Rally压测deployment check输出为空

本文探讨使用Rally进行压测时,通过json文件创建deployment遇到的问题及解决方法。原先使用json文件创建的deployment虽能成功,但check输出为空。通过调整json文件格式至最新版,问题得以解决,输出恢复正常。

Rally压测用json文件创建deployment的时候,发现deployment创建可以成功,但是check输出为空,如之前博客里提到的,我用环境变量创建deployment一切正常,考虑到可能是版本的问题,之前用的文件格式是老版本的,在github上看到官方提供的existing-with-predefined-users.json文件,其链接如下:https://github.com/openstack/rally-openstack/blob/master/samples/deployments/
下面是我用的其中的json文件内容,两个username都是提前在租户admin下面创建好的:

  {
    "openstack": {
        "auth_url": "http://192.168.24.19:35357/v3",
        "region_name": "RegionOne",
        "endpoint_type": "public",
        "admin": {
            "username": "admin",
            "password": "123456",
            "tenant_name": "admin"
        },
        "users": [
            {
                "username": "x1",
                "password": "123456",
                "tenant_name": "admin"
            },
            {
                "username": "x2",
                "password": "123456",
                "tenant_name": "admin"
            }
        ]
    }
}

用json文件创建deployment:

rally deployment create --file=existing.json --name=test

验证结果:

rally deployment check

发现输出一切正常了:
在这里插入图片描述

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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