小主机大作为：Minisforum N5 Pro 打造 PVE + TrueNAS All-in-One 家庭数据中心

Sun, 15 Feb 2026 00:00:00 +0000

为什么选择 All-in-One？

作为一名量化交易者和开发者，我对家庭数据中心的需求非常明确：

高性能计算：需要运行 DolphinDB 和 Python 策略容器。
大容量存储：海量的 Tick 数据和训练集需要可靠的 ZFS 存储。
低功耗：7x24 小时运行，电费敏感。

Minisforum N5 Pro 凭借其优秀的能效比和扩展性（双 2.5G 网口 + 多盘位支持），成为了我构建 Proxmox VE (PVE) 底层 + TrueNAS Scale 存储层的最佳载体。

架构设计

我的 All-in-One (AIO) 架构如下：

底层系统 (Host): Proxmox VE 8.x
核心虚拟机 (VM1): TrueNAS Scale (直通 SATA 控制器，管理所有机械硬盘)
应用虚拟机 (VM2): Ubuntu Server (跑 Docker, ClickHouse, JupyterLab)
网络: OpenWrt (旁路由模式，可选)

核心步骤记录

1. 基础环境：安装 PVE

这步比较常规，下载 PVE ISO 写入 U 盘启动即可。 注意点：建议将 PVE 安装在独立的 NVMe SSD 上，不要占用 SATA 接口，把 SATA 通道全部留给 TrueNAS。

2. 关键难点：SATA 控制器直通 (PCIe Passthrough)

为了让 TrueNAS 能够完全掌控硬盘（实现 SMART 监控和硬盘休眠），必须将 SATA 控制器透传给虚拟机，而不是通过虚拟磁盘映射。

首先，在 PVE 的 Shell 中开启 IOMMU：

nano /etc/default/grub
# 修改 GRUB_CMDLINE_LINUX_DEFAULT 如下
GRUB_CMDLINE_LINUX_DEFAULT="quiet intel_iommu=on"
# 更新 Grub
update-grub
reboot
mastering-systemd

重启后，在PVE界面创建一个新的虚拟机 (TrueNAS)，在“硬件”选项卡中添加PCI设备。选择对应的SATA Controller（通常是ASM1166或Intel原生控制器）。远思提示：如果勾选”所有功能(All Functions)”导致虚拟机无法启动，请尝试取消勾选、或者检查是否与PVE的系统盘冲突。 3.TrueNAS Scale 配置 TrueNAS启动后，应该能直接识别到所有物理硬盘。 ·存储池(Pool)：我组建了一个RAID-Z1池，兼顾冗余和容量。 ·网络共享：开启NFS和SMB。 ·数据集(Dataset)： · /mnt/data/quant （存放CSV/ Parquet原始数据） ·/mnt/data/docker_vol 4.内部万兆互联(VirtlO) 为了让PVE里的Ubuntu虚拟机能以极快速度访问TrueNAS里的数据，我们不需要走物理网线。在TrueNAS和Ubuntu的网卡设置中，确保模型都选择VirtIO(paravirtualized)。在PVE内部，通过Linux Bridge (vmbrO)，这两台虚拟机之间的通信速度仅受CPU和内存带宽限制，实测可以轻松跑满10Gbps+，这对于加载几百GB的训练数据至关重要。避坑指南 1.内存分配：ZFS非常吃内存(ARC缓存)。我的N5Pro插了32GB内存，分了16GB给TrueNAS，保证读取命中率。 2.引导顺序：在PVE的”选项”中，设置 TrueNAS为“开机自启”、并设置30秒的启动延迟给其他依赖存储的虚拟机。结语经过一周的压力测试，这套Minisforum N5 Pro + PVE + TrueNAS的组合运行极其稳定。它不仅是我代码的仓库，更是我量化模型的“核动力“数据底座。

拥抱红队：Docker 下 PyTorch ROCm 深度学习环境避坑指南

Sun, 15 Feb 2026 00:00:00 +0000

众所周知，深度学习领域长期被 CUDA 统治。但随着 AMD ROCm 平台的成熟，以及性价比的诱惑，越来越多的炼丹师开始尝试“红队”方案。

作为远思技术实验室的基础设施之一，我在配置 PyTorch + ROCm 环境时遇到了不少坑，特此记录，希望能帮到后来人。

为什么选择 Docker？

直接在宿主机（Host）上安装 ROCm 驱动和编译器极易导致依赖地狱（Dependency Hell）。使用 Docker 可以将环境隔离，随时回滚，是最佳实践。

核心步骤

1. 基础镜像选择

不要尝试自己从 scratch 构建，直接拉取 AMD 官方提供的 PyTorch 镜像：

docker pull rocm/pytorch:latest

运维 on 远思码技术实验室