补充几个 3 楼、4 楼没展开的坑，都是新手期容易忽略、但账单或安全上会吃亏的地方。一、账单里的“隐形费用”：分段上传碎片大文件分段上传中断后，未完成的分段会以碎片形式继续占用存储并计费，而且控制台的对象列表里看不到它们。很多人删了文件还发现存储量没降，就是碎片没清。做法是给桶配一条生命周期规则，定期清理未完成的分段上传；同样，大量小文件的 PUT/GET 请求次数本身也按量计费，频繁轮询、逐个小文件上传的账单会比想象中高，批量场景尽量走合并或批量接口。二、对象键命名：别拿文件系统的习惯来用 OBSOBS 里没有真正的“文件夹”，目录只是对象键里带斜杠的视觉效果。两点要注意：对象键尽量用英文、数字、短横线，避免中文、空格和特殊字符，否则 URL 编码、签名校验、不同 SDK 的兼容性都容易出问题；列举对象是分页返回的，桶里对象一多就不能指望一次列完，代码里要按分页标记循环拉取，否则只能看到前 1000 个。三、安全：访问凭证绝不能写进前端最危险的一类坑是把 AK/SK 写进前端 JS、小程序包或公开代码仓库——一旦泄露，别人可以用你的账号建资源、产生费用。正确做法是：前端永远不直接持有长期凭证，上传走服务端签发的临时签名 URL 或临时安全凭证；桶策略和 IAM 策略按最小权限授权，只给用到的操作；定期轮换密钥，废弃不用的密钥及时删除。四、版本控制开启后，删除不等于省钱开启版本控制后删除对象只是打上删除标记，历史版本仍在桶里占存储，费用不减反增。清理时要连同历史版本一起处理；清空桶、删除桶之前，也要先处理历史版本和未完成分段上传，否则删桶会失败。总结：建桶前先定好区域和命名规范，上线前把生命周期（碎片清理、历史版本过期）、桶策略（最小权限）、CORS/防盗链这四项配齐，再开始传数据，能避开新手期的大部分坑。

补充一个和 4 楼不同的角度：先算账、再谈伸缩，最后才是规格本身。选型最容易错的不是买小了，而是长期为用不上的峰值买单。一、先算一笔账：包年包月、按量、竞价怎么选同一台 2vCPU 4GB 的机器，三种计费方式的月成本能差出几倍。我的做法是先在官网价格计算器里把三种方式都算一遍，再按业务的运行形态选：7×24 小时长期稳定跑的业务，包年包月通常最划算；只在白天跑、周末停机的测试环境，按量计费更省；能随时中断重跑的离线批处理、渲染、压测任务，可以考虑竞价实例。反过来，长期稳定的生产业务用按量计费，或者短期活动用包年包月，都是在花冤枉钱。二、波峰波谷明显时，别买峰值规格如果业务白天高、夜间低，或者有明显的活动尖峰，正确做法是“中等规格 + 弹性伸缩”，而不是直接买一台能扛住峰值的大家伙。把 ECS 放进伸缩组、前面挂负载均衡，触发条件设 CPU 持续高于 70% 扩容、低于 20% 缩容，平时只付基准规格的钱，尖峰来了自动顶上去。这样比常年为峰值买单省得多，也比一台机器硬扛更稳。三、两个容易踩的计费坑1）按量计费的机器，关机不等于不花钱。ECS 按量计费在关机状态下仍可能产生费用（资源仍被占用），长期不用的机器应该释放而不是只关机，否则账单会一直走。2）带宽和云盘常被漏算。带宽选固定带宽还是按流量计费，要看流量曲线：平稳用固定带宽，波峰波谷明显用按流量计费。云盘同理，普通业务高效云盘起步就够了，出现 IOPS 瓶颈再升级，不用一上来就买最高档。四、轻量场景可以看看 Flexus如果是个人博客、轻量小程序后端、开发测试这类负载不高的场景，Flexus 云服务器 L 实例的套餐价通常比同等配置的 ECS 更划算，但要注意它带的是流量包，用量大的时候要盯紧余量。重负载、需要频繁升降配、或者要挂载多种云服务的生产业务，还是选 ECS 更灵活。总结一句话：先看 7 天监控曲线定负载画像，再用价格计算器算三种计费方式，最后小规格起步、跑几天再按监控升降配。规格选型不是一次性的决定，而是一个“买小—观测—调整”的循环。

先说结论：楼上 1–6 楼把“三关、四步、证据卡、期望价值”讲得很全了，这里补两个楼上没展开、但实际最容易翻车的地方：计算结果本身能不能被别人复算出来，以及什么时候可以下结论说“这个候选做不出来”。一、计算复现：先让别人能复算出你的数6 楼提了计算溯源卡，这里把“复算”落到具体操作上：输入文件要齐全到别人能原样重跑：结构文件（CIF）、赝势版本、截断能、k 点密度、磁性初始设置、自旋极化开关、收敛判据。只给一个形成能数字、不给输入文件，别人复算差几十 meV/atom 很正常，Ehull 0.03 和 0.08 的结论可能完全翻过来。关键结论换方法交叉验证：带隙类指标 PBE 系统性低估，用 HSE06 或 GW 复核；形成能换一种泛函或换一套赝势后结论还成不成立，做敏感性检查。换了方法结论就变的结果，不能当作“已证实”。能量基准不要混用：Materials Project、OQMD、ICSD 的参考态和修正项不同，直接拿不同库的形成能排大小会得出错误排序。做候选排序时，同一批结构用同一套基准重算。数值误差和物理结论分开写：能量差在几 meV/atom 量级时，先说明收敛性（截断能、k 点密度加倍后能量变多少），再下“稳定/不稳定”的结论。二、“做不出来”的判定：别把“没试对方法”写成“不可合成”反过来也一样重要：一个候选试了两次没做出来，不等于“不可合成”。下“不可合成”的结论之前，至少要走完：穷尽合理的合成路径：固相、水热/溶剂热、助熔剂、机械化学、化学气相沉积——不同方法走得通的窗口完全不同。只试了一种方法就下结论，等于只排除了这一条路。分清失败是热力学还是动力学原因：产物是更稳定的竞争相（热力学上就不该出现），还是反应太慢、扩散不够、温度窗口没找对（动力学问题，可以调工艺）。前者可以降级，后者要继续摸条件。阴性结果也要留档：每次失败的配比、温度程序、气氛、产物（XRD 图）都记录并反馈回模型。只报喜不报忧，模型下次还会推荐同一条死路。三、放弃线要和复活条件一起写3 楼、5 楼提了放弃线，这里补一句：放弃线要和复活条件一起写。例如：两轮小试（固相+水热）拿不到目标相，且杂相清单上的竞争相始终占主导 → 降级；但如果后续出现新的合成方法文献或前驱体路线，允许按同一证据卡重新评估。放弃是“暂停投入”，不是“判死刑”。一句话：计算要能被别人复算出来（输入文件+交叉验证），“做不出来”要穷尽合理路径并分清热力学还是动力学原因，再加上明确的放弃线与复活条件——这样“能合成且可复现”的判断才站得住，阴性结果也不会白白丢掉。

先说结论：前面几楼把“画像—压测—系列—计费—复核”的框架讲得很全了，这里补一个前面没展开的点：用一个 Python 批处理任务的实测数字算一遍，并说明轻量服务器（Flexus L）什么时候合算、什么时候不合算。一、拿一个 Python 批处理任务算一遍假设一台机器每天定时跑一批 pandas/numpy 数据处理任务，每次约 20 分钟，平时只跑一个轻量 Web 服务。实测数字（云监控 CES 里取 7 天峰值，不要看平均值）：任务期间 CPU 峰值 85%，平时不到 5%；内存峰值 6.5GB（数据一次性读进内存做 merge）；磁盘读峰值约 200MB/s；公网带宽峰值 5Mbps。这组数直接对应选型：CPU：2 核不够——峰值 85% 已经贴线，没有余量，任务一抖就顶满；4 核 8GB 刚好，内存 6.5GB 占 8GB 的八成；内存配比比核数关键：如果为了省钱选 4 核 4GB，内存先满，任务直接 OOM，加核数也救不了；磁盘：随机读写和批量读是 IOPS 的事，云硬盘类型选错了，CPU 再大也没用，系统盘和数据盘分开；带宽按 5Mbps 峰值选，不要按平均值。验收时留余量：CPU 峰值控制在 70% 以内、内存峰值在 80% 以内、磁盘使用率在 80% 以内，超过再升配。二、轻量服务器（Flexus L）什么时候合算个人博客、测试环境、小工具这类轻量业务，用 Flexus L 很划算；但要注意两点：流量包有上限（例如 100GB/月），超出后按量计费或限速，流量大的下载、文件分发类业务不适合；带宽有峰值限制，突发流量大的场景要单独算。长期稳定跑核心业务，优先 ECS 通用型/计算型；短期、试验、波动大的部分用按量。三、别一次买定先按量计费开一台跑满一周，看 CES 四条峰值曲线定规格，再转包年包月。规格选小了不用重建，ECS 支持在控制台变更规格，低峰期操作、操作前先做快照或备份。流量忽高忽低的业务不要按峰值买一台大机器：单机按日常水位选，峰值用弹性伸缩加机器、配合负载均衡。一句话：先按四个峰值把账算到具体数字（CPU、内存、IOPS、带宽），再按负载形态定系列、按量试水位后转包年包月、每月复核一次——成本和性能就不用在下单那一刻一次赌对。

前面楼层把四种经典原因和一键排查脚本都讲全了，我补充一个收尾动作：把 df 和 du 的差额逐项量化对账——差额对得上才算找到凶手，对不上再往下查，而不是逐个猜。一、先把差额算准df -h 和 du -sh 都带单位换算，四舍五入会把几百 MB 的差额藏起来。用字节算：df -B1 /datasudo du -x -B1 -s /data差额 = df 的 Used 减去 du 的总和。这一步确认差额确实存在且量级多大，后面每一项都要能在这个差额里找到出处。二、把差额拆成五项，逐项量化1. 已删除未释放：sudo lsof +L1 /data | awk 'NR>1{s+=$7} END{print s/1024/1024/1024, "GB"}'，只加链接数为 0 的文件。2. 挂载遮挡：sudo mount --bind / /mnt/rootview，然后 du -sh /mnt/rootview/data，与直接 du 的结果相减，被盖住的旧数据就是这一项。3. journal：journalctl --disk-usage，ECS 上 /var/log/journal 攒到几 GB 很常见。4. 容器：sudo du -sh /var/lib/docker/containers/*-json.log 和 /var/lib/docker/overlay2，容器日志无轮转时一个 json.log 能到几十 GB，且 docker system df 看不到日志大小。5. 稀疏文件：du --apparent-size 和普通 du 对比，虚拟机镜像、数据库预分配文件常见，逻辑大小大、实际块占用小，两者差值就是这一项的影响。三、五项加总仍对不上，再查这两处1. 文件系统元数据：ext4 用 dumpe2fs -h 看块组与预留块，xfs 用 xfs_db 查空闲空间分布，孤儿 inode 和元数据本身也会吃掉一部分，但通常只有几百 MB 量级。2. du 漏统计：权限不足的目录会被 du 跳过，别把 2>/dev/null 整个丢掉，先看一次不带重定向的输出有没有 Permission denied；跑 du 要用 root。按这个顺序，差额能对上 95% 以上就说明结论闭环了；如果各项加总远小于差额，基本可以锁定是挂载遮挡或文件系统级元数据，再按第二步和第三步深挖。

前面几楼把原理、分层、逻辑时钟和四层分工讲得很全了，我补一个数据处理侧、能直接跑的办法：历史数据已经采完了、时钟当时没对上，根因分析还得做，只能离线把偏移估计出来再修正。一、先估计偏移量，别凭感觉平移两路信号只要有共同成分（同一台电机的振动包络和电流包络、一次断电冲击），互相关峰值的位置就是相对时延。没有共同成分就对不齐，只能修时钟。import numpy as npimport pandas as pd# vib、cur：振动包络与电流包络，均带 ts 列，采样率 10 Hza = vib["amp"].values - vib["amp"].mean()b = cur["amp"].values - cur["amp"].mean()lag = np.argmax(np.correlate(a, b, mode="full")) - (len(b) - 1)offset_s = lag / 10.0   # 两路相对偏移（秒）print("估计偏移:", offset_s, "秒")# 修正后按容差对齐，容差取采样间隔的一半cur["ts"] = cur["ts"] - pd.to_timedelta(offset_s, unit="s")merged = pd.merge_asof(    vib.sort_values("ts"), cur.sort_values("ts"),    on="ts", tolerance=pd.Timedelta("500ms"), direction="nearest")二、什么时候这个结果能用、什么时候不能对齐后必须再算一笔不确定度：残差偏移 + 采样间隔/2 + 各路检测延迟（滤波群延迟、阈值确认时间）。如果故障传播间隔（比如振动异常到温升的间隔）小于这个不确定度，就只能写“同时段异常”，不能排先后——这个判定标准比对齐本身更重要。三、两个落地提醒1. 修正用的偏移参数要跟原始数据一起留存，写明是第几版对齐结果，否则事后复盘分不清是时钟问题还是现场真故障；2. 对齐只解决相对顺序，不解决绝对时间：要跟标准时间比，还得靠 NTP/PTP 或 GPS 授时。

前面几楼把处理链、验货和云上跑法讲得很全了，我补充一个更直接的清单：哪些现成数据集能直接下载、各自适合什么，以及解析工具怎么选。楼主问的是“有没有现成的”，这部分可以直接拿去用。 一、能直接下载的现成 PDF 语料（按推荐顺序） 1. peS2o（AllenAI）：基于 Semantic Scholar 的学术论文解析全文，数千万篇规模，已在 HuggingFace 上架，可用 huggingface-cli 或 datasets 库直接拉取。优点是已经做过版式解析和清洗，开箱即用；缺点是英文为主，中文论文很少，适合做英文通用知识打底。 2. S2ORC（Semantic Scholar Open Research Corpus）：约 8100 万篇论文元数据，其中约 800 万篇带解析全文。需要从官方 S3 获取，适合自己有抽取和清洗管线、想控制解析质量的团队。许可相对清晰，学术使用友好。 3. arXiv 批量下载：arXiv 官方提供 S3 全量镜像和批量打包下载，论文以 LaTeX 源码和 PDF 两种形式提供。源码形式比 PDF 更容易抽出干净文本和公式，做数学、物理方向语料时优先用源码而不是 PDF。注意遵守 arXiv 的使用条款和频率限制，不要高并发爬取。 4. PubMed Central 开放获取子集：生物医学方向的 PDF 语料，许可明确（CC BY 为主），版式相对规范，适合医疗、生命科学方向。 5. Common Crawl 的 PDF 子集：量大但噪声也大，适合做通用语料的补充，不适合做主力。需要自己做语言识别、去重和质量过滤，1 楼的处理链在这里是必需的。 6. 楼主提到的亮数据 PDF 数据集：商业数据集，4.5 亿有效链接、900TB 的量级，定位是预训练用的权威知识源。TB 数不等于可用 token 数，采购前先拿样本跑自己的抽取流程，测正文占比和去重后剩余比例，再按 token 价算账。 二、解析工具选型（这一步决定抽取质量） 不同工具适合不同版式，别只用一个工具打天下： - PyMuPDF（fitz）+ pdfplumber：速度快，适合版式规整的纯文本 PDF，做首轮抽取和正文占比评估。- GROBID：学术论文专用，能结构化抽出标题、作者、摘要、章节和参考文献，适合 arXiv、PubMed 这类论文语料。- MinerU（OpenDataLab）：对中文 PDF、双栏、表格的支持较好，中文语料优先试它。- Nougat / Marker：数学公式多的论文用 Nougat；版式复杂的报告用 Marker。 建议：先拿 100 篇样本，用两三个工具各抽一遍，人工对比正文完整度、表格和公式的保留情况，再定全量用哪个。工具选错，后面清洗再努力也补不回来。 三、拿到数据后先算三笔账再扩规模 1. Token 账：20 页 PDF 正文约 1 万 token，先算目标 token 量需要多少文档，别盲目囤数据。2. 可用量账：去重后体积常缩水 20%–40%，抽取后正文占比低于七成的基本是版式噪声太重，这批数据的实际可用量要打折算。3. 成本账：存储、流出流量、OCR 和向量化都要算；扫描件先在小样本上测 OCR 准确率，低于 95% 的不建议全量跑。 一句话总结：现成数据集够起步，peS2o 和 S2ORC 适合英文论文打底，arXiv 源码适合数理方向，中文优先走官方公开库和 MinerU 解析；商业数据集先验货再买；先小样本验证价值，再扩规模。

楼上几位已经把权限、计费、碎片、版本控制、CORS 这些高频坑说得很全了，我补几个还没人提、但一踩就很疼的点。一、403 不一定是权限问题：对象不存在时也报 403私有桶里访问一个不存在的对象，OBS 出于防枚举考虑也会返回 403，而不是 404。排查时别只盯权限：先在控制台按完整对象名搜一下确认对象到底在不在、key 有没有多余空格或大小写差错，再去查 IAM/桶策略。对象名里带中文或特殊字符时，签名或拼接 URL 前要先做 URL 编码，否则签名校验失败同样报 403。二、桶类型选错不能改：标准桶和并行文件系统桶是两回事建桶时要选桶类型：普通对象存储桶走对象 API，适合图片、备份、静态资源；并行文件系统桶（PFS）支持目录语义和高并发小文件读写，适合 HPC、AI 训练这类场景。两者建好后不能互相转换，选错只能新建桶再迁移数据。动手前先确认业务是“对象存取”还是“文件系统语义”，再选类型。三、静态网站托管别直接拿桶域名当网站用 OBS 托管静态站，要在桶上开“静态网站托管”并配默认首页/错误页；直接用桶的默认域名访问，浏览器地址栏是 OBS 域名且不支持自定义证书。想用自己的域名，要在桶上绑定自定义域名、做 CNAME 解析并配置证书才能走 HTTPS；再配 CDN 回源私有桶时，还要开回源鉴权，否则 CDN 回源会被桶的私有权限挡住。四、归档对象不能直接下载：要先恢复低频、归档、深度归档的对象取回要等，而且归档类对象直接 GET 会报错，需要先发起恢复（RestoreObject），恢复出的是带有效期的临时副本，过期后要重新恢复。做备份归档前，先确认恢复时效和恢复费用是否满足业务要求，别等到要取数时才发现要等几小时。五、跨区域复制不是备份跨区域复制是单向异步复制：源桶删对象不会同步删目标桶的对象，源桶的对象改了才会同步新版本。想防误删，要同时开版本控制；只靠复制做备份，误删源桶对象后目标桶还留着旧版本，恢复流程要提前演练，别真出事了才现查。六、一个账号默认最多 100 个桶别按客户、按项目一个个建桶，很快会撞到 100 个桶的配额上限。正确做法是一个桶内用对象名前缀分区，再用桶策略按前缀隔离权限；确实要超限，提前提工单申请提高配额。七、对象锁开了就收不回建桶时如果开了对象锁的合规保留模式，保留期内的对象删不掉、改不了，保留期没到连桶都删不掉。测试桶千万别顺手开对象锁，生产桶开之前先和业务方确认保留时长。上线前检查单（建议照着过一遍）：桶类型选对了吗、区域和桶名定了吗、权限是私有+临时签名 URL 还是误设了公共读、CORS 配了吗、碎片和历史版本的生命周期规则配了吗、存储类别和取回时效确认了吗、内网 Endpoint 用对了吗。这七项过完，新手阶段的大坑基本能避开。

补充一个能直接照着做的办法：先定量测出负载，再按瓶颈选系列，最后用压测验证——不要凭感觉买，也不要一次买到顶。一、先量三组数，再谈规格到控制台“云监控服务 CES → 云服务器 ECS”，选一台在跑业务的实例，看连续一周的曲线，记下三组数：CPU 利用率的均值、P95 和峰值；内存利用率的 P95 和峰值；磁盘读/写 IOPS 与带宽峰值。只看“平均值”会误导选型，比如一台每天只在 10:00–12:00 跑批处理的实例，均值可能只有 15%，但峰值会打满 100%，按均值选型上线第一天就会卡。二、按瓶颈选系列，而不是只比核数瓶颈不同，性价比最高的系列完全不同：1. Web 应用、轻量数据库、开发测试机，CPU 和内存需求比较均衡，选通用型（如 s7，核存比约 1:4）。2. 计算密集型，比如视频转码、Python 科学计算、批量数据处理，CPU 先跑满、内存用不满，选计算型（如 c7，核存比约 1:2），同样的钱花在核数上更划算。3. 缓存、内存数据库、内存占用大的数据分析，选内存型（如 m7，核存比约 1:8）。4. 长期运行的小型网站、博客、个人项目，对性能要求不高，Flexus 云服务器 L 实例更便宜。举个具体例子：一个白天跑 Web 服务、每天凌晨跑 2 小时 Python 批量数据处理的任务，实测 Web 时段 CPU 约 20%、内存 3GB，批处理时段 CPU 打满 100%、内存峰值 5GB——瓶颈在计算而不在内存，选 4 核 8G 计算型比 2 核 8G 通用型更合适；如果反过来内存先到 90%、CPU 只有 40%，那就该加内存而不是加核。三、计费方式跟着“稳态还是波动”走先分清两部分：7×24 小时都跑着的稳态部分，用包年包月（或预留实例），长期折扣最明显；只在高峰出现的波动部分，用按需计费加弹性伸缩兜底。一条经验规则：如果一台实例一个月里开机时间不到一半，优先按需；长期满负荷跑的，再转包年包月。不要把峰值容量也买成包年包月，那是最常见的浪费。四、买之前先压测验证选定规格后别直接上生产。先在同规格实例上跑真实负载压测：CPU 用 stress-ng --cpu 4 --timeout 60s 看满载温度和频率是否稳定；磁盘用 fio 测一次随机读写 IOPS，和云硬盘规格标称值对照；Web 类业务用 ab 或 wrk 压一轮，看 P95 响应时间是否达标。压测结果不达标就换系列，而不是直接加一档配置。五、每月复核一次上线后每月看一次 CES 曲线：CPU、内存长期低于 20% 就降配；高峰时段持续超过 70%、或出现请求排队、磁盘 IO 等待，就升配或横向加节点。磁盘和带宽也要一起看：很多“服务器慢”其实是系统盘 IOPS 不够或带宽打满，升核数解决不了。一句话总结：用一周监控数据定瓶颈，按瓶颈定系列，用压测验证规格，用包年包月买稳态、用弹性扛峰值。

前面几楼把控制台重置的路径和注意事项讲得很全了，我补充两个实际操作里容易踩的细节：一、重置密码不会踢掉已经建立的 SSH 会话重置只改 /etc/shadow 里对应账号的密码哈希，已经连上的会话继续有效，不会被断开。所以验证新密码一定要新开一个终端会话测，不要在旧会话里试——旧会话能进不代表新密码生效，旧会话进不去也不代表新密码错了。二、重置的密码不会跟着重装系统保留控制台重置改的是当前系统里的账号密码，不会改创建实例时注入的 user-data/初始密码记录。如果之后点了重装系统，密码会回到创建时的初始密码（或密钥登录方式），重置过的密码就失效了，重装完要重新设置一次。很多人重装后用重置过的密码登录失败，就是卡在这里。三、一个快速自查命令重置前先确认一键重置密码插件在运行，比事后看控制台报错更省时间。能登录时执行：systemctl status cloud-reset-pwd-agent如果显示 inactive 或不存在，控制台的在线重置大概率会失败，这时直接走关机重置，或者先修好插件再重置，别反复试在线重置。