SandboxFusion Jupyter模式详解：交互式代码执行环境搭建指南

SandboxFusion Jupyter模式详解交互式代码执行环境搭建指南【免费下载链接】SandboxFusion项目地址: https://gitcode.com/gh_mirrors/sa/SandboxFusionSandboxFusion是一款强大的代码沙盒工具专为LLM生成的代码提供安全执行和评估环境。本文将详细介绍SandboxFusion的Jupyter模式帮助您快速搭建交互式代码执行环境实现高效的代码测试和评估。️什么是SandboxFusion Jupyter模式SandboxFusion Jupyter模式是一个基于Jupyter内核的交互式代码执行环境它允许您像在Jupyter Notebook中一样运行Python代码但具有沙盒化的安全隔离特性。这个功能特别适合需要交互式代码执行、数据可视化、科学计算和机器学习实验的场景。在SandboxFusion的Jupyter模式中您可以执行多个代码单元cells并获取每个单元的输出捕获标准输出stdout和标准错误stderr获取代码执行结果和显示数据支持matplotlib等库的图形输出快速开始搭建Jupyter模式环境环境准备首先您需要克隆SandboxFusion仓库并安装必要的依赖git clone https://gitcode.com/gh_mirrors/sa/SandboxFusion cd SandboxFusionDocker方式安装推荐对于大多数用户使用Docker是最简单快捷的方式# 构建基础镜像 docker build -f ./scripts/Dockerfile.base -t code_sandbox:base . # 修改服务器Dockerfile的基础镜像 sed -i 1s/.*/FROM code_sandbox:base/ ./scripts/Dockerfile.server # 构建服务器镜像 docker build -f ./scripts/Dockerfile.server -t code_sandbox:server # 运行在线服务 docker run -d --rm --privileged -p 8080:8080 code_sandbox:server make run-online手动安装方式如果您更喜欢手动安装可以按照以下步骤操作# 创建conda环境 conda create -n sandbox -y python3.12 conda activate sandbox # 使用poetry安装依赖 poetry install # 创建文档构建目录 mkdir -p docs/build # 运行在线服务 make run-online安装Python运行时要支持Python代码执行您需要安装Python运行时cd runtime/python bash install-python-runtime.shJupyter模式的核心功能基本代码执行SandboxFusion Jupyter模式支持标准的Python代码执行。您可以通过API发送代码单元列表系统会按顺序执行每个单元并返回结果。核心API位于sandbox/server/sandbox_api.pyJupyter运行器实现在sandbox/runners/jupyter.py。多单元执行Jupyter模式的一个强大特性是支持多个代码单元的顺序执行每个单元可以访问前一个单元中定义的变量# 第一个单元定义变量 a hello # 第二个单元引用变量 a # 返回hello # 第三个单元打印变量 print(a) # 输出hello错误处理和调试系统能够捕获执行过程中的错误信息包括标准错误输出和异常信息import sys sys.stderr.write(This is an error message\n) raise RuntimeError(error message)数据可视化Jupyter模式完全支持matplotlib等数据可视化库import matplotlib.pyplot as plt x [1, 2, 3, 4, 5] y [2, 3, 5, 7, 11] plt.plot(x, y) plt.title(Simple Plot) plt.xlabel(X-axis) plt.ylabel(Y-axis) plt.show()API使用指南核心API端点SandboxFusion提供了专门的Jupyter执行API端点/run_jupyter支持以下参数cells: 代码单元列表每个元素是一个代码字符串cell_timeout: 每个单元的最大执行时间默认0表示无限制total_timeout: 所有单元的总执行时间限制默认45秒kernel: Jupyter内核类型目前仅支持python3files: 文件字典用于上传执行所需的文件fetch_files: 执行后需要获取的文件路径列表请求示例import requests import json # 准备请求数据 request_data { cells: [ a 123, a, print(a), import sys; sys.stderr.write(stderr message), raise RuntimeError(error message) ], cell_timeout: 0, total_timeout: 45, kernel: python3, files: {}, fetch_files: [] } # 发送请求 response requests.post( http://localhost:8080/run_jupyter, jsonrequest_data ) # 解析响应 result response.json() print(json.dumps(result, indent2))响应结构API响应包含以下关键字段status: 执行状态Success, Failed, SandboxErrormessage: 状态消息cells: 每个代码单元的执行结果数组driver: 底层执行器信息files: 执行后获取的文件每个单元格的结果包含stdout: 标准输出内容stderr: 标准错误内容display: 显示数据如图形、表格等error: 错误信息数组实战应用场景1. 机器学习模型测试Jupyter模式非常适合测试机器学习模型的推理代码# 加载模型和数据 import numpy as np from sklearn.linear_model import LinearRegression # 准备数据 X np.array([[1], [2], [3], [4], [5]]) y np.array([2, 4, 6, 8, 10]) # 训练模型 model LinearRegression() model.fit(X, y) # 预测 predictions model.predict([[6], [7]]) print(fPredictions: {predictions})2. 数据分析和可视化进行数据分析和可视化展示import pandas as pd import matplotlib.pyplot as plt # 创建示例数据 data { Month: [Jan, Feb, Mar, Apr, May], Sales: [100, 150, 200, 175, 225], Expenses: [80, 90, 110, 105, 120] } df pd.DataFrame(data) print(df.describe()) # 可视化 plt.figure(figsize(10, 6)) plt.plot(df[Month], df[Sales], markero, labelSales) plt.plot(df[Month], df[Expenses], markers, labelExpenses) plt.title(Monthly Sales and Expenses) plt.xlabel(Month) plt.ylabel(Amount ($)) plt.legend() plt.grid(True) plt.show()3. 算法验证和测试验证算法实现的正确性def fibonacci(n): 计算斐波那契数列 if n 1: return n a, b 0, 1 for _ in range(2, n 1): a, b b, a b return b # 测试斐波那契函数 test_cases [0, 1, 5, 10, 20] results [(n, fibonacci(n)) for n in test_cases] print(Fibonacci test results:, results)高级配置和优化配置参数调整在sandbox/configs/local.yaml中您可以调整以下参数来优化Jupyter模式sandbox: isolation: none # 或 lite cleanup_process: false restore_bash: false max_concurrency: 34 # 最大并发数安全隔离级别SandboxFusion提供两种隔离级别none: 无隔离适合开发和测试环境lite: 轻量级隔离使用overlayfs chroot cgroups开销小于100ms性能优化建议合理设置超时根据代码复杂度设置适当的cell_timeout和total_timeout并发控制调整max_concurrency参数以平衡性能和资源使用文件管理合理使用files和fetch_files参数避免传输大文件故障排除和调试常见问题解决Jupyter内核启动失败检查Python环境是否正确安装确认jupyter_client库已安装查看runtime/jupyter/main.py中的内核管理逻辑代码执行超时调整cell_timeout和total_timeout参数检查代码中是否有无限循环或死锁内存不足减少并发执行数量优化代码内存使用日志和监控SandboxFusion提供了详细的日志记录功能您可以通过查看系统日志来调试问题import structlog logger structlog.stdlib.get_logger() logger.info(Jupyter execution started, cells_countlen(cells))最佳实践代码组织建议模块化代码将复杂逻辑拆分为多个小的代码单元错误处理在每个关键步骤添加适当的错误处理资源清理及时释放不再使用的资源性能优化技巧批量执行将相关操作放在同一个代码单元中减少上下文切换缓存中间结果避免重复计算异步执行对于I/O密集型操作考虑使用异步编程安全注意事项输入验证始终验证外部输入的代码内容资源限制设置合理的执行时间和内存限制沙盒隔离在生产环境中使用lite隔离级别总结SandboxFusion的Jupyter模式为代码执行和测试提供了强大而灵活的解决方案。通过本文的介绍您应该已经掌握了✅环境搭建使用Docker或手动方式快速部署 ✅API使用掌握核心API的调用方法和参数配置 ✅实战应用了解机器学习、数据分析等场景的应用 ✅优化配置学会调整参数以获得最佳性能 ✅故障排除掌握常见问题的解决方法无论您是在进行机器学习模型测试、数据分析可视化还是算法验证SandboxFusion的Jupyter模式都能为您提供安全、高效的代码执行环境。开始使用SandboxFusion Jupyter模式让您的代码测试和评估工作变得更加简单高效【免费下载链接】SandboxFusion项目地址: https://gitcode.com/gh_mirrors/sa/SandboxFusion创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考