Linux多用户环境下跨目录向MLflow Server记录数据的方案咨询

默认场景下无法正常使用，核心限制来自两方面：

• 权限限制：Linux普通用户家目录默认权限为700，仅用户本人有读写执行权限，其他用户无任何访问权限。即使手动修改家目录权限为755，存储实验数据、模型产物的MLflow子目录依然会存在权限冲突，大概率出现其他用户无法写入产物、读取历史实验的报错。
• 服务绑定限制：如果启动MLflow服务时仅绑定127.0.0.1环回地址，本地其他用户虽然能访问服务接口，但依然会被上文的存储权限卡住，无法正常完成全链路的数据上报。

按照以下步骤部署即可支持同一设备所有用户上报实验数据：

• 1. 新建公共存储目录，不要使用任何个人用户的家目录作为存储路径，示例操作：

  # 新建公共存储根目录
  mkdir -p /data/mlflow
  # 新增统一的mlflow用户组，将所有需要使用服务的用户加入该组
  groupadd mlflow
  usermod -aG mlflow 用户名1
  usermod -aG mlflow 用户名2
  # 配置目录权限，2775权限可让组内用户都有读写权限，且新生成的文件自动继承目录用户组
  chgrp -R mlflow /data/mlflow
  chmod -R 2775 /data/mlflow
  

• 2. 选择公共后端存储，优先使用MySQL/PostgreSQL这类服务型数据库，测试场景也可以用存在公共目录的SQLite文件，避免个人用户目录的权限问题。
• 3. 使用公共目录作为默认artifact存储路径，启动MLflow服务时绑定0.0.0.0地址，保证所有本地用户都能访问服务接口，启动命令示例：

  mlflow server \
    --backend-store-uri sqlite:////data/mlflow/mlflow.db \
    --default-artifact-root /data/mlflow/artifacts \
    --host 0.0.0.0 \
    --port 5000
  

• 4. 生产环境建议将上述启动命令配置为systemd系统服务，使用专门的mlflow服务账号运行，开机自动启动，避免个人用户注销、权限变动影响服务可用性。
• 5. 所有用户使用时只需在脚本中配置tracking uri即可正常上报数据，示例代码：

  import os
  import mlflow
  os.environ["MLFLOW_TRACKING_URI"] = "http://127.0.0.1:5000"
  # 后续正常调用mlflow接口记录实验即可
  

内容的提问来源于stack exchange，提问作者tkarahan