FISCO BCOS AND Ubuntu 系列 01-平台搭建

Ubuntu环境下搭建区块链FISCO BCOS节点和WeBASE 说明:1.搭建的是webase-deploy并不是webase-front2.根据本文档由于ubuntu版本的不同,可能会造成一些小的问题发生,自行解决如:java环境变量;数据库权限、密码等。 阅读详情

FISCO BCOS AND Ubuntu-01.搭建平台

在这里插入图片描述

搭建FISCO BCOS 平台

01.安装依赖

sudo apt install -y openssl curl

02.创建一个目录用与存放FISCO BCOS

#可以提前创建好
mkdir -p fisco && cd fisco

03.下载脚本

#下载链接 01
curl -#LO https://github.com/FISCO-BCOS/FISCO-BCOS/releases/download/v2.9.0/build_chain.sh && chmod u+x build_chain.sh

#下载链接 02 备用链接
curl -#LO https://osp-1257653870.cos.ap-guangzhou.myqcloud.com/FISCO-BCOS/FISCO-BCOS/releases/v2.9.0/build_chain.sh && chmod u+x build_chain.sh

04.单群组4节点联盟链

#非国密版本请执行 
bash build_chain.sh -l 127.0.0.1:4 -p 30300,20200,8545

#国密版本请执行 
bash build_chain.sh -l 127.0.0.1:4 -p 30300,20200,8545 -g -G

05.启动链

#启动链
bash nodes/127.0.0.1/start_all.sh

#停动链
bash nodes/127.0.0.1/stop_all.sh

#查看是否启动
ps -ef | grep -v grep | grep fisco-bcos

06.配置和使用控制台

#查看控制台版本
./start.sh --version

#安装Java 官方文档推荐使用14 我这边装的是11
sudo apt update
sudo apt install openjdk-11-jdk

#获取控制台 在存放链的地址获取控制台 链接01
curl -#LO https://gitee.com/FISCO-BCOS/console/raw/master-2.0/tools/download_console.sh && bash download_console.sh

# 最新版本控制台使用如下命令拷贝配置文件
cp -n console/conf/config-example.toml console/conf/config.toml

# 配置控制台证书
cp -r nodes/127.0.0.1/sdk/* console/conf/

#启动并使用控制台 在console目录下
cd /console && bash start.sh

下载控制台备用链接

curl -LO https://github.com/FISCO-BCOS/console/releases/download/v2.9.0/download_console.sh && bash download_console.sh

到目前位置 一个FISCO BCOS 平台 就已经搭建好了
本文 笔记
https://download.youkuaiyun.com/download/CodeWYX/85459576

拓展知识

玩转控制台

此教程是一个系列教程有需要的可以关注一下
一键部署WeBase-FISCO-BCOS联盟链管理平台 文章目录一键部署前置条件实际使用环境一、环境安装(ubuntu18.04)1、Java安装及环境变量配置2、Mysql的安装及配置3、python配置PyMySQL部署(Python3.4+)二、拉取webase部署脚本修改webase配置三、部署webase四、访问webase五、日志路径六、webase-front配置设置 一键部署 一键部署会搭建:节点(FISCO-BCOS 2.0)、管理平... 阅读详情

相关推荐

FISCO BCOS 3.0【01】搭建第一个区块链网络

官方技术文档:https://fisco-bcos-doc.readthedocs.io/zh-cn/latest/index.html我们在官方技术文档的基础上,进行,对文档中一些不清楚的地方进行修正本节以搭建单群组FISCO BCOS链为例操作,使用开发部署工具build_chain.sh脚本在本地搭建一条Air版本的4节点的FISCO BCOS链,以Ubuntu 18.04 64bit系统为例操作。

总要有点可以骄傲的东西 1000

sudo apt install -y curl openssl wget

因为得不到系统更新锁而出现”E: 无法获得锁 /var/lib/dpkg/lock-frontend - open (11: 资源暂时不可用)”错误提示!因此,要将原先的apt-get进程杀死,从新激活新的apt-get进程,就可以让软件管理器正常工作了!而导致资源被锁的原因,可能是上次安装时没正常完成,而导致出现此状况。再试,若没用再采用另一种方法。

weixin_43920478的博客 444

SpringBoot对接FISCO BCOS区块链开发实战:Ubuntu部署与Tape配置详解

区块链后端开发本质上是高安全要求的Java Web服务工程,其核心在于将联盟链作为可信数据源接入企业级技术栈。SpringBoot凭借成熟的生态和FISCO BCOS官方Java SDK深度集成能力,成为政务、金融等国产化场景的首选框架;Tape作为SDK底层通信抽象层,直接决定链节点连接稳定性与TLS握手成功率;而Ubuntu 22.04 LTS因内核兼容性、国密算法支持及生产环境可复现性,被确立为FISCO BCOS推荐部署系统。本文聚焦真实产业交付中的链连接、合约调用、PDF安全生成、大文件上传、静态

weixin_33875839的博客 476

FISCO BCOS区块链搭建说明(第一篇)

FISCO BCOS链搭建

曹俊的博客 2095

【区块链】 节点前置服务部署

WeBASE-Front 是和 FISCO BCOS 节点配合使用的一个子系统,可通过HTTP请求和节点进行通信。另外,具备可视化控制台,可以在控制台上查看交易和区块详情,开发智能合约,管理私钥并对节点健康度进行监控和统计。

2301_81317994的博客 1132

FISCO BCOS(十九)———新开虚拟机在搭建区块链平台时的部分问题及解决办法

4、无法解析域名 "cn.archice.ubuntu.com"问题(加入dns域名解析)3、ubuntu远程连接的问题。1、新开虚拟机的密码认证问题。

林中有神君 1541

FISCO BCOS搭链最全教程(Ubuntu)

一、搭链单机单群组4节点的链1.准备环境创建fisco目录2.下载安装脚本build_chain.sh常用的build_chain.sh命令build_chain.sh直接输入会报错,因为没给入实际参数build_chain.sh -l # 指定使用的ip及其节点数build_chain.sh -p # 指定使用的起始端口号。

yueyue763184的博客 9142

FISCO BCOS 六、通过Caliper进行压力测试程序(及常见问题)

同时在测试样例中,Caliper测试脚本会使用docker在本地自动部署及运行4个互连的节点组成的链,因此测试人员无需手工搭链及编写测试用例便可直接运行这些测试样例。:用于指定需要测试的区块链平台,即受测系统(***S***ystem ***u***nder ***T***est);:用于指定测试配置文件,测试配置文件中包含测试的具体参数,如交易的发送方式、发送速率控制器类型、性能监视器类型等;由于Caliper采用了轻量级的部署方式,因此需要显式的绑定步骤指定要测试的平台及适配器版本,

qq_63235624的博客 3195

搭建第一个区块链网络(Fisco-Bcos),启动并使用控制台

输出下述信息表明启动成功 否则请检查conf/config.toml中节点端口配置是否正确。输出结果如下,正常情况会不停地输出连接信息,从输出可以看出node0与另外3个节点有连接。输出结果如下,如果进程数不为4,则进程没有启动(一般是端口被占用导致的)HelloWorld合约提供两个接口,分别是。输出结果如下,正常情况会不停输出。,用于获取/设置合约变量。

m0_72435337的博客 3812

大模型量化技术全解析:从INT8到GPTQ/AWQ,降低部署成本实战指南

模型量化是一种通过降低神经网络权重和激活值的数据精度(如从FP16降至INT8/INT4),从而大幅减少模型内存占用和计算开销的核心模型压缩技术。其原理基于线性变换,将高精度浮点数映射到低精度整数表示,在硬件层面能利用专用低精度计算单元实现显著加速。这项技术的核心价值在于解决了大模型(如千亿参数LLM)部署时面临的高昂显存成本和推理延迟问题,使其能在消费级GPU和边缘设备上高效运行。当前,后训练量化(PTQ)因其无需重新训练的特性成为主流,衍生出GPTQ、AWQ、SmoothQuant等多种方法,广泛应用于

weixin_33804582的博客 635

StarRocks慢查询排查实战:从Query Plan到Profile的保姆级调优指南

本文提供StarRocks慢查询排查的实战指南,从Query Plan解析到Profile诊断,详细讲解如何识别执行计划中的危险信号和优化关键指标。通过物化视图优化、分布式执行调整和资源管控方案,帮助DBA快速定位并解决查询性能问题,提升数据库效率。

weixin_42568801的博客 379

副队长大数据教程(1)--大数据概述

大数据是处理海量、多样、高速且低价值密度数据的技术体系,核心在于采集、存储、清洗与分析。其四大特征(4V)定义了现代数据挑战。随着云计算与AI融合,大数据已广泛应用于金融、医疗、工业等领域。2026年人才需求趋向两极分化,复合型人才(掌握实时计算、云原生、数据治理与基础AI)更受青睐,企业亟需兼具技术与业务理解的高端人才。学习应重实践,动手搭建环境方能真正掌握分布式处理逻辑。

编程副队长 6823

双重机器学习 stata教程 手把手教学

双重机器学习(DDML)的stata教程

weixin_59030591的博客 1万+

Ubuntu 20.04 搭建 Fisco-BCOS 2.8.0 区块链系统

0. 摘要 本文根据 Fisco-BCOS 及 Webase 官方文档,就安装过程做了详细描述。针对官方文档中一些不清楚的地方,做了补充,方便新手搭建。 1. 准备工作 1.1 系统: Ubuntu 20.04.3 Desktop / Server Fisco-BCOS 2.8.0 1.2 虚拟机配置: 硬件推荐配置 实际配置 CPU 2.4GHz * 8核 8核 内存 8GB 12GB 存储 4TB 128GB 网络带宽 10Mbps 1000Mbps 2. 搭建单群组F

J.M.C 的博客 1万+

高分系列卫星轨道、传感器参数等信息

遥感卫星数据简介-高分系列

中遥科 3310

解决:Solving environment: failed CondaValueError: Malformed version string ‘~‘: invalid character(s).

解决:Solving environment: failed CondaValueError: Malformed version string '~': invalid character(s).

晚风微凉的博客 1万+

FISCO BCOS 3.0 (pro版) 搭建

本文围绕 FISCO BCOS 3.0 (pro版) 的搭建,总结了版本建议与搭建过程中常见的问题,致力于帮助初学者顺畅的完成搭建。

2401_88477996的博客 597

工程师必看:如何用功率谱密度搞定随机振动测试(附Grms计算实例)

本文为工程师详解如何通过功率谱密度(PSD)曲线计算Grms(总均方根加速度),从而量化随机振动测试的强度。文章拆解了平直谱、斜谱的计算公式,提供了完整的Grms计算实例,并指出了单位换算、对数坐标等常见工程陷阱,帮助工程师精准完成测试准备与设备推力评估。

3c4x5z6v7b的博客 630

第一章、搭建区块链网络(ubuntu 18.04/FISCO BCOS)-JAVA

系统版本 名称 版本 Ubuntu 18.04 第一步、安装依赖 因为开发部署工具 build_chain.sh 脚本会依赖于 openssl、curl 所以需要安装,命令如下: sudo apt install -y openssl curl

kknacl的博客 6613

【VoxCPM2】在Windows上从零搭建VoxCPM2 语音生成和语音克隆AI算法

建议你了解清楚VoxCPM2,再来考虑是否需要自己在本地搭建。

AnChenliang_1002的博客 760

(建议收藏)2024最新 URL Scheme大全APP跳转界面地址更新中 ios快捷指令快捷方式链接跳转微信小程序必备autojs可用免root (可定制开发和提取URL Scheme 参数提取)

(建议收藏)2024最新 URL Scheme大全APP跳转界面地址更新中 ios快捷指令快捷方式链接跳转微信小程序必备autojs可用免root (可定制开发和提取URL Scheme 参数提取)

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 1万+

Fisco BCOS 测试文档

    环境:使用虚拟机:VMware Workstation Pro 系统镜像:ubuntu-16.04.4-desktop-amd64 配置:40G硬盘 2G运存 1.激活root账号 sudo passwd root //ubuntu默认是root没有未启用,需要对root进行设置密码来激活它 2.安装Vim(写程序的比较方便的软件) sudo apt-get inst...

Rcvisual的博客 2605

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

Ubuntu20搭建bcos

Ubuntu20搭建bcos

little_star007的博客 227

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

FISCO BCOS+SpringBoot+Ubuntu国赛区块链后端实战指南

区块链后端开发是面向联盟链场景的工程实践能力,核心在于国产可控框架的快速集成与稳定交付。FISCO BCOS作为通过国家网信办备案的国产联盟链,提供完善的Java SDK和SM国密支持;SpringBoot凭借自动配置与REST API开箱能力,显著降低工程初始化成本;Ubuntu 22.04 LTS则以稳定的内核、丰富的apt源和清晰的错误提示,成为国赛指定的首选Linux环境。三者组合构成‘可验证、可部署、可评分’的闭环技术栈,广泛应用于技能大赛、政务链、金融存证等需自主可控与快速落地的领域。本文聚焦该

weixin_33768481的博客 517

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")

【学习笔记01】从虚拟机安装到Fisco Bcos Docker部署

从虚拟机安装到Fisco Bcos Docker部署

NoNeowL的博客 1684
上一篇: SpringBoot_RestTemplate的使用
下一篇: 微服务日志从0到1-----第一章初识微服务
CodeWYX
博客等级 码龄5年 350粉丝 14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

打赏作者

CodeWYX

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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