网络映射

Docker安装 Jdk、Mysql、Nginx、Redis、Tomcat(Linux学习笔录-8)

白昼怎懂夜的黑 提交于 2020-03-11 09:53:25
Docker安装 Jdk、Mysql、Nginx、Redis、Tomcat Docker详解及安装Docker 使用Docker安装环境有什么好处 1.配置镜像加速器 1.打开阿里云网站 2.进行登录,找到容器镜像控制台 3.配置Linux镜像加速器 2.使用Docker安装Jdk8 1.搜索镜像 2.下载镜像 3.启动容器 3.使用Docker安装Mysql 1.查找Mysql 2.下载MySQL5.7版本镜像 3.创建mysql容器 4.使用SQLyou连接Mysql 4.使用Docker安装Nginx 1.下载Nginx镜像,启动Nginx容器 2.外网访问Nginx 5.使用Docker安装Tomcat 1.下载Tomcat镜像,启动Tomcat容器 2.外网访问Tomcat 6.使用Docker安装Redis 1.下载Redis镜像,启动Redis容器 2.使用RedisDesktopManager连接Redis 如果中途报错了怎么办 1.使用Docker自带的logs命令查看容器运行日志 2.推荐解决Docker Bug网站,有问必答 Docker详解及安装Docker Docker详解及安装Docker,解释的非常详细,不是很懂或者不懂的话可以去看一下 使用Docker安装环境有什么好处 1.如果配置镜像加速器,Docker安装环境非常的快 2.mysql

如何在虚拟机里共享文件给物理机使用呢?

拜拜、爱过 提交于 2020-03-04 16:30:35
如何在虚拟机里共享文件给物理机使用呢? 说明 方法1:虚拟机磁盘映射 方法2:安装由虚拟机提供的VMwareTools 方法3:家庭组文件共享 说明 首先说明一下,这篇文章所虚拟出来的操作系统为windows,并且物理机也是windows,所用到的虚拟机软件为VMware 方法简要 虚拟机磁盘映射 安装由虚拟机提供的VMwareTools 家庭组文件共享 方法1:虚拟机磁盘映射 方法1: 虚拟机磁盘映射 此方法适合 大文件 单批次移动或复制,每次移动或复制时,需要关掉虚拟机的操作系统(也就是在虚拟机操作系统里进行关机操作) 操作方法: 如果你没有关闭虚拟机系统,就进行磁盘映射的话,“映射”按钮是灰色并且禁用掉,无法点击,仔细看上面的提示会告诉你 “只有关闭虚拟机电源时,才能使用磁盘实用工具。” 好,我们把虚拟机系统关闭,关闭客户机会提示要关闭客户机吗?( 选择是 ) 防止一些人在虚拟机里修改文件未及时保存就关闭需要询问你是否关机。。。 重新进行磁盘映射的操作 选择要映射的分区,就可以进行磁盘操作了 稍微谈一点就是不需要进行磁盘映射了需要怎么操作呢?有哪些注意的? 如果不需要进行磁盘映射了,需要操作: 断开连接 ,需要注意将映射出来的磁盘分区z有关的window资源管理器窗口都要关闭(只关和z有关的窗口,比如占用的z分区文件),或者把window资源管理器窗口都关(全部关)

跨服务器,跨库 联合查询

我只是一个虾纸丫 提交于 2020-03-04 13:36:22
--按月统计报告 中心端服务 10.141.222.78 进行统计 use risreportdb Select substring(bgrq,5,2) as month,count(distinct StudyUid) as mycount from TB_RIS_REPORT group by substring(bgrq,5,2) Select substring(bgrq,5,2) as month ,count(distinct StudyUid)as mycount from TB_RIS_REPORT2 group by substring(bgrq,5,2) --按月统计影像 --2台电脑之间要启用命名管道 和1433端口。 --启用Ad Hoc Distributed Queries: exec sp_configure 'show advanced options',1 reconfigure exec sp_configure 'Ad Hoc Distributed Queries',1 reconfigure --进行跨服务器查询 SELECT substring(r.BGRQ,5,2)as month, count(distinct r.StudyUid) as mycount FROM OPENROWSET('SQLOLEDB', '192.168

数据库分库分表思路

怎甘沉沦 提交于 2020-03-02 15:35:22
一. 数据切分 关系型数据库本身比较容易成为系统瓶颈,单机存储容量、连接数、处理能力都有限。当单表的数据量达到1000W或100G以后,由于查询维度较多,即使添加从库、优化索引,做很多操作时性能仍下降严重。此时就要考虑对其进行切分了,切分的目的就在于减少数据库的负担,缩短查询时间。 数据库分布式核心内容无非就是数据切分(Sharding) ,以及切分后对数据的定位、整合。数据切分就是将数据分散存储到多个数据库中,使得单一数据库中的数据量变小,通过扩充主机的数量缓解单一数据库的性能问题,从而达到提升数据库操作性能的目的。 数据切分根据其切分类型,可以分为两种方式: 垂直(纵向)切分和水平(横向)切分 1、垂直(纵向)切分 垂直切分常见有垂直分库和垂直分表两种。 垂直分库 就是根据业务耦合性,将关联度低的不同表存储在不同的数据库。做法与大系统拆分为多个小系统类似,按业务分类进行独立划分。与"微服务治理"的做法相似,每个微服务使用单独的一个数据库。如图: 垂直分表 是基于数据库中的"列"进行,某个表字段较多,可以新建一张扩展表,将不经常用或字段长度较大的字段拆分出去到扩展表中。在字段很多的情况下(例如一个大表有100多个字段),通过"大表拆小表",更便于开发与维护,也能避免跨页问题,MySQL底层是通过数据页存储的,一条记录占用空间过大会导致跨页,造成额外的性能开销

Docker入门之六端口映射与容器互联

删除回忆录丶 提交于 2020-03-02 08:42:52
一、端口映射 在之前的博客搭建私有仓库时用到这样一句:docker run -d -p 5000:5000 -v /opt/data/registry:/tmp/registry registry来run一个仓库,其中可以看到-p 5000:5000,它的作用就是用来进行端口映射。那为什么需要端口映射呢?其实在启动容器时,如果不配置宿主机器与虚拟机的端口映射,外部程序是无法访问虚拟机的,因为没有端口,所以需要进行端口映射。 端口映射有两个关键词-P -p,一个是大写一个是小写,通过run --help也可以看到。大写的P是随机映射一个49000-49900的端口到内部容器开放的网络端口。小写p可以指定要映射的端口,并且在一个指定端口上只可以绑定一个容器。 支持的格式有三种:比较常用的是第三种,因为这样没有对ip进行限制,移植也方便。 ip:hostPort:containerPort:映射指定地址的指定端口到虚拟机的指定端口(不常用) 如:127.0.0.1:5000:5000,映射本机的5000端口到虚拟机的5000端口。 ip::containerPort:映射指定地址的任意端口到虚拟机的指定端口。(不常用) 如:127.0.0.1::5000,映射本机的5000端口到虚拟机的5000端口。 hostPort:containerPort:映射本机的指定端口到虚拟机的指定端口。

Windows线程+进程通信

丶灬走出姿态 提交于 2020-03-01 08:15:48
一 Windows线程进程 1)定义 按照MS的定义, Windows中的进程简单地说就是一个内存中的可执行程序, 提供程序运行的各种资源. 进程拥有虚拟的地址空间, 可执行代码, 数据, 对象句柄集, 环境变量, 基础优先级, 以及最大最小工作集. Windows中的线程是系统处理机调度的基本单位. 线程可以执行进程中的任意代码, 包括正在被其他线程执行的代码. 进程中的所有线程共享进程的虚拟地址空间和系统资源. 每个线程拥有自己的例外处理过程, 一个调度优先级以及线程上下文数据结构. 线程上下文数据结构包含寄存器值, 核心堆栈, 用户堆栈和线程环境块. 2) 如下图: 3)线程与进程的关系 线程是进程中的实体,一个进程可以拥有多个线程,一个线程必须有一个父进程。线程不拥有系统资源,只有运行必须的一些数据结构;它与父进程的其它线程共享该进程所拥有的全部资源。 在多中央处理器的系统里,不同线程可以同时在不同的中央处理器上运行,甚至当它们属于同一个进程时也是如此。 4) 进程和线程的区别   (1)、进程是资源管理的基本单位,它拥有自己的地址空间和各种资源,例如内存空间、外部设备;线程只是处理机调度的基本单位,它只和其他线程一起共享资源,但自己没有任何资源。   (2)、以进程为单位进行处理机切换和调度时,由于涉及到资源转移以及现场保护等问题,将导致处理机切换时间变长,资源利用率降低

SSH端口转发映射案例(打洞映射)

北城余情 提交于 2020-02-28 10:37:46
场景分析 服务器A 公网IP:123.456.789.101 内网IP:192.168.68.101 服务器B 公网IP:无 内网IP:192.168.68.102 部署了一个web服务,端口号是8080 现有一位用户处于外网环境,希望从自己的浏览器上访问部署在服务器B上的网站,但是由于服务器B是一个内网服务器,无法从公网环境下直接访问,此时可以在服务器A上输入一个命令,开启一个代理的SSH服务,端口号设为5000,使得用户可以将所有对5000端口号发起的网络请求经由服务器A的代理SSH服务转发给服务器B的8080服务,命令格式如下 ssh -N -L < 服务器A的IP> : < 服务器A的端口号> : < 服务器B的IP> : < 服务器B的端口号 ><服务器B的用户名> @ < 服务器B的IP> 命令执行后,服务器A上就会启动一个端口号为5000的代理服务,用户此时就可以在浏览器中输入 http://123.456.789.101:5000 来直接访问服务器B上的 http://192.168.68.102:8080 的服务了 来源: CSDN 作者: 键言 链接: https://blog.csdn.net/banbanlau/article/details/104431405

asp.net访问网络映射盘的问题

孤人 提交于 2020-02-26 22:55:48
博客园找找看( http://zzk.cnblogs.com )的索引文件占用空间太大,需要移至另外一台服务器,所以要解决“在ASP.NET中通过共享文件夹访问索引文件”的问题。 假设找找看的ASP.NET程序在A服务器,索引文件在B服务器的ZzkIndex共享文件夹中,访问地址是\\192.168.18.18\ZzkIndex\。要实现就是在A服务器的ASP.NET程序中能读写共享文件夹\\192.168.18.18\ZzkIndex\中的文件。 参考园子里的 asp.net访问网络映射盘的问题 文章,我们解决了这个问题,在这里分享一下。 具体操作步骤: (注:A服务器为ASP.NET程序所在服务器,B服务器为共享文件夹所在服务器) 在两台服务器上建立相同用户名、相同密码的Windows帐户(A与B服务器都要建),比如假设这里用户名是ZzkIndexer,密码是zzk.cnblogs.com。 取消两台服务器上的ZzkIndexer帐户的远程控制(Remote Control)权限(让这个帐户拥有尽可能少的权限),如下图: 将B服务器上的ZzkIndexer帐户移出所有用户组(包含Users),如下图: 不属于任何用户组?是的,不要怀疑,已经过实践检验。 在B服务器上创建共享文件夹ZzkIndex并给ZzkIndexer帐户授予写权限,有两个权限需要设置,一个是文件系统权限

2020年,MyBatis常见面试题总结

空扰寡人 提交于 2020-02-26 04:49:49
Mybatis 技术内幕系列博客,从原理和源码角度,介绍了其内部实现细节,无论是写的好与不好,我确实是用心写了,由于并不是介绍如何使用 Mybatis 的文章,所以,一些参数使用细节略掉了,我们的目标是介绍 Mybatis 的技术架构和重要组成部分,以及基本运行原理。 博客写的很辛苦,但是写出来却不一定好看,所谓开始很兴奋,过程很痛苦,结束很遗憾。要求不高,只要读者能从系列博客中,学习到一点其他博客所没有的技术点,作为作者,我就很欣慰了,我也读别人写的博客,通常对自己当前研究的技术,是很有帮助的。 尽管还有很多可写的内容,但是,我认为再写下去已经没有意义,任何其他小的功能点,都是在已经介绍的基本框架和基本原理下运行的,只有结束,才能有新的开始。写博客也积攒了一些经验,源码多了感觉就是复制黏贴,源码少了又觉得是空谈原理,将来再写博客,我希望是“精炼博文”,好读好懂美观读起来又不累,希望自己能再写一部开源分布式框架原理系列博客。 有胆就来,我出几道 Mybatis 面试题,看你能回答上来几道(都是我出的,可不是网上找的)。 1、#{}和${}的区别是什么? 注:这道题是面试官面试我同事的。 答: ${}是 Properties 文件中的变量占位符,它可以用于标签属性值和 sql 内部,属于静态文本替换,比如${driver}会被静态替换为com.mysql.jdbc.Driver。 #

论文解读《Deep Resdual Learning for Image Recognition》

爱⌒轻易说出口 提交于 2020-02-24 20:05:20
总的来说这篇论文提出了ResNet架构,让训练非常深的神经网络(NN)成为了可能 。 什么是残差? “残差在数理统计中是指实际观察值与估计值(拟合值)之间的差。”如果回归模型正确的话, 我们可以将残差看作误差的观测值。”更准确地,假设我们想要找一个 x x,使得 f ( x ) = b f(x)=b,给定一个 x x 的估计值 x 0 x0,残差(residual)就是 b − f ( x 0 ) b−f(x0),同时,误差就是 x − x 0 x−x0 为什么需要堆叠更深的NN呢? 论文阐述道 -- 深度神经网络自然的集成了低、中、高阶特征,同时随着网络深度的提升,这些特征也会随之丰富,这些丰富的特征对于最后执行的分类或回归任务来说都是很有意义的,一般认为可以获得更好的结果; 但是,论文又指出一些问题,堆叠深层的NN存在一些问题: -- 堆叠深层的网络后,网络的学习会变得更加的不容易,因为存在着梯度消失/爆炸问题(BN一定程度解决),会妨碍模型的收敛,使得模型不能得到很好的学习; -- 通过实验发现,堆叠更深的网络存在着退化问题,即随着深度的增加,在分类任务中的正确率会饱和并开始迅速的下降,并且会得到更大的训练损失; 所以可以得到想要优化深层的网络结果并不容易,那么现有解决方法是怎么构造更深层的模型呢? 作者阐述了一种方法就是:增添的网络层都是恒等映射网络