Ubuntu18-上传代码到码云(私有仓库)详细步骤

Github 创建自己的仓库、上传代码等操作及问题解决 此文面向初次使用Github的同学,包含建仓过程、建立本地仓库与Github仓库的连接的过程,以及在此过程中遇到的问题和解决途径。Github是一个很好的与大家分享自己的代码的网站。 阅读详情

整体流程

一个整体的操作流程如下:

步骤操作
第一步电脑安装Git
第二步生成公钥
第三步配置Git忽略文件
第四步上传代码

电脑安装Git

Git安装文件下载地址,下载后安装

https://git-scm.com/downloads

生成公钥

设置邮箱账号

git config --global user.email "you@example.com"

设置码云昵称

git config --global user.name "Your Name"

生成sskkey(三次回车即可生成sshkey )

ssh-keygen -t rsa -C "xxxxx@xxxxx.com"

查看公钥

cat ~/.ssh/id_rsa.pub

最后登录码云添加公钥

配置Git忽略文件

具体配置自己上网搜索,参考文件:
Android项目Git提交仓库的忽略文件

上传代码

新建文件夹后
初始化Git

git init

添加所有文件

git add --all
//添加单个文件Git命令:git add xx文件名.后缀xx

添加注释

git commit -m "注释内容”

连接远程仓库

git remote add origin 此处替换为远程仓库SSH地址

上传文件(master 分支)

git push -u origin master

若报错,可以强制Push

git push -u origin master -f

刷新码云仓库,可以看到新提交的代码。

 

使用git remote add origin https://gitee.com/你的码云用户名/testgit      //添加远程仓库

 

错误提示:

error: src refspec master does not match any.

error: failed to push some refs to 

找了下原因,原来是git commit -m "xxx" 时没留意,因为新装的git需要提交用户邮箱和用户名,

所以没有委托成功,本地仓库是空的,所以配置了下邮箱和用户名才成功,真是粗心不得啊!!!

 

  • 第一个问题


https://www.jianshu.com/p/3380ec281729

https://www.cnblogs.com/youqc/p/9260428.html

https://www.cnblogs.com/xunzhiyou/p/12117261.html

https://gitee.com/help/articles/4181#article-header0

 

更多《计算机视觉与图形学》知识,可关注下方公众号:

 

Ubuntu 18.04 下 Docker 私有镜像仓库生产级部署指南 Docker 私有镜像仓库是微服务与 DevOps 实践中的核心基础设施,其本质是基于 HTTP v2 协议的容器镜像存储与分发服务。它通过 Registry 服务实现镜像层(layer)的上传、拉取与元数据管理,依赖 HTTPS 加密通信、身份认证(如 basic auth 或 LDAP)及持久化存储保障安全与可靠性。技术价值在于解决公有仓库限速、密钥泄露、网络不可控等生产痛点,支撑 CI/CD 流水线稳定运行。典型应用场景包括企业内网镜像分发、边缘计算节点部署、AI 模型服务版本管控及合规审计需求。本文 阅读详情

相关推荐

Ubuntu 18.04 上用 Kubernetes 部署 PHP 应用实战指南

PHP 应用部署长期面临环境不一致、扩缩容困难、状态管理混乱等核心挑战,而 Kubernetes 作为现代容器编排平台,通过声明式配置、服务发现与自动伸缩能力,为 PHP 提供了标准化、可复用的高可用运行底座。其关键在于理解 PHP-FPM 的进程模型与 Pod 生命周期的对齐机制,并将 session、缓存、文件上传等有状态组件外置至 Redis、对象存储等云原生服务。在 Ubuntu 18.04 这类 EOL 但广泛使用的旧系统上,需适配 cgroup v1、降级 K8s 至 1.20.x 等兼容性策略

weixin_33816300的博客 404

ubuntu上传代码仓库到码云

一、 git的安装与配置(只在第一次上传的时候配置,以后都不需要了) 1. 在ubuntu下安装git。以下实例在ubuntu下进行。 确认你的系统是否安装了git,通过git指令进行查看。如果没有安装,就使用命令 sudo apt-get install git 来进行安装。 2. 配置git的全局变量:(码云)用户名 和 邮箱 git config --global user.name "你的名字" git config --global user.email "你的邮箱地址" 3.

m0_46557581的博客 626

MTK Tunning ISP 模块面试总结

ISP面试问答

m0_72053187的博客 4540

Ubuntu18.04上传文件夹到gitee码云

Ubuntu18.04上传文件夹到gitee码云 1.建立Gitee库 2.在本地中上传文件夹(整个工作空间)到码云 2.1 cd到目标文件夹的目录 我的文件夹是在home下,所以直接在home下打开终端 2.2 初始化 输入 git init 会在home下生成.git文件夹,这个文件夹的文件知道你在当前目录下修改过哪些文件,从而在上传代码的时候提醒你哪些文件可能比原来的文件要老(一般是团队协作的时候才起作用) 2.3 添加文件夹到git的缓存区 a) 将本地文件夹先预存到缓存区 git add d

没有最好,只有更好 631

【模型解读】【代码复现】Segment Anything Model(SAM)

Meta AI的一个新的人工智能模型,只需一次点击就能 "分割出 "任何图像中的任何物体! SAM是一个可提示的分割系统,对不熟悉的物体和图像具有zero-shot的概括性,并且不需要额外的训练。

lalula的博客 2万+

【视线追踪】视线追踪的性能评估框架 及 基础知识

文章目录一、 前言二、 眼球追踪基础1. 眼动类型研究2. 基本设备3. 校准 calibration4. 眼球视线和头部姿态的关系5. 视线追踪精确度的评估三、 视线估计算法1. 基于2维回归2. 基于3D模型1) 单摄像头2) 多摄像头3. 基于交叉比4. 基于外观5. 基于眼睛形状的方法四、 实现估计的应用1. 电脑2. 电视3. 头戴设备4. 汽车5. 手持设备6. 设备配置五、 视线追踪的性能指标和错误原因1. 不同平台之间差异性很大2. 影响视线追踪可用性的因素六、 视线追踪系统的性能评估框架1

火火的博客 5321

ubuntu下如何上传代码到码云

下面的指令都在命令行执行。 一:安装与配置 第一步:在ubuntu下安装git。以下实例在ubuntu下进行。 确认你的系统是否安装了git,通过git指令进行查看。如果没有安装,就使用命令sudo apt-get install git来进行安装。Centos下git的安装和ubuntu不太一样,使用yum进行安装。   第二步:安装完成后进行git的配置。 git config ...

Qiana_wq的博客 3121

NOC片上网络设计解析:从总线瓶颈到拓扑、路由与QoS实践

随着SoC中主设备数量激增,传统共享总线与交叉开关在带宽、时序和可扩展性上逐渐力不从心。片上网络(NOC)借鉴计算机网络的分组交换思想,将芯片内部互连视为分布式子系统,通过节点、路由器、链路与网络接口的协同,实现高效的并行数据传输。本文从NOC的基本组成出发,深入对比Mesh、Torus、Ring等拓扑的适用场景,剖析XY路由与Credit流控的工作机制,并探讨AXI/CHI协议适配、QoS调度及低功耗设计的工程实践。掌握这些核心概念,有助于工程师在AI芯片、多核处理器及Chiplet互连设计中精准构建高带

weixin_29190651的博客 239

码云使用详解(ubuntu)

码云使用详解(ubuntu)1 介绍2 码云使用步骤2.1 创建仓库2.2 设置账户信息2.3 创建密钥2.4 添加密钥3 仓库操作3.1 创建一个新存储库3.2 现有的文件夹3.3 现有的Git存储库4 示例4.1 保存并推送参考 1 介绍 和GitHub相比,Gitee也提供免费的Git仓库。此外,还集成了代码质量检测、项目演示等功能。对于团队协作开发,Gitee还提供了项目管理、代码托管、文档管理的服务,5人以下小团队免费。 2 码云使用步骤 2.1 创建仓库 在码云上创建一个仓库,私有或者公有。 2

天道酬勤 1753

OSPF规划两大模型:双塔奇兵、犬牙交错

大家好,今天给大家带来的是OSPF规划两大模型:双塔奇兵、犬牙交错,让我们直接开始吧! OSPF规划之双塔奇兵 说明: OSPF 如果某个区域存在两个 ABR,并且在两个 ABR 上都对 area n 内的路由做了聚合操作。 最佳配置: 两台ABR之间的红线应该使用以太网的子接口技术,一个子接口属于area0,另一个属于 area n;或者该链路规划为 area n,同时配置虚连接; ABR 的 loopback0 规划入 area 0 OSPF 规划之犬牙交错 说明: 有时接入层的设备会以乱序的

网络技术联盟站 2426

将Windbg附加到软件进程上排查异常闪退的问题

使用Windbg和Process Explorer排查因为内存泄漏导致的软件异常闪退问题。

dvlinker的技术专栏 1万+

ubuntu下git的使用和码云配置笔记

ubuntu下git的使用和码云配置笔记 安装git sudo apt-get install git 配置git git config --global user.name "nankel" git config --global user.email "2512126660@qq.com" name和email改为自己的 生成本地SSH key ssh-keygen -t rsa -C "2512126660@qq.com" 回车、回车、回车,一回到底 在码云上配置SSH 进入个人

qq_35616298的博客 300

《网络信息制作与发布》实训全流程:从专题策划、网站构建到前端实现与上线发布

本文详细介绍了WEB设计专题网站从策划到发布的全流程。主要内容包括:1.网络专题设计(确定主题、编写策划方案、素材搜集整理);2.网站结构构建(设计二级栏目、绘制布局图);3.艺术设计(配色方案、版式设计);4.网页制作(使用Dreamweaver进行标准化布局);5.信息发布(通过Dreamweaver和CuteFTP上传文件、网站维护与备份)。以"学习WEB设计"专题为例,采用框架结构,包含20余个栏目,使用深灰和蓝色为主色调。文章提供了完整的操作步骤和技术要点,适用于网站开发学习者

深耕计算机专业知识与技术。 1536

docker 私有仓库建立;镜像上传下载(正常操作,不展示push pull)、私有仓库镜像删除管理(精炼 ubuntu18.04 v2.x +)

笔者写这篇说明,确实是因为在学习过程参考了太多的笔者笔记,很多误区以及不明确的地方。现在整理如下,希望节约大家学习过程的时间。 重点:必须要建立opt/registry目录 ,以及在 registry 目录下建立配置文件 config.yml 文件(后面细节,config具体内容网上都有) 首先,建立私人仓库,完全一样,直接从远程仓库 docker pull registry(regist...

weixin_42778398的博客 672

31、贝叶斯认知建模与隐马尔可夫模型:理论与应用

本文探讨了贝叶斯认知建模与隐马尔可夫模型(HMM)的理论基础及其在认知科学和神经科学中的应用。重点介绍了贝叶斯定理和HMM的基本原理,并结合实际案例,如情绪识别系统和脑机接口(BCI),展示了它们在处理复杂认知任务中的强大能力。文章还讨论了贝叶斯-HMM模型的技术细节、优势与局限性,以及未来的发展前景。

meat5的博客 142

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

Java私有仓库Nexus搭建(喂奶式教程)

这个就是类似Maven仓库上的搜索功能,就是从私服上查找是否有哪些包。注意:在Search这级是支持模糊搜索的。

WXY888888888的博客 1669

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

ubuntu下docker 私有仓库的建立

一、目的 1.内部使用,涉及的内容不对外开放 2.网络传输速度很快二、仓库环境操作系统:ubuntu 18.04 LTS安装的docker版本:Docker version 18.05.0-ce, build f150324使用ip地址:10.0.0.246三、安装步骤1.安装docker环境官方提供的执行脚本在国内...

weixin_34332905的博客 186

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

【go-zero】ubuntu v20.0 gitee私有仓库 golang v1.8环境 go-zero框架 caddy负载均衡反向代理 测试环境搭建 (更新中)

ubuntu gitee私有仓库 golang v1.8环境 go-zero框架 caddy负载均衡反向代理 测试环境搭建

CTRA®王大大技术中心 732

ubuntu16.04搭建docker私有仓库

ubuntu:16.04 docker:18.06.0 docker仓库服务器:192.168.83.102 docker测试客户端:192.168.83.101 --------------------------------------分割线-------------------------------------- 首先按照官网安装好docker:https://docs...

weixin_30556959的博客 146

docker部署、swarm、私有仓库

新版的 Docker 使用 /etc/docker/daemon.json(Linux) 或者 %programdata%\docker\config\daemon.json(Windows) 来配置 Daemon。请在该配置文件中加入(没有该文件的话,请先建一个):{}

xwnxwn的专栏 535

Java私有仓库Nexus搭建

这个就是类似Maven仓库上的搜索功能,就是从私服上查找是否有哪些包。在Search这级是支持模糊搜索的。

越努力越幸运。 2300

作为web服务器,ubuntu18.04的环境安装

ubuntu作为云服务器系统的环境安装1. 开放端口2. root密码设置3. 安装docker(1)卸载旧版本(2)安装docker4. 建立docker私人仓库1.拉取镜像2.创建宿主机储存目录【/opt/data/registry】:3.配置https权限支持:4.重启docker服务,重启registry服务5. 测试 (你以为这篇文章写的是装那些杂七杂八的Software,不!有了docker还装那些干嘛) 1. 开放端口 入站: 20 21 22 80 443 3389 出站: 443 80 2

weixin_44371346的博客 181

Lunix系统下(Ubuntu)docker搭建基于局域网的私有仓库

在docker实际开发应用中,使用公共docker仓库如(Docker Hub)有不太方便;于是自己开始研究搭建基于局域网的docker仓库; 相比于公共仓库而言其优势如下: 1.公共仓库占用网络资源大,一旦网络带宽有限镜像的上传(push)和下载(pull)收到比较大的影响,局域网的私有仓库没有该限制; 2.必须依赖公共网络(外网),而局域网中的私有仓库不受该限制; 环境准备:     两台装有docker的Ubuntu系统环境      虚拟机一:10.10.181.108用作私有仓库。dock.

似水流年 544

Ubuntu18.04下使用Docker Registry快速搭建私有镜像仓库

1、背景 在 Docker 中,当我们执行 docker pull xxx 的时候,可能会比较好奇,Docker 会去哪儿查找并下载镜像呢? 它实际上是从 registry.hub.docker.com 这个地址去查找,这就是Docker公司为我们提供的公共仓库,上面的镜像,大家都可以看到,也可以使用。所以,我们也可以带上仓库地址去拉取镜像,如:docker pull registry.hub.d...

BigData_Mining的博客 3578

[转]Ubuntu18.04下使用Docker Registry快速搭建私有镜像仓库

本文转自:https://blog.youkuaiyun.com/BigData_Mining/article/details/88233015 1、背景 在 Docker 中,当我们执行 docker pull xxx 的时候,可能会比较好奇,Docker 会去哪儿查找并下载镜像呢? 它实际上是从 registry.hub.docker.com 这个地址去查找,这就是Docker公司为我们提供的公共仓...

weixin_30435261的博客 172

Docker本地私有仓库搭建配置指导

安装完docker后会生成一个docker0的网卡和br-x开头的网桥,从外部访问容器内部时只需要访问宿主机的地址和对应的容器映射的地址,访问的数据包到宿主机上后经过ip包解析后通过目的port和iptables的规则会将数据包由eth0网卡转发至网桥上的docker0上进行下一步路由。所以如果容器的宿主机上的ip_forward未打开,那么该宿主机上的容器则不能被其他宿主机访问;注:不要在已有业务的生产环境主机搭建,因为过程需要重启docker,这对生产来说是不允许的。

企业实战系列集 ●●● https://ximenjianxue.blog.youkuaiyun.com 4076
上一篇: 光场成像的历史与发展
下一篇: Ubuntu18-git 码云远端库 多人协作方式过程 pull request等
元宇宙MetaAI
博客等级 码龄10年 331粉丝 333原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值