跑AI推理、硬解视频或做GPU集群测试时，经常遇到容器里明明挂了GPU参数，却还是报设备找不到或权限不够。这类问题往往不是硬件故障，而是Docker的设备直通和权限机制没有配置到位。理解清楚“设备映射”和“权限边界”这两个概念，问题就好解了。
先说结论：容器里的“直通”本质是设备文件映射
Docker容器默认运行在隔离的命名空间里，宿主机的显卡、声卡、视频设备等不会自动出现在容器内。想要把GPU或其他硬件设备“放进去”，需要把宿主机对应的设备文件节点（如/dev/dri、/dev/kfd、/dev/nvidia0）映射到容器内，并让容器内的进程拥有访问这些设备节点的权限。
所以“需要什么权限”这个问题的答案很简单：一是设备文件本身需要映射，二是运行容器的用户需要被允许访问该设备，三是内核模块已经加载到宿主机上。三者缺一不可。
GPU直通有两种常见路径，权限要求不同
以常见的GPU计算场景为例，第一种路径是使用容器运行时扩展工具（如厂商提供的GPU容器工具包）来自动发现并注入设备。这种方案通常在安装工具包后，只需在docker run时加一个自动启用GPU的参数即可，不需要手动加privileged权限，因为运行时工具会在启动容器前判定并添加所需的设备节点和权限贝。这种方式适合全功能AI训练、PyTorch/TensorFlow等框架跑任务。
第二种路径是手动直通设备文件，适合没有官方工具支持、或想精确控制设备映射的场景。命令大致是：docker run –device /dev/dri:/dev/dri。此时需要注意，仅加–device还不够，容器内进程对设备文件的读写权限还受cgroup设备控制器约束。如果遭遇操作权限被拒，往往需要补充设备控制规则的优先级参数，或直接以特权模式运行。但特权模式会放宽很多安全限制，生产环境要谨慎。
具体权限开关从哪儿开？几个落地点
配置一块GPU或视频加速设备，通常涉及三处开关。第一，宿主机驱动与内核模块必须已加载，可以用系统命令查看设备节点是否存在。第二，Docker daemon的启动参数里需保留默认的设备控制能力，某些精简安装的发行版或Secure Linux策略会主动拦截设备映射，此时可能需要调整系统策略或增加安全选项。第三，容器启动参数中使用–device、–group-add或–device-cgroup-rule选择。
如果设备节点在主机的创建用户组比较特殊（例如视频设备常归属于video组、渲染设备归属于render组），把容器内进程的用户加入对应用户组是一个既不扩大特权、又稳定的做法。命令上可用–group-add参数，将宿主机用户组ID注入容器。可以先用id命令查一下设备节点的组ID，再将其填进–group-add里。
常见问题：映射了却不能用，多半卡在权限细节
典型报错是“设备节点不存在”或“操作不允许”。设备节点不存在，通常是因为只映射了部分节点（GPU设备往往有多个节点，比如控制节点和计算节点要一起映射）；操作不允许，则考虑是否缺少用户组权限或受Linux系统安全模块限制。还有一个容易忽略的点：某些容器镜像基础系统缺少对应设备的管理工具或用户态组件，设备节点已映射，但容器内没有配套库文件，表现为调用接口报错，实际上不是权限问题。
另外，如果宿主机上多个容器同时抢同一块GPU，需要自行编排访问顺序。Docker本身不提供GPU算力调度，它只解决设备直通归属问题。建议按卡或按显存把不同容器分配到不同编号的设备上，避免互相干扰。
小结一下：Docker设备直通的权限核心，就是“设备文件映射+用户组权限+cgroup规则”三件事。先用最简单的方式跑通（比如加–device），失败时再按层级排查驱动、组ID、安全策略，不要一上来就开特权模式。生产环境优先考虑厂商容器工具包或用户组注入，能少走不少弯路。