Premier POC ThingsBoard sur Proxmox

Le besoin était simple sur le papier : monter une plateforme IoT pour visualiser une centaine de capteurs LoRaWAN sans payer la version managed-cloud d’un éditeur. ThingsBoard Community Edition était le candidat évident. Je voulais le faire tourner sur l’infra Proxmox existante du client, sans VM dédiée si possible.

Pourquoi LXC plutôt qu’une VM ?

Un container LXC consomme dix fois moins de RAM qu’une VM Debian équivalente, et le démarrage est immédiat. Le client a une dizaine de containers déjà en prod sur le cluster ; rester cohérent avec le pattern existant simplifie la maintenance.

Le seul piège : ThingsBoard CE veut Docker à l’intérieur. Donc LXC nesting (nesting=1, keyctl=1) à activer sur le container côté Proxmox, et cgroup v2 qui se mêle un peu avec l’iptables embarqué par Docker. Rien de bloquant.

Le docker-compose initial

Pour ne pas perdre de temps à débugger une install bare-metal, j’ai démarré avec le compose officiel adapté :

services:
  thingsboard:
    image: thingsboard/tb-postgres:3.7.0
    ports:
      - "8080:9090"
      - "1883:1883"
      - "5683:5683/udp"
    environment:
      TB_QUEUE_TYPE: in-memory
      INSTALL_TB: "true"
      LOAD_DEMO: "true"
    volumes:
      - tb-data:/data
      - tb-logs:/var/log/thingsboard
    restart: unless-stopped

volumes:
  tb-data:
  tb-logs:

in-memory pour la queue suffit largement à ce stade — pas la peine d’embarquer Kafka pour un POC. Le LOAD_DEMO crée le tenant de démo, pratique pour valider l’UI sans intégration capteur. Une fois que les vraies devices arrivent, on bascule LOAD_DEMO: "false" et on tire un dump propre du compose.

Ce qui a coincé

Trois choses que je n’avais pas anticipées :

1. Le port MQTT 1883 squatté par mosquitto sur l’host. J’avais oublié qu’un autre container exposait déjà MQTT. Solution rapide : 1884:1883 côté ThingsBoard, et reverse-proxy MQTT côté HAProxy pour router selon le client_id.
2. La consommation RAM monte à 2.3 Go au démarrage avec Postgres embarqué. Sizing initial LXC à 1.5 Go = OOM-killer dans la minute. Bumped à 4 Go, ça respire.
3. Le rule engine ne digère pas les payloads Cayenne LPP bruts sans un decoder JS custom dans le device profile. Une heure perdue à chercher pourquoi mes températures arrivaient comme data: "AQEAFw==". Mention pour plus tard : décoder côté ChirpStack avant de forwarder.

La suite

POC validé, le client signe pour un déploiement à 600 capteurs sur 12 sites. Prochaine étape : externaliser Postgres, basculer la queue en RabbitMQ, et écrire un article plus sérieux sur le sizing réel.