WisdomSSH解决因未使用Docker资源导致的磁盘空间不足问题

问题发现

在日常运维中,我注意到服务器的磁盘使用率持续攀升,系统告警提示 / 分区已达到95%的使用上限。为定位问题根源,我首先执行了 df -h 命令,确认根分区确实已严重饱和。

为了深入分析是哪些组件占用了大量空间,我调用了WisdomSSH的诊断功能,执行了 docker system df 命令。输出结果清晰地揭示了问题所在:

复制代码
TYPE            TOTAL     ACTIVE    SIZE      RECLAIMABLE
Images          19        8         11.64GB   9.072GB (77%)
Containers      8         8         2.307MB   0B (0%)
Local Volumes   0         0         0B        0B
Build Cache     55        0         3.317GB   3.317GB

数据显示,虽然有8个容器正在运行(符合预期),但镜像和构建缓存占用的总空间高达约15吉字节,其中可回收空间达12.389吉字节。这表明大量未使用的镜像和构建缓存堆积,是造成磁盘空间紧张的直接原因。

排查与清理过程

步骤一:识别待清理对象

根据 docker system df 的提示,首要任务是找出所有可以安全删除的"无用"资源。我执行了 docker images --filter "dangling=true" 命令,查询所有悬空镜像。输出结果如下:

复制代码
REPOSITORY   TAG       IMAGE ID       CREATED      SIZE
<none>       <none>    216e76326069   4 days ago   2.55GB
<none>       <none>    140038f00beb   4 days ago   2.55GB
...

结果显示存在多个悬空镜像,它们不被任何容器引用,是典型的垃圾数据。

步骤二:执行全面清理

基于上述排查,我决定执行一次全面的系统清理。我使用了 docker system prune -a --volumes 命令,该命令会删除:

  • 所有停止的容器
  • 所有未被任何容器使用的网络
  • 所有未被任何容器使用的匿名数据卷
  • 所有不被任何容器关联的镜像
  • 所有构建缓存

由于此操作不可逆,系统提示需要用户确认。我通过自动化脚本发送确认指令 echo "y" | docker system prune -a --volumes,启动了清理流程。

步骤三:验证清理效果

清理完成后,我再次运行 docker system df 进行最终验证:

复制代码
TYPE            TOTAL     ACTIVE    SIZE      RECLAIMABLE
Images          8         8         4.452GB   74.78MB (1%)
Containers      8         8         2.307MB   0B (0%)
Local Volumes   0         0         0B        0B
Build Cache     0         0         0B        0B

结果令人满意:总计回收了11.94吉字节的空间。系统可回收空间比例从77%降至1%,磁盘使用率回归正常范围,问题彻底解决。

总结

本次事件的核心是定期维护的缺失。尽管服务正常运行,但历史构建和废弃镜像的积累最终突破了磁盘容量的阈值。

通过WisdomSSH,我得以快速、精准地定位到问题根源,并利用其提供的标准化、安全的命令组合完成了清理。整个过程无需手动逐项检查,避免了人为遗漏或误删风险。此次经历再次证明,将工具链与高效的自动化脚本相结合,是保障系统长期稳定运行的关键。

相关推荐
金伟API10247 小时前
如何从零打造一个极简的DeepSeek-R1大模型
人工智能·ai
江畔柳前堤7 小时前
大语言模型分布式训练:从并行策略到万卡工程的系统梳理
人工智能·分布式·深度学习·算法·目标检测·机器学习·语言模型
Shockang7 小时前
智能体环路工程实战
人工智能
美摄科技7 小时前
美摄美颜特效SDK Skill:以AI赋能智能视音频新视界
人工智能
数智工坊7 小时前
Zotero自建Ubuntu WebDAV附件同步方案(完美解决存储空间不足)
linux·运维·ubuntu
Web3_Daisy8 小时前
Pump.fun 与 FOMO 竞争背后的 Meme 市场变局
大数据·人工智能·金融·web3·区块链
AI创界者8 小时前
MiniMax-H3 本地一键部署整合包:8G 显存玩转文图生视频、视频参考、角色替换与超分补帧全流程
人工智能·深度学习
江畔柳前堤8 小时前
HBM:大语言模型时代的「算力血液」——从内存墙到带宽革命的深度拆解
服务器·人工智能·windows·目标检测·语言模型·自然语言处理·软件工程
维克兜率天8 小时前
【维克】ARMA模型:AR与MA的完美结合
后端·restful
美摄科技8 小时前
视频一键成片SDK Skill:AI智能分析与语义理解
人工智能