一、为什么要清理MLflow里过期的模型版本？
1.1 模型版本堆积的麻烦
很多用MLflow管理模型的开发者，时间久了都会遇到一个头疼的问题：模型注册表像堆满旧快递的储物柜，各种版本挤在一起——上周测试过的旧模型、上个月跑崩没上线的版本、甚至半年前还在实验的冷门模型，不仅占着服务器的存储空间，找真正在用的模型时还容易被干扰，万一误调用旧模型，轻则结果不准，重则影响业务。
1.2 过期模型的判定标准
过期模型不是靠“感觉”定的，得结合业务场景和平台规则：比如电商推荐模型，超过90天没被调用、且没标注成生产可用（Production）的版本就算过期；风控模型虽然保留周期长，但测试阶段（Staging）的版本超过60天没更新也要清。核心是“没用且没价值”，还要避开正在用的版本。
二、MLflow模型过期清理的常用方法
2.1 手动清理（不推荐）
直接在MLflow的Web界面里挨个找过期版本删，适合只有几个模型的小项目，但如果有几十个、上百个模型，不仅效率低，还容易删错——比如把刚归档的备用版本当成过期删了，新手很容易踩坑。
2.2 自动清理脚本（核心方案）
用MLflow的Python SDK写一段脚本，自动扫描所有模型版本，按规则判断是否过期后执行删除，适合中大型项目。这里用Python作为单一技术栈，完整示例如下：
# 导入MLflow核心工具包
import mlflow
from mlflow.tracking import MlflowClient
from datetime import datetime, timedelta
# -------------------------- 【必须修改】自定义配置项 --------------------------
MLFLOW_TRACKING_URI = "http://你的MLflow服务器地址:5000" # 替换成实际服务器地址
CLEANUP_THRESHOLD_DAYS = 90 # 超过多少天未更新判定为过期
PROTECTED_STAGES = ["Production", "Staging"] # 这些阶段的模型绝对不能删
DRY_RUN = True # 先试运行，只打印要删除的版本，不真删！确认后改成False
# -------------------------------------------------------------------------
# 初始化MLflow客户端，连接到指定服务器
client = MlflowClient(tracking_uri=MLFLOW_TRACKING_URI)
def clean_expired_model_versions():
# 1. 获取注册表中所有已注册的模型
all_models = client.search_registered_models()
for model in all_models:
model_name = model.name
print(f"正在检查模型：{model_name}")
# 2. 获取当前模型的所有版本
model_versions = client.search_model_versions(f"name='{model_name}'")
for version in model_versions:
version_num = version.version
current_stage = version.current_stage
# MLflow的时间戳是毫秒级，转成可读的日期格式
create_time = datetime.fromtimestamp(version.creation_timestamp / 1000)
# 计算距离创建的天数
days_since_create = (datetime.now() - create_time).days
# 3. 判定是否符合删除条件：超期+非保护阶段
if days_since_create > CLEANUP_THRESHOLD_DAYS and current_stage not in PROTECTED_STAGES:
print(f"即将{'删除' if not DRY_RUN else '模拟删除'}：模型{model_name} V{version_num}，创建于{create_time.date()}，已超{days_since_create}天，阶段：{current_stage}")
# 试运行阶段只打印，正式执行才删
if not DRY_RUN:
try:
client.delete_model_version(name=model_name, version=version_num)
print(f"成功删除：模型{model_name} V{version_num}")
except Exception as e:
print(f"删除失败，原因：{str(e)}")
else:
# 不符合条件的跳过，打印原因
reason = f"在保护阶段：{current_stage}" if current_stage in PROTECTED_STAGES else f"未超{GLEANUP_THRESHOLD_DAYS}天"
print(f"跳过：模型{model_name} V{version_num}，原因：{reason}")
if __name__ == "__main__":
clean_expired_model_versions()
这个脚本的关键是加了DRY_RUN开关，新手一定要先开着试运行，确认要删的都是没用的版本，再关闭开关正式执行。
2.3 定时自动执行
把上面的脚本放到定时任务里，比如用Linux的crontab，设置每周一凌晨2点执行，既能保证定期清理，又不会影响业务高峰。比如crontab的规则可以写成：0 2 * * 1 /usr/bin/python3 /路径/清理脚本.py，每周凌晨2点自动跑一次。
三、应用场景
3.1 电商平台推荐模型
电商的推荐模型迭代快，每周都会出2-3个新版本，这些版本上线后，旧版本如果超过90天没被调用，说明已经被新模型替代，适合用上面的脚本清理，避免注册表堆满没用的版本，影响后续模型查找和上线速度。
3.2 实时风控模型
实时风控模型需要高可用，一般Production阶段的版本不能删，但测试阶段的版本，超过60天没更新也没被调用，就可以清理——既保证了核心风控模型的安全，又释放了测试版本占用的存储空间。
四、技术优缺点
4.1 优点
- 效率高：比手动清理快10倍以上，适合多模型的项目；
- 出错率低：只要规则配置对，不会出现手动删错的问题；
- 自动化：结合定时任务后，不需要人工干预，减少运维成本；
- 可读性强：脚本清晰，方便后续调整清理规则。
4.2 缺点
- 容错率低：如果规则配置错，比如把Production阶段的模型也放进可删范围，会直接影响业务；
- 依赖服务器：脚本需要在能访问MLflow服务器的环境运行，比如运维服务器；
- 备份缺失：如果没有提前备份要删除的版本，误删后无法恢复，所以一定要加备份步骤。
五、注意事项
5.1 先试运行再执行
一定要把DRY_RUN设为True先跑一遍，确认要删除的版本都是过期且没用的，再改成False执行正式清理，避免删错业务模型。
5.2 禁止删除正在用的版本
必须保护Production和Staging阶段的模型，还要注意：有些模型虽然标了Archive，但最近刚被调用过（可以加最后调用时间的判断），这种也要临时保护。
5.3 加备份机制
删除之前，先把要清理的模型版本下载备份到本地或其他存储，比如在脚本里加一句mlflow.registered_models.get_model_version_download_uri(...)，把模型文件下载下来，万一删错可以恢复。
六、总结
MLflow模型注册表的过期清理，本质是给模型版本做“断舍离”，核心是用自动化脚本替代手动操作，既节省存储空间，又提升模型管理的效率。新手可以先从简单的规则入手，比如先清理超过90天的非Production版本，熟练后再调整规则，结合定时任务实现全自动管理。关键是一定要先测试，再执行，避免影响业务。
评论
围绕“MLflow Model Registry模型过期清理：生命周期管理中的废弃版本清理机制”参与讨论