
    ipc: host            # PyTorch 공유 메모리 최적화

    environment:
      - TZ=Asia/Seoul
      # Triton CUDA 커널 캐시 (JIT 한 번만 하고 재사용)
      - TRITON_CACHE_DIR=/opt/triton_cache
      # HF 토크나이저/모델 캐시 (오프라인이지만 로컬 캐시용)
      - HF_HOME=/opt/hf_home
      # 전처리 스레드 과도 사용 방지 (Qwen3-VL 가이드 권장) :contentReference[oaicite:6]{index=6}
      - OMP_NUM_THREADS=1
      # 멀티 프로세스 안정성
      - VLLM_WORKER_MULTIPROC_METHOD=spawn

    volumes:
      # 모델 로컬 공유 (읽기전용)
      - /data/qwen3vl/model/Qwen3-VL-32B-Instruct:/models/Qwen3-VL-32B-Instruct:ro
      # 캐시들
      - /data/qwen3vl/triton_cache:/opt/triton_cache
      - /data/qwen3vl/hf_cache:/opt/hf_home

    ports:
      - "8000:8000"

    command:
      # 실제 vLLM OpenAI 서버에 넘기는 인자들
      - "--model"
      - "/models/Qwen3-VL-32B-Instruct"
      # 클라이언트 입장에서 보이는 모델 이름 (API 호출 시 model= 이 이름)
      - "--served-model-name"
      - "Qwen3-VL-32B-Instruct"
      # A100 80GB에 맞게 BF16 + 여유 메모리
      - "--dtype"
      - "bfloat16"
      - "--gpu-memory-utilization"
      - "0.90"
      # 컨텍스트 길이 (필요하면 점점 늘려보면 됨)
      - "--max-model-len"
      - "8192"
      # 동시 요청 수 (트래픽 보고 조정)
      - "--max-num-seqs"
      - "32"
      # 비디오 안 쓴다면 메모리 절약 (이미지만)
      - "--limit-mm-per-prompt.video"
      - "0"
      # 스케줄링 최적화 (Qwen3-VL 레시피에서 권장) :contentReference[oaicite:7]{index=7}
      - "--async-scheduling"
      # Qwen 쪽 커스텀 코드 로딩 허용 (HF 로컬 레포에도 포함돼 있음)
      - "--trust-remote-code"
      # OpenAI 호환 API 서버 바인딩
      - "--host"
      - "0.0.0.0"
      - "--port"
      - "8000"



=============================
docker build -t qwen3-vl-vllm:cuda12.2 . ( 버전에 맞게 컴파일 이미지 )
=============================

=============================
docker-compose.qwen3-vl.yml ( 컴파일이미지 )
=============================

version: "3.9"

services:
  qwen3-vl-32b:
    image: qwen3-vl-vllm:cuda12.2   # vllm/vllm-openai:latest 공식이미지
    container_name: qwen3-vl-32b
    restart: unless-stopped

    # GPU 사용
    gpus: "all"          # docker compose v2 기준 (--gpus all 과 동일)
    shm_size: "16g"      # 멀티프로세스/텐서 공유메모리용 (필수급) :contentReference[oaicite:5]{index=5}
    ipc: host            # PyTorch 공유 메모리 최적화

    environment:
      - TZ=Asia/Seoul
      # Triton CUDA 커널 캐시 (JIT 한 번만 하고 재사용)
      - TRITON_CACHE_DIR=/opt/triton_cache
      # HF 토크나이저/모델 캐시 (오프라인이지만 로컬 캐시용)
      - HF_HOME=/opt/hf_home
      # 전처리 스레드 과도 사용 방지 (Qwen3-VL 가이드 권장) :contentReference[oaicite:6]{index=6}
      - OMP_NUM_THREADS=1
      # 멀티 프로세스 안정성
      - VLLM_WORKER_MULTIPROC_METHOD=spawn

    volumes:
      # 모델 로컬 공유 (읽기전용)
      - /data/qwen3vl/model/Qwen3-VL-32B-Instruct:/models/Qwen3-VL-32B-Instruct:ro
      # 캐시들
      - /data/qwen3vl/triton_cache:/opt/triton_cache
      - /data/qwen3vl/hf_cache:/opt/hf_home

    ports:
      - "8001:8001"

    command:
      # 실제 vLLM OpenAI 서버에 넘기는 인자들
      - "--model"
      - "/models/Qwen3-VL-32B-Instruct"
      # 클라이언트 입장에서 보이는 모델 이름 (API 호출 시 model= 이 이름)
      - "--served-model-name"
      - "Qwen3-VL-32B-Instruct"
      # A100 80GB에 맞게 BF16 + 여유 메모리
      - "--dtype"
      - "bfloat16"
      - "--gpu-memory-utilization"
      - "0.90"
      # 컨텍스트 길이 (필요하면 점점 늘려보면 됨)
      - "--max-model-len"
      - "8192"
      # 동시 요청 수 (트래픽 보고 조정)
      - "--max-num-seqs"
      - "32"
      # 비디오 안 쓴다면 메모리 절약 (이미지만)
      - "--limit-mm-per-prompt.video"
      - "0"
      # 스케줄링 최적화 (Qwen3-VL 레시피에서 권장) :contentReference[oaicite:7]{index=7}
      - "--async-scheduling"
      # Qwen 쪽 커스텀 코드 로딩 허용 (HF 로컬 레포에도 포함돼 있음)
      - "--trust-remote-code"
      # OpenAI 호환 API 서버 바인딩
      - "--host"
      - "0.0.0.0"
      - "--port"
      - "8001"


==========================
시작/중지용 쉘 스크립트
start_qwen3_vl.sh
==========================

#!/usr/bin/env bash
set -e

COMPOSE_FILE="docker-compose.qwen3-vl.yml"

# 로그 디렉터리 만들고 로그도 같이 남기고 싶으면 아래 추가
# mkdir -p /var/log/qwen3-vl

docker compose -f "$COMPOSE_FILE" pull || true   # 이미지는 온라인에서 미리 받아두고, 오프라인에선 무시
docker compose -f "$COMPOSE_FILE" up -d

echo "Qwen3-VL-32B vLLM 서버가 백그라운드에서 올라갔습니다. (포트 8000)"

=====================================================
stop_qwen3_vl.sh
===================================================
#!/usr/bin/env bash
set -e

COMPOSE_FILE="docker-compose.qwen3-vl.yml"

docker compose -f "$COMPOSE_FILE" down

echo "Qwen3-VL-32B vLLM 서버를 중지했습니다."

===================================================
실행권한 부여

chmod +x start_qwen3_vl.sh stop_qwen3_vl.sh

/* 로그 확인 */
docker compose -f docker-compose.qwen3-vl.yml logs -f

====================
기동후 테스트 
====================
curl http://182.162.91.41:8001/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "Qwen3-VL-32B-Instruct",
    "messages": [
      {"role": "user", "content": [
        {"type": "text", "text": "안녕, 자기소개 해줘"}
      ]}
    ],
    "max_tokens": 256
  }'






모델은 호스트 /data/qwen3vl/model/Qwen3-VL-32B-Instruct 에 두고, 컨테이너에 read-only 마운트.

공식 vLLM OpenAI 이미지를 써서 간단히 운영:

A100 80GB 1장 + BF16 + --gpu-memory-utilization 0.9

--limit-mm-per-prompt.video 0, --async-scheduling 등으로 메모리/성능 최적화.

TRITON_CACHE_DIR, HF_HOME 를 호스트에 마운트해서 재기동 시 JIT/캐시 비용 최소화.

필요 시 systemd까지 걸어서 부팅 시 자동 기동.

이대로 먼저 올려보고,
실제 트래픽/지연시간/VRAM 사용량 보면서 max-model-len, max-num-seqs, gpu-memory-utilization 만 조정해 나가면 될 거예요.

====================================================================================
내 pc 저사양에서 간단 테스트
====================================================================================

+-----------------------------------------------------------------------------------------+
| NVIDIA-SMI 575.64.01              Driver Version: 576.88         CUDA Version: 12.9     |
|-----------------------------------------+------------------------+----------------------+
| GPU  Name                 Persistence-M | Bus-Id          Disp.A | Volatile Uncorr. ECC |
| Fan  Temp   Perf          Pwr:Usage/Cap |           Memory-Usage | GPU-Util  Compute M. |
|                                         |                        |               MIG M. |
|=========================================+========================+======================|
|   0  NVIDIA GeForce RTX 5070 Ti     On  |   00000000:02:00.0  On |                  N/A |
|  0%   39C    P8             19W /  300W |     986MiB /  16303MiB |      1%      Default |
|                                         |                        |                  N/A |
+-----------------------------------------+------------------------+----------------------+

+-----------------------------------------------------------------------------------------+
| Processes:                                                                              |
|  GPU   GI   CI              PID   Type   Process name                        GPU Memory |
|        ID   ID                                                               Usage      |
|=========================================================================================|
|    0   N/A  N/A              35      G   /Xwayland                             N/A      |
+-----------------------------------------------------------------------------------------+
================================================================================
저사양 테스트 용(Qwen3-VL-4B-Instruct)

# 기본 디렉터리
sudo mkdir -p /data/qwen3vl4b/model
sudo mkdir -p /data/qwen3vl4b/triton_cache
sudo mkdir -p /data/qwen3vl4b/hf_cache
sudo chown -R $USER:$USER /data/qwen3vl4b

즉, HF에서 클론/다운로드한 그대로의 구조를
/data/qwen3vl4b/model/Qwen3-VL-4B-Instruct 여기에 복사해 둔다고 보면 돼.

hf download Qwen/Qwen3-VL-4B-Instruct \
  --local-dir /data/qwen3vl4b/model/Qwen3-VL-4B-Instruct



docker-compose.qwen3-vl-4b.yml
==================================
version: "3.9"

services:
  qwen3-vl-4b:
    image: qwenllm/qwenvl:qwen3vl-cu128
    container_name: qwen3-vl-4b
    restart: unless-stopped

    gpus: "all"
    shm_size: "8g"
    ipc: host

    environment:
      - HF_HOME=/opt/hf_home
      - TRITON_CACHE_DIR=/opt/triton_cache
      - OMP_NUM_THREADS=1
      - VLLM_WORKER_MULTIPROC_METHOD=spawn

    volumes:
      # 로컬에 미리 받아둔 모델을 컨테이너로 마운트
      - /data/qwen3vl4b/model/Qwen3-VL-4B-Instruct:/models/Qwen3-VL-4B-Instruct:ro
      # 캐시들 (Triton kernel, HF 토크나이저 등)
      - /data/qwen3vl4b/hf_cache:/opt/hf_home
      - /data/qwen3vl4b/triton_cache:/opt/triton_cache

    ports:
      - "8000:8000"

    command: >
      bash -lc "vllm serve /models/Qwen3-VL-4B-Instruct
      --host 0.0.0.0
      --port 8000
      --dtype bfloat16
      --max-model-len 1024
      --max-num-seqs 1
      --max-num-batched-tokens 1024
      --gpu-memory-utilization 0.8
      --enforce-eager
      --served-model-name Qwen3-VL-4B-Instruct
      --trust-remote-code
      --async-scheduling
      --limit-mm-per-prompt.video 0"

=============================
# 최초 기동
docker compose -f docker-compose.qwen3-vl-4b.yml up -d

# 로그 확인
docker compose -f docker-compose.qwen3-vl-4b.yml logs -f


==============================
curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "Qwen3-VL-4B-Instruct",
    "messages": [
      {
        "role": "user",
        "content": [
          { "type": "text", "text": "안녕, Qwen3-VL-4B 테스트 중이야. 자기소개 해줘." }
        ]
      }
    ],
    "max_tokens": 256
  }'


================================
VRAM/성능 튜닝 포인트 (5070 Ti 16GB 기준)

만약 VRAM 부족(OOM) 에러가 뜨면:

--max-model-len 4096 → 3072 또는 2048로 줄이기

--max-num-seqs 4 → 2로 줄이기

--gpu-memory-utilization 0.9 → 0.8 ~ 0.85 정도로 낮추기

반대로 여유 있으면:

--max-model-len을 8192까지 올려보면서 적정선 찾기





=======================================
신gpu 서버 테스트
============================
sudo mkdir -p /data/cbw/qwen3vl/model
sudo mkdir -p /data/cbw/qwen3vl/triton_cache
sudo mkdir -p /data/cbw/qwen3vl/hf_cache

/* 모델 다운로드 */
hf download Qwen/Qwen3-VL-32B-Instruct \
  --local-dir /data/cbw/qwen3vl/model/Qwen3-VL-32B-Instruct

/* 도커 컴포즈 생성 모든 gpu 사용설정 */
docker-compose.qwen3-vl.yml
==================================

version: "3.9"

services:
  qwen3-vl-32b:
    image: qwen3-vl-vllm:cuda12.2   # vllm/vllm-openai:latest 공식이미지
    container_name: qwen3-vl-32b
    restart: unless-stopped

    # GPU 사용
    gpus: "all"          # docker compose v2 기준 (--gpus all 과 동일)
    shm_size: "16g"      # 멀티프로세스/텐서 공유메모리용 (필수급) :contentReference[oaicite:5]{index=5}
    ipc: host            # PyTorch 공유 메모리 최적화

    environment:
      - TZ=Asia/Seoul
      # Triton CUDA 커널 캐시 (JIT 한 번만 하고 재사용)
      - TRITON_CACHE_DIR=/opt/triton_cache
      # HF 토크나이저/모델 캐시 (오프라인이지만 로컬 캐시용)
      - HF_HOME=/opt/hf_home
      # 전처리 스레드 과도 사용 방지 (Qwen3-VL 가이드 권장) :contentReference[oaicite:6]{index=6}
      - OMP_NUM_THREADS=1
      # 멀티 프로세스 안정성
      - VLLM_WORKER_MULTIPROC_METHOD=spawn

    volumes:
      # 모델 로컬 공유 (읽기전용)
      - /data/cbw/qwen3vl/model/Qwen3-VL-32B-Instruct:/models/Qwen3-VL-32B-Instruct:ro
      # 캐시들
      - /data/cbw/qwen3vl/triton_cache:/opt/triton_cache
      - /data/cbw/qwen3vl/hf_cache:/opt/hf_home

    ports:
      - "8001:8001"

    command:
      # 실제 vLLM OpenAI 서버에 넘기는 인자들
      - "--model"
      - "/models/Qwen3-VL-32B-Instruct"
      # 클라이언트 입장에서 보이는 모델 이름 (API 호출 시 model= 이 이름)
      - "--served-model-name"
      - "Qwen3-VL-32B-Instruct"
      # A100 80GB에 맞게 BF16 + 여유 메모리
      - "--dtype"
      - "bfloat16"
      - "--gpu-memory-utilization"
      - "0.90"
      # 모든 gpu 사용
      - "--tensor-parallel-size"
      - "2"
      # 컨텍스트 길이 (필요하면 점점 늘려보면 됨)
      - "--max-model-len"
      - "8192"
      # 동시 요청 수 (트래픽 보고 조정)
      - "--max-num-seqs"
      - "32"
      # 비디오 안 쓴다면 메모리 절약 (이미지만)
      - "--limit-mm-per-prompt.video"
      - "0"
      # 스케줄링 최적화 (Qwen3-VL 레시피에서 권장) :contentReference[oaicite:7]{index=7}
      - "--async-scheduling"
      # Qwen 쪽 커스텀 코드 로딩 허용 (HF 로컬 레포에도 포함돼 있음)
      - "--trust-remote-code"
      # OpenAI 호환 API 서버 바인딩
      - "--host"
      - "0.0.0.0"
      - "--port"
      - "8001"

===================
start_qwen3_vl.sh
===================
#!/usr/bin/env bash
set -e

COMPOSE_FILE="docker-compose.qwen3-vl.yml"

docker compose -f "$COMPOSE_FILE" up -d

echo "Qwen3-VL-32B vLLM 서버가 백그라운드에서 올라갔습니다. (포트 8001)"
echo "docker compose -f docker-compose.qwen3-vl.yml logs -f"

=========================
stop_qwen3_vl.sh
==========================
#!/usr/bin/env bash
set -e

COMPOSE_FILE="docker-compose.qwen3-vl.yml"

docker compose -f "$COMPOSE_FILE" down

echo "Qwen3-VL-32B vLLM 서버를 중지했습니다."


댓글

댓글 쓰기

이 블로그의 인기 게시물

아파치 보안관련 기본설정

-
 🔧 기본 설정 항목들 1. ServerTokens & ServerSignature 설명 : Apache가 클라이언트에게 서버 정보를 얼마나 제공할지 결정함. 보안 권장 설정 : ServerTokens Prod ServerSignature Off Prod : 버전 정보 없이 "Apache"만 반환. Off : 에러 페이지나 디렉토리 목록에 서버 정보 숨김. 2. Timeout 설명 : 클라이언트와의 연결에 대해 Apache가 기다리는 시간. 권장 설정 (성능 및 DoS 방지): Timeout 30 기본값 60초 → 30초로 줄이면 유휴 연결을 빠르게 정리 가능. 3. KeepAlive & MaxKeepAliveRequests 설명 : 하나의 TCP 연결로 여러 요청을 처리할 수 있게 함. 권장 설정 : KeepAlive On MaxKeepAliveRequests 100 KeepAliveTimeout 5 KeepAliveTimeout 은 너무 길면 자원 낭비. 일반적으로 2~5초 권장. 4. 디렉토리 보호 설정 <Directory /var/www/html>     Options -Indexes     AllowOverride None     Require all granted </Directory> -Indexes : 디렉토리 인덱싱 비활성화. -  AllowOverride None : .htaccess 비활성화하여 보안 강화. Apache에서 HttpOnly 쿠키 설정하기 ✅ 방법 1: Apache에서 Set-Cookie 에 HttpOnly 추가하기 <IfModule mod_headers.c> Header edit Set-Cookie ^(.*)$ "$1;HttpOnly;Secure" </IfModule> 🔎 설명: mod_headers 모듈을 사용하여 모든 Set...
자세한 내용 보기

티베로 이관 작업 절차

-
티베로 이관 작업 절차 /* 기존 DB 환경 파악 신규 DB설치시 NLS_CHARACTERSET, DB_BLOCK_SIZE 기존과 동일해야 데이터 import 시 오류없이 import 된다. */ /*1.  터미널에서 기존 db 접속후 환경 파악 */ /* 티베로 db 접속 */ /* tbsql 사용자/패스워드@sid */ tbsql sys/tibero@SID /* DB_BLOCK_SIZE 확인 */ SHOW PARAMETER DB_BLOCK_SIZE SQL> SHOW PARAMETER DB_BLOCK_SIZE NAME                         TYPE     VALUE ---------------------------- -------- ---------------------------------------- DB_BLOCK_SIZE                INT32    8192 /* CHARACTER_SET 확인 */ SQL>  SELECT * FROM SYS._VT_NLS_CHARACTER_SET; CHARACTERSET_NAME NCHAR_CHARACTERSET_NAME ----------------- ----------------------- MSWIN949          UTF16 /*2. 테이블 스페이스 생성 스크립트 실제테이블 스크립트 용량 계산 추출 */ set linesize 1000 set pagesize 50000 set trimspool on spool create_tablespace.sql SELECT 'create tablespace ' || TABLESPACE_NAME || ' datafile ''' || ...
자세한 내용 보기

윈도우 네트워크 리소스 사용권한 오류

-
이미지
윈도우에서 네트워크 공유 오류 처리 이 네트워크 리소스를 사용할 권한이 없는 것 같습니다. 이 서버의 관리자에게 문의하여 액세스 권한이 있는지 확인하십시시오. 이렇게 메세지 뜨고 공유가 안될경우 cmd 콘솔창을 띄워서 기존에 등록되어 있는 연결정보를 다 삭제 하고 다시 접속하면 연결이 된다. 연결된 정보 확인 cmd 창에서  net use C:\Windows\System32>net use 새 연결 정보가 저장됩니다. 상태         로컬      원격                      네트워크 ------------------------------------------------------------------------------- OK                     \\192.168.6.20\IPC$       Microsoft Windows Network 명령을 잘 실행했습니다. 확인후 연결 끊기 net use /delete * 실행후 y를 눌러서 계속하면 현재 연결을 끊어 버립니다. 연결을 끊고 다시 네트워크 접속을 하면 정상적으로 접속이 됩니다. 전체가 아니고 해당 연결만 삭제 하는 방법은 net use /delete \\공유폴더명 위와 같이 하여도 해결이 안 될 경우 자경증명 관리자에서 저장된 자격증명 삭제하기 윈도우 키를 누른후 자격 증명 관리자 실행   자격증명 관리자 메뉴에 들어가서 Windows 자격증명 메뉴를 클릭하여 오류가 나는 아이피를 선택하여 제거 하고 다시 접속합니다.
자세한 내용 보기