GPU 云服务器怎么开 Jupyter：SSH 隧道连接与费用边界

在 GPU 云服务器上跑训练或推理任务时，Jupyter Lab / Notebook 是最常用的交互式开发环境。但云端启动 Jupyter 和本地开发有几个关键差异：需要远程访问、要考虑安全性、SSH 断开后进程可能终止，以及按小时计费时关机和销毁对费用的影响不同。

这篇文章给出在租用的 GPU 实例上启动 Jupyter 并安全连接的标准做法，以及如何避免不必要的存储费用。

启动 Jupyter：三个必加参数

在云服务器上启动 Jupyter Lab 时，需要添加几个参数来适配远程无头环境：

jupyter lab --no-browser --ip=0.0.0.0 --port=8888

--no-browser：云服务器没有图形界面，防止尝试打开本地浏览器
--ip=0.0.0.0：允许非本地环回的网络请求（默认只监听 127.0.0.1）
--port=8888：指定端口，默认也是 8888，显式写出便于后续端口转发

如果你是以 root 用户登录或在容器内运行，还需要加上：

jupyter lab --no-browser --ip=0.0.0.0 --port=8888 --allow-root

启动后终端会输出带 Token 的访问链接，类似：

http://127.0.0.1:8888/lab?token=abc123def456...

这个 Token 是首次登录的凭证，保存好。

如果还没环境

首次租 GPU 云服务器时，从零配置 Python、CUDA、PyTorch 容易踩坑（驱动版本不匹配、编译时间长）。可以直接选预装好依赖的镜像模板，Jupyter 和常用框架都配好了，开机即用。NexGPU 的镜像模板页面列出了 PyTorch、TensorFlow、ComfyUI 等场景的一键部署选项，按你要跑的任务选就行。

连接方式：SSH 隧道比公网直连安全

启动 Jupyter 后，有两种访问方式：

公网直接访问：云服务器安全组开放 8888 端口，浏览器输入 http://<服务器公网IP>:8888 访问
SSH 端口转发：Jupyter 只监听本地环回，通过 SSH 隧道把远程端口映射到本地

公网直连的问题是端口暴露在互联网上，即使有 Token 保护，也容易被端口扫描工具发现并尝试暴力破解。而且还需要额外配置云服务商的安全组规则，多一层操作。

推荐做法是 SSH 本地端口转发（Local Port Forwarding），既安全又省事。

具体步骤

1. 在云服务器上启动 Jupyter，监听本地环回

jupyter lab --no-browser --port=8888

注意这里不需要 --ip=0.0.0.0，默认监听 127.0.0.1 就行，外部无法直接访问。

2. 在本地终端建立 SSH 隧道

打开新的本地终端窗口（不要关闭运行 Jupyter 的那个），执行：

ssh -N -L 8888:localhost:8888 user@server_ip

-N：不执行远程命令，只做端口转发
-L 8888:localhost:8888：把远程的 8888 端口映射到本地 8888 端口
user@server_ip：替换成你的云服务器登录用户和公网 IP

如果云服务器 SSH 端口不是默认 22，加上 -p 参数：

ssh -N -L 8888:localhost:8888 -p 2222 user@server_ip

隧道建立后这个终端会挂起（没有任何输出是正常的），不要关闭。

3. 本地浏览器访问

打开浏览器，访问 http://localhost:8888，粘贴启动 Jupyter 时输出的 Token，即可登录。

这种方式下，数据流完全走 SSH 加密通道，外部无法直接访问云服务器的 8888 端口，也不需要修改安全组规则。

SSH 本地端口转发连接 Jupyter 的数据流向图

如果本地 8888 端口已被占用，可以映射到其他端口，比如本地 8889：

ssh -N -L 8889:localhost:8888 user@server_ip

然后访问 http://localhost:8889。

保持后台运行：断开 SSH 不中断任务

上面的启动方式有个问题：一旦关闭 SSH 终端（或网络抖动断连），Jupyter 进程会被终止，正在跑的训练或推理任务也会中断。

跑长时间任务时，需要用工具让 Jupyter 在后台持久运行。

方案一：tmux 会话管理

tmux 是终端复用工具，可以创建独立的会话，SSH 断开后会话仍在后台运行。

安装 tmux（大部分云镜像已预装）：

# Ubuntu/Debian
sudo apt install tmux

# CentOS/RHEL
sudo yum install tmux

使用流程：

SSH 登录云服务器后，创建新会话：

tmux new -s jupyter

在 tmux 会话中启动 Jupyter：

jupyter lab --no-browser --port=8888

按 Ctrl+B 然后按 D 键，离开（detach）会话但不终止，Jupyter 继续在后台运行
关闭 SSH 或重新登录后，用这个命令恢复会话：

tmux attach -t jupyter

就能重新看到 Jupyter 的运行日志。查看所有会话：tmux ls。

方案二：nohup 后台启动

如果不想用 tmux，可以用 nohup 把 Jupyter 放到后台：

nohup jupyter lab --no-browser --port=8888 > jupyter.log 2>&1 &

nohup：忽略挂断信号，SSH 断开后继续运行
> jupyter.log 2>&1：把输出和错误重定向到日志文件
&：放到后台执行

启动后会返回进程 ID，可以通过 tail -f jupyter.log 查看日志，找到 Token。

停止 Jupyter 时，先找到进程 ID：

ps aux | grep jupyter

然后 kill 对应的 PID：

kill <PID>

费用边界：关机和销毁的区别

在按小时计费的 GPU 云服务上，理解实例生命周期对控制成本很重要。

以 NexGPU 为例，计费项只有三项：算力、存储、流量。关键区别在于：

关机（Stop）：停止算力计费，但存储费继续扣，因为你的系统盘、代码、模型权重文件都还保留着，下次开机可以直接继续用
销毁（Destroy）：彻底删除实例和所有数据，停止全部扣费

实际使用中的策略：

短期中断：比如晚上不跑任务了，但明天还要继续，选关机。第二天开机后，Jupyter Notebook、虚拟环境、下载的数据集都还在，用 tmux attach 或重新启动 Jupyter 就能接着干。存储费按小时算，几十 GB 的系统盘一天也就几毛到一两块钱。

任务结束：模型训练完、权重文件已经下载到本地，短期内不会再用这个实例，就销毁。如果只是关机，存储费会一直扣，几天下来可能比算力费还多。

保存工作成果：销毁前记得备份：

Jupyter Notebook 文件（.ipynb）
训练好的模型权重
自定义的配置文件

可以用 scp 或 rsync 从云端下载到本地，或者传到对象存储。下次租新实例时，上传回去或从对象存储拉取。

NexGPU 的账单可以在控制台实时查看，算力和存储分开列，能清楚看到关机后存储费在跑。如果不确定要租多久，可以先看价格页面的单价，按你的存储量估算成本。

常见问题

Q：SSH 隧道建立后浏览器无法访问 localhost:8888

检查：

Jupyter 是否正常启动（没有报错退出）
SSH 隧道命令中的端口号是否和 Jupyter 启动端口一致
本地 8888 端口是否被其他程序占用（换个端口试试）
SSH 隧道是否断开（重新执行 ssh -N -L 命令）

Q：Token 丢了怎么办

在运行 Jupyter 的终端或 tmux 会话里，按 Ctrl+C 停止 Jupyter，重新启动会生成新 Token。或者用这个命令列出当前所有 Token：

jupyter server list

Q：能不能设置密码代替 Token

可以。首次启动后，在 Jupyter 界面的设置里可以配置密码。或者用命令行生成密码哈希：

jupyter lab password

按提示输入密码，下次启动就可以用密码登录。不过 SSH 隧道本身已经很安全，Token 也够用。

Q：多个 Jupyter 实例能同时跑吗

可以，指定不同端口就行：

# 第一个实例
jupyter lab --no-browser --port=8888

# 第二个实例
jupyter lab --no-browser --port=8889

本地建立两条隧道，分别映射到不同端口。

总结操作顺序：选镜像开实例 → SSH 登录 → tmux 新建会话 → 启动 Jupyter → 本地建 SSH 隧道 → 浏览器访问 localhost 粘贴 Token → 任务跑完下载结果 → 销毁实例停止全部扣费。SSH 端口转发省去安全组配置，tmux 保证断线不影响任务，关机和销毁分清楚就能控制成本。