调用MLRun服务函数遇连接拒绝及超时错误，请求技术协助

针对你遇到的ConnectionRefusedError和部署阶段HTTP超时问题，以下是具体排查步骤与修复建议：

1. 确认MLRun核心服务状态 #

部署超时提示连接localhost:8080失败，说明MLRun API服务可能未启动或端口配置异常：

• 执行mlrun status命令检查服务运行状态，确保输出显示为running
• 若服务未启动，执行mlrun start启动本地MLRun服务
• 若自定义了MLRun API端口，需在代码开头添加：

  import mlrun
  mlrun.set_env('MLRUN_API_URL', 'http://localhost:<你的自定义端口>')
  

2. 模型路径与权限校验 #

确保模型文件能被服务正常访问：

• 验证project.get_artifact_uri('my_model')返回的路径有效，且my_model artifact确实存在于项目中
• 本地测试通过但部署失败时，大概率是容器内路径映射问题，建议直接使用MLRun artifact store的完整路径作为model_path
• 检查模型文件（.pkl）的读取权限，确保MLRun服务进程有权限访问

3. 服务函数部署配置优化 #

3.1 补充依赖镜像 #

默认mlrun/mlrun镜像可能缺少模型运行依赖（如scikit-learn），导致服务启动失败或缓慢：

serving_fn = mlrun.code_to_function('serving', kind='serving', image='mlrun/mlrun:latest')
# 添加模型运行所需依赖
serving_fn.spec.build.commands = ['pip install scikit-learn cloudpickle numpy']

3.2 延长部署超时时间 #

镜像构建或服务启动耗时过长会触发超时，可调整超时参数：

function_address = serving_fn.deploy(timeout=120)  # 设置为120秒超时

4. 代码细节优化 #

4.1 安全加载模型文件 #

修改load方法，使用上下文管理器确保文件正确关闭：

def load(self):
    model_file, extra_data = self.get_model('.pkl')
    with open(model_file, 'rb') as f:
        self.model = load(f)

4.2 规范请求数据格式 #

使用json.dumps生成标准JSON格式请求体，避免格式错误：

import json
my_data = json.dumps({"inputs":[[5.1, 3.5, 1.4, 0.2],[7.7, 3.8, 6.7, 2.2]]})

5. 查看部署日志定位问题 #

通过日志排查服务启动失败的具体原因：

mlrun logs serving --project getting-started-jovyan

或在代码中开启DEBUG日志：

serving_fn.set_logs_level('DEBUG')

6. 网络与端口检查 #

• 确认服务部署的端口未被其他进程占用，可通过serving_fn.status.state查看服务运行状态
• 本地部署时检查防火墙是否允许访问服务端口
• Kubernetes环境部署需确认Ingress/NodePort配置正确，外部可访问

内容的提问来源于stack exchange，提问作者GAWADE HARISH HANUMANT