企业官网建设流程全解析

• 人工智能
• 计算机视觉
• 微调

Brainmu-SpikeCamera 是 BAAI（北京智源人工智能研究院）与北京大学联合开发的脉冲相机影像重建项目，核心能力包括脉冲信号卷积重建、Brainμ 生成模型 LoRA 推理，以及一个多 GPU 评测 Web UI。该项目的网页界面没有用户认证，官方给出的安全基线是"仅回环监听 + SSH 隧道访问"。本文面向新手，完整讲解安全部署三件事：如何用 SSH 回环访问 Web UI、如何把握检查点（checkpoint）信任边界，以及部署前必须对照的风险清单。

一、先搞懂项目的安全模型 🔐

官方安全声明只有一段话，浓缩了本项目的全部安全姿态（见 src/SECURITY.md）：

在 SSH 之后的回环地址上运行 UI，没有任何认证；只加载可信的检查点（研究代码对旧版前端权重使用torch.load(weights_only=False)）；不要在公开 issue 中提交密钥或私密数据。

1.1 两个无认证服务与端口

网页演示由两个本地 HTTP 服务组成，均由 start_ui.sh 一起拉起：

两个服务都硬编码绑定回环地址（如 server.py#L161-L165），即只有本机能访问——这是本项目最重要的第一道防线。

1.2 服务端已内置的最小防护

虽然没有登录机制，但服务端并非"裸奔"（见 server.py#L147-L156）：

• POST 请求做Origin 同源校验，非同源请求返回 403，缓解跨站伪造；
• 请求体必须为 JSON 且长度小于16KB；
• 响应带nosniff等安全头，结果接口按样本下标读取，越界会报错。

但这些措施不能替代认证：任何能触达这两个端口的人，都能加载模型、读取运行状态与文件路径、触发评测并下载全部结果。因此"不要暴露到公网"不是建议，而是硬性前提。

二、快速上手：SSH 回环访问远程 Web UI 的最快配置方法 🚀

典型场景：GPU 服务器在机房，你在自己的电脑上操作。正确姿势不是开放端口，而是建一条 SSH 隧道（官方命令见 README.md#L109-L115）：

ssh -N -L 8997:127.0.0.1:8997 -L 8998:127.0.0.1:8998 USER@HOST

2.1 五步完成部署

1. 服务器装环境：bash src/scripts/setup_uv.sh（脚本说明见 setup_uv.sh，需要 NVIDIA GPU、Python 3.12 与 CUDA 工具链）；
2. 启动 Web UI：bash src/scripts/start_ui.sh，终端会打印Listening on http://127.0.0.1:8997；
3. 本地建隧道：执行上面的ssh -N -L ...命令并保持连接；
4. 打开浏览器：访问http://127.0.0.1:8997，依次完成"指定权重路径 → 加载模型（1/2/4/8 卡）→ 加载测试数据 → 开始评测"；
5. 停止服务：在启动终端按Ctrl+C。

💡 小网络单独推理（不需要 Web UI 和大模型）可以用 CPU 轻量环境，命令见 src/scripts/infer_frontend.py 与 src/USAGE.md，这类场景完全没有网络暴露问题。

2.2 三条"不要"红线 ⚠️

• ❌ 不要把监听地址改成0.0.0.0，也不要用反向代理、NAT 把 8997/8998 发到内网共享或公网；
• ❌ 不要绕过 SSH 隧道让其他机器直接连服务器端口；
• ❌ 不要在共享机器上以 root 身份运行 UI——它能按路径加载任意权重文件，权限越大风险越大。

三、检查点信任边界：为什么"加载权重文件"是安全问题 🧬

这是很多新手忽略的一点：加载一个恶意构造的权重文件 ≈ 执行一段恶意代码。

3.1 UI 的加载链路

Web UI 的"加载模型"动作允许用户填写任意本地路径（model_path、adapter、frontend），服务端会expanduser().resolve()后直接使用（见 server.py#L61-L74）。也就是说，信任边界完全由"你指向哪个文件"决定——项目假设操作者只会在自己信任的机器上、加载自己信任的文件。

3.2 项目里权重加载的安全性分级

weights_only=False意味着.pt文件里夹带的任意 Python 对象都会被反序列化执行。src/SECURITY.md 正是因此要求"只加载可信检查点"。

3.3 守住信任边界的四条建议

1. 只使用官方发布的权重：根目录config.json+model.safetensors（180,705 参数的小网络）随仓库发布；基础大模型与 LoRA 权重需从可信渠道另行获取；
2. 格式优先.safetensors，尽量避免旧版.pt；
3. 校验哈希：评测流程会生成含内容哈希的 dataset_manifest.json（见 README 输出说明），第三方权重建议先固定 SHA256 再加载；
4. 隔离运行：用最小权限账号或容器运行 UI，只授予所需数据目录的读权限。

四、风险提示与部署前检查清单 ✅

4.1 风险速览表

4.2 部署前逐项打勾

• 两个服务均只监听127.0.0.1（启动日志应显示http://127.0.0.1:8997）
• 所有远程访问都经过 SSH 隧道，未开放任何防火墙端口
• 运行账号非 root，且无 sudo 权限
• 全部权重文件来自官方或可信来源，格式优先.safetensors，关键文件已校验哈希
• 测试数据不含密钥、隐私；公开 issue 中不含敏感信息（协作规范见 src/CONTRIBUTING.md）

五、常见问题 FAQ 💬

Q：8997 端口开出去让同事一起用，安全吗？不安全。接口没有任何登录机制，暴露后任何访问者都能触发模型加载与评测、读取运行状态。多人使用请各自建 SSH 隧道，并协调任务时序（服务为单实例、同一时间只能跑一个任务）。

Q：为什么要把 8998 也转发？8998 是独立的预览服务，负责把脉冲 DAT 转成 GIF、把 GT 转成灰度 PNG（见 media_server.py）。它内部还会请求 8997 的运行状态，两个端口一起转发页面才能完整显示。

Q：发现安全问题应该报给谁？项目当前没有公开的漏洞报告地址，src/SECURITY.md 说明维护者会在正式发布前配置。在此之前请留意官方公告，且不要在公开渠道提交密钥或私密数据。

Q：我只想跑小网络 CPU 推理，需要关心这些吗？风险面会小很多。纯 CPU 推理不启动任何 Web 服务（见 src/USAGE.md），但仍建议遵守"权重只从可信来源加载"的原则。

• 人工智能
• 计算机视觉
• 微调