单节点部署smartbi各个组件，在使用过程中可能会出现zpu资源抢占的情况。比如MPP高并发，大数据量查询操作、多并发执行导出的场景，数据挖掘大数据量计算场景等，都可能导致服务器资源不足，从而出现访问smartbi慢，卡顿甚至报错等情况。

当前针对各个组件占用服务器CPU资源，没有好的限制方法，因此，我们建议可以根据实际使用场景，将占用CPU资源比较大的组件部署在不同的服务器中，通过服务器的隔离，实现cpu资源的隔离，达到避免出现cpu资源抢占，导致smartbi服务访问受影响的情况。

服务器CPU资源消耗较大的组件有以下：

高速缓存库、跨库联合查询、导出引擎、Spark、Python计算节点

可以根据不同的场景使用，将资源消耗较大的服务单独部署在一个服务器中。

多台服务器部署方案参考：

两台服务器部署：

场景1、普通部署

1、smartbi、知识库、导出引擎、跨库联合查询

2、数据挖掘、高速缓存库、Spark、Python

场景2、侧重MPP数据抽取，以及跨库查询

1、smartbi、知识库、数据挖掘引擎、导出引擎

2、高速缓存库、跨库联合查询

场景3、侧重数据挖掘计算

1、smartbi、知识库、导出引擎、高速缓存库、跨库联合查询

2、数据挖掘引擎、Spark、Python、

三台服务器部署：

场景1、普通部署

1、smartbi、知识库、导出引擎

2、跨库联合查询、高速缓存库

3、数据挖掘、spark、python

场景2、侧重MPP数据抽取，以及跨库查询

1、smartbi、知识库、数据挖掘引擎

2、高速缓存库、

3、跨库联合查询、导出引擎

场景3、侧重数据挖掘计算

1、smartbi、知识库、导出引擎、高速缓存库、跨库联合查询

2、数据挖掘引擎、Spark-master节点、Python

3、Spark-work节点

以上方案提供参考，可根据服务器数量以及侧重某个组件，将消耗CPU服务器资源的组件单独部署在一个服务器中。

1、服务器最低配置

消耗服务器资源组件：

高速缓存库、跨库联合查询、导出引擎、Spark、Python计算节点

两台服务器部署方案参考：

2、部署方案参考

Smartbi及其组件可分为两大部分：

• 第一部分：Smartbi，知识库，高速缓存库，跨库联合查询，导出引擎，Redis

           其中可以根据服务器资源消耗再细分成两部分：

           ①Smartbi、知识库、导出引擎、Redis

           ②高速缓存库、跨库联合查询

• 第二部分：数据挖掘模块(包含数据挖掘实验引擎、服务引擎、Spark、Hadoop、Python计算节点)

           数据挖掘引擎可根据服务器资源消耗细分为两部分：

           ①实验引擎、服务引擎、Hadoop

           ②Spark、Python计算节点

部署方案并非一成不变，可以根据服务器数量和产品功能使用的侧重点来灵活的分配服务器资源。

以下几个部署方案可提供参考：

1.部署Smartbi，不部署数据挖掘

背景：两台服务器，部署除数据挖掘引擎外的所有Smartbi组件(不部署集群)。

部署规划：

2.部署Smartbi和数据挖掘

背景：两台服务器，部署所有的Smartbi组件，并且经常使用数据挖掘模块。

部署规划：

3.部署Smartbi和数据挖掘

背景：三台服务器，部署所有的Smartbi组件，并且客户习惯使用Python脚本执行数据挖掘任务。

部署规划：

参考以上三个部署方案，再根据不同的需求和不同的服务器资源灵活的进行服务器的部署规划。