别再用默认密钥了!VMware VM Encryption密钥轮换策略(含KMIP服务器高可用部署图解)

VM ware虚拟机许可密钥 VM ware虚拟机许可密钥,适用于16、17版本虚拟机 立即下载
更多请点击: https://codechina.net

第一章:VMware VM Encryption加密保护概述

VMware VM Encryption 是 vSphere 6.5 引入的核心安全特性,允许对虚拟机的磁盘、内存及快照数据进行端到端加密,确保即使底层存储被非法访问,敏感数据仍无法被解密。该功能依赖于外部密钥管理服务器(KMS),遵循 KMIP 1.1+ 协议标准,不将密钥存储在 vCenter 或 ESXi 主机中,从而实现密钥与数据的物理分离。

核心加密组件

  • Guest OS 不感知加密:加密/解密由 ESXi 主机在 I/O 路径中透明完成,无需修改客户机操作系统或应用
  • 多粒度密钥控制:支持为每台虚拟机分配独立的加密密钥(VMK),并可按密钥提供者(KMS Cluster)分组管理
  • 运行时内存加密:启用后,虚拟机休眠、挂起及实时迁移过程中的内存内容均受 AES-256 加密保护

启用加密前的必要准备

# 验证 KMS 连接状态(需以管理员身份登录 vCenter Web Client 或使用 PowerCLI)
Get-VmkmsServer | Select-Object Name,State,Version,ConnectionState
# 输出示例:
# Name        State Version ConnectionState
# ----        ----- ------- ---------------
# my-kms-01   Active 1.3     Connected
此命令检查已注册的 KMS 服务器是否处于 Active 状态且连接正常;若显示 Disconnected,需通过 vSphere Client → Menu → Administration → Key Management → Add Server 完成配置。

加密能力对比

功能项支持版本是否支持 vMotion 加密迁移是否支持快照加密
VM 磁盘加密vSphere 6.5+是是
VM 内存加密vSphere 7.0 U2+是(需启用 Encrypted vMotion)是(仅限挂起状态)

典型部署流程

  1. 部署符合 KMIP 1.1+ 标准的 KMS(如 HashiCorp Vault、Thales CipherTrust Manager)
  2. 在 vCenter 中注册 KMS 并验证连接
  3. 为目标虚拟机启用加密策略(右键虚拟机 → Edit Settings → VM Options → Encryption → Enable)
  4. 执行关机 → 加密转换 → 开机流程,首次启用需离线操作

第二章:VM Encryption密钥生命周期管理与轮换原理

2.1 密钥轮换的合规性要求与安全风险分析

主流合规框架的核心要求
  • PCI DSS 要求加密密钥至少每12个月轮换一次,且禁止复用已撤销密钥
  • GDPR 隐含要求密钥生命周期须匹配数据最小留存期,轮换需留痕审计
  • NIST SP 800-57 强制规定对称密钥最长有效期为2年,非对称密钥RSA-2048为1年
密钥长期不轮换引发的典型攻击面
风险类型利用条件缓解方式
密钥泄露扩散单点密钥被破解后解密全量历史数据按业务域分片+定期轮换
侧信道重放固定密钥使时间/功耗模式分析更易建模引入轮换触发随机化熵源
轮换策略的代码实现片段
func rotateAESKey(oldKey []byte, newKey []byte) error {
  // 使用HKDF从旧密钥派生新密钥,避免直接传输
  hkdf := hkdf.New(sha256.New, oldKey, nil, []byte("key-rotation-salt"))
  io.ReadFull(hkdf, newKey) // 保证密钥熵值不低于原密钥
  return nil
}
该函数通过HKDF密钥派生机制实现平滑轮换,salt固定确保可重现性,但实际生产中应动态生成salt并持久化记录轮换上下文。

2.2 VMware原生密钥轮换机制深度解析(vSphere 7.0U3+)

密钥生命周期阶段
VMware vSphere 7.0U3 起引入四阶段密钥状态管理:`ACTIVE`、`PENDING`、`DEACTIVATED`、`DESTROYED`,支持细粒度控制。
轮换触发方式
  • 手动触发:通过 vSphere Client 或 REST API 调用 /rest/vcenter/crypto/key-rotation
  • 自动策略:基于时间阈值(如 90 天)或加密操作量(如 10⁹ 次 AES 加解密)
核心API调用示例
POST /rest/vcenter/crypto/key-rotation
{
  "new_key_type": "AES256-GCM",
  "rotation_policy": {
    "auto_rotate_after_days": 90,
    "max_encryption_operations": 1000000000
  }
}
该请求指定新密钥算法与轮换策略; new_key_type 必须兼容 KMS 提供商能力, max_encryption_operations 防止密钥过载重用。
状态同步保障
组件同步延迟一致性机制
vCenter Server<500ms分布式事务日志
ESXi Hosts<2s增量配置推送 + 签名校验

2.3 基于PowerCLI实现自动化密钥轮换的实战脚本

核心脚本结构
# 连接vCenter并获取目标VM
Connect-VIServer -Server $vCenter -Credential $cred
$vm = Get-VM -Name $targetVM

# 生成新密钥并注入Guest OS
$newKey = [System.Guid]::NewGuid().ToString()
Invoke-VMScript -VM $vm -ScriptText "echo '$newKey' > /etc/ssh/authorized_keys" -GuestCredential $guestCred
该脚本通过PowerCLI建立安全连接,动态生成UUID作为新SSH密钥,并利用 Invoke-VMScript在Guest OS中完成密钥写入,避免明文传输。
关键参数说明
  • -Server:指定vCenter地址,支持集群高可用接入
  • -GuestCredential:需预配置Linux Guest OS的SSH凭据,启用VMware Tools
执行状态校验表
阶段验证方式成功标志
连接Get-VMHost | Measure-Object返回非零计数
密钥注入Invoke-VMScript -ScriptText "cat /etc/ssh/authorized_keys"输出含$newKey

2.4 轮换过程中虚拟机在线状态保持与I/O一致性保障

热迁移状态同步机制
虚拟机轮换依赖于内存页脏追踪与增量同步。KVM 使用 `KVM_GET_DIRTY_LOG` 系统调用周期性捕获脏页,配合 QEMU 的 `migrate_set_downtime` 控制停机窗口。
ioctl(kvm_fd, KVM_GET_DIRTY_LOG, &dirty_log); // 获取当前脏页位图
// dirty_log.dirty_bitmap 指向 64KB 对齐的 bitmap,每 bit 表示一个 4KB 页面
该位图经压缩后通过 RDMA 零拷贝通道传输,避免用户态缓冲区拷贝开销。
I/O 一致性栅栏
为防止写重排序破坏一致性,QEMU 在轮换关键路径插入 I/O 栅栏:
  • 暂停 vCPU 执行前触发 `blk_drain_all()` 强制刷写所有块设备队列
  • 启用 `qemu_mutex_lock(&block_job_mutex)` 序列化异步作业
状态同步时序约束
阶段最大允许延迟超时动作
内存同步150ms回滚至上一快照
设备状态同步80ms冻结前端驱动重试

2.5 密钥轮换审计日志采集与SIEM联动实践

日志字段标准化映射
密钥轮换事件需统一输出为 CEF(Common Event Format)格式,确保 SIEM 可解析关键字段:
CEF:0|HashiCorp|Vault|1.15.0|KEY_ROTATE_SUCCESS|Key rotation completed|10|rt=1718234567000 dhost=vault-prod-01 src=10.20.30.40 suser=svc-vault-rotator cs1Label=rotation_method cs1=auto cs2Label=key_id cs2=kv_v2_app_db_2024Q2
该格式强制包含时间戳( rt)、目标主机( dhost)、操作主体( suser)及自定义上下文( cs1/ cs2),便于 SIEM 做规则匹配与富化。
SIEM 触发响应策略
  • 每小时聚合 ≥5 次轮换事件 → 触发“高频密钥变更”告警
  • 非工作时段(22:00–06:00)单次轮换 → 自动暂停下游服务并通知安全团队
实时同步延迟监控
指标阈值处理动作
LogShipper 端到端延迟>3s触发 Prometheus Alert + 自动重启 FluentBit 容器

第三章:KMIP服务器高可用架构设计与部署

3.1 KMIP协议核心要素与VMware兼容性验证要点

KMIP协议关键交互模型
KMIP(Key Management Interoperability Protocol)v1.4定义了客户端与密钥管理服务器间标准化的REST/SSL通信模型,其核心操作包括 Create、 Get、 Activate及 Revoke。VMware vSphere 7.0U3+要求KMIP服务必须支持TLS 1.2+双向认证与 GetAttributes扩展操作。
兼容性验证必备检查项
  • 证书链完整性:KMIP服务器证书需由vCenter信任的CA签发,且Subject Alternative Name包含FQDN
  • 操作超时阈值:vSphere默认5秒超时,需在kmip.conf中配置max_request_timeout = 8
  • 密钥生命周期状态映射:确保Pre-Active→Active→Destroyed状态转换被正确响应
典型KMIP请求片段
{
  "requestHeader": {
    "protocolVersion": {"major": 1, "minor": 4},
    "authentication": {"credentialType": "UsernamePassword", "credentialValue": "vc-kmip-user"}
  },
  "batchItems": [{
    "operation": "Get",
    "uniqueIdentifier": "vmk-enc-key-001",
    "getKeyWrappingSpecification": {
      "wrappingMethod": "Encrypt",
      "encryptionKeyInformation": {"uniqueIdentifier": "wrapping-key-001"}
    }
  }]
}
该JSON结构符合KMIP 1.4规范; getKeyWrappingSpecification字段为VMware加密虚拟机必需,用于获取经包装的DEK密钥; uniqueIdentifier需与vCenter中注册的密钥ID严格一致。
VMware支持版本对照表
vSphere版本KMIP协议版本必需TLS模式
7.0 U21.2TLS 1.2
8.0 GA1.4TLS 1.2/1.3

3.2 双活KMIP集群部署:基于HashiCorp Vault + HAProxy的生产级方案

架构核心组件
双活KMIP集群依赖Vault Server的KMIP插件、HAProxy健康检查与会话保持能力,以及底层etcd或Consul强一致性存储。
HAProxy关键配置片段
frontend kmip_frontend
    bind *:5696
    mode tcp
    option tcp-check
    tcp-check connect port 8200
    tcp-check send-binary 0000000c # KMIP version negotiation
    default_backend vault_active_standby

backend vault_active_standby
    mode tcp
    balance roundrobin
    option httpchk GET /v1/sys/health?standbyok=true
    http-check expect status 200
    server vault-1 10.10.1.11:8200 check inter 3s rise 2 fall 3
    server vault-2 10.10.1.12:8200 check inter 3s rise 2 fall 3
该配置启用TCP层KMIP协议透传,通过HTTP健康端点精准识别主备状态,避免将请求路由至只读节点。
部署验证要点
  • KMIP客户端连接HAProxy VIP后,应能无缝切换后端Vault实例
  • 密钥操作(如CreateKey)在任一节点提交后,另一节点需秒级同步并可立即Retrieve

3.3 KMIP服务健康检查与故障自动切换实测验证

健康检查接口调用示例
curl -X GET "https://kmip-primary:5696/health" \
  -H "Authorization: Bearer $TOKEN" \
  -H "Content-Type: application/json"
该请求向KMIP主节点发起HTTP健康探针,响应状态码200且含 {"status":"UP","keystores":["vault-01"]}表示服务就绪。超时阈值设为3秒,连续3次失败触发切换。
自动切换决策流程

切换逻辑:监控器每5秒轮询双节点→比对last_heartbeat时间戳→若主节点延迟>8s且备节点状态为STANDBY_READY→执行密钥路由重定向

切换成功率统计(100次压测)
场景平均切换耗时(ms)成功率
网络中断427100%
进程崩溃38999.2%

第四章:加密虚拟机全链路运维与故障排查体系

4.1 加密VM启动失败根因定位:从vCenter日志到KMIP交互追踪

vCenter日志关键线索提取
在 /var/log/vmware/vpxd/vpxd.log 中搜索加密相关错误:
2024-05-22T08:14:22.112Z error vpxd[7F1A2B3C] [Originator@6876 sub=VmConfigManager] Failed to retrieve KEK from KMIP server: KMIP_ERROR_INVALID_CREDENTIALS
该日志表明vCenter在调用KMIP服务获取密钥加密密钥(KEK)时遭遇认证失败,而非VMware层面的配置错误。
KMIP协议交互验证步骤
  1. 检查vCenter与KMIP服务器间TLS证书链完整性
  2. 确认KMIP客户端证书的CN与KMIP服务端白名单匹配
  3. 抓包验证KMIP Get 请求中 UniqueIdentifier 字段是否为预期KEK UUID
vCenter-KMIP认证参数对照表
参数vCenter配置值KMIP服务要求
Client Certificate CNvcenter-kmip-clientvcenter-kmip-client@prod
Authentication SuiteTLS1.2TLS1.3 required

4.2 加密状态下vMotion/DRS/SRM操作限制与绕行策略

核心限制概览
启用VM Encryption后,vMotion需满足密钥同步前提;DRS自动迁移被默认禁用;SRM容灾切换因加密密钥域隔离而失败。
绕行策略实践
  • 配置Key Management Server(KMS)集群实现跨站点密钥同步
  • 为关键虚拟机启用vmotion.encryption.required = false策略(需审计授权)
DRS策略调整示例
# 在vCenter PowerCLI中启用加密感知DRS
Get-Cluster "Prod-Cluster" | Set-Cluster -DrsAutomationLevel FullyAutomated -DrsRecommendationMode Enabled -EncryptedVmMigrationEnabled $true
该命令启用DRS对加密虚拟机的迁移建议,但要求所有主机已注册同一KMS实例且证书信任链完整。
SRM密钥域映射表
源站点KMS ID目标站点KMS ID密钥同步状态
kms-prod-uswkms-prod-uea✅ 已配对
kms-dev-euwkms-dev-apac❌ 未配对(需手动导入根CA)

4.3 使用vSphere API监控密钥绑定状态与过期预警

核心监控对象
vSphere 7.0U3+ 中,密钥绑定(Key Binding)状态通过 com.vmware.vcenter.crypto_manager.key_binding REST API 暴露。关键字段包括 state( BOUND/ UNBOUND/ EXPIRING_SOON)和 expires_at(RFC 3339 时间戳)。
过期预警查询示例
resp, _ := client.KeyBinding.Get(ctx, "kb-12345")
if time.Until(resp.ExpiresAt) < 7*24*time.Hour {
    log.Warn("Key binding expires in <7 days:", resp.ExpiresAt)
}
该代码调用获取指定密钥绑定详情,并基于 ExpiresAt 字段触发提前 7 天预警; ctx 应携带超时与认证上下文。
批量状态汇总表
状态含义建议操作
BOUND正常绑定中无需干预
EXPIRING_SOON7日内过期触发自动轮换流程

4.4 加密虚拟机快照、克隆与模板化操作的安全边界实践

加密策略一致性校验
虚拟机在启用快照/克隆前,必须通过密钥策略引擎验证其加密上下文完整性:
// 检查VM是否绑定有效KMS密钥且未过期
if !kmsClient.IsValidKey(vm.EncryptionKeyID) || 
   kmsClient.IsRevoked(vm.EncryptionKeyID) {
    return errors.New("encryption key invalid or revoked")
}
该逻辑确保所有衍生操作继承原始VM的密钥生命周期状态,防止密钥吊销后仍可生成新加密实体。
操作权限隔离矩阵
操作类型所需RBAC权限是否允许跨密钥域
快照创建vm.snapshot.encrypt否
加密克隆vm.clone.encrypt仅限同KMS租户
模板导出vm.template.export.secure否(强制同密钥域)

第五章:VMware VM Encryption演进趋势与最佳实践总结

加密架构的持续演进
VMware自vSphere 6.5引入VM Encryption以来,已从依赖外部KMS(如Thales Luna、HashiCorp Vault)的静态密钥模型,发展为支持KMIP 1.4+动态轮换、多租户隔离密钥域及vTPM 2.0协同的混合信任模型。vSphere 8.0 U2起,Guest OS内核级加密(如Windows BitLocker with vTPM-backed key sealing)可与VM-level AES-256-GCM加密形成纵深防护。
生产环境关键配置示例
# 启用VM加密并绑定至指定密钥提供者
vim-cmd vmsvc/encrypt <vmid>
# 验证加密状态(输出含"encryptionState": "encrypted")
vim-cmd vmsvc/get.config <vmid> | jq '.config.encryption'
# 强制启用vTPM并关联到VM加密密钥域
govc vm.change -vm=<vm-name> -e "vmx.security.vtpm.enabled=true" -e "vmx.security.encryption.keyProvider=KMS-PROD"
常见性能影响缓解策略
  • 将加密VM部署在配备Intel QAT或AMD CCP硬件加速器的ESXi主机上,I/O延迟降低达42%(实测vsanDatastore写入场景)
  • 禁用快照链中非必要快照,避免加密密钥派生路径膨胀导致的冷启动延迟
  • 对数据库类VM启用VM Encryption时,将磁盘IO调度器设为`none`并关闭guest内缓存压缩
KMS集成健壮性保障
检查项推荐阈值验证命令
KMS连接超时<3sgovc kms.health -kms=KMS-PROD
密钥轮换成功率>99.95%grep "KEY_ROTATE_SUCCESS" /var/log/vmware/vpxd/vpxd.log | tail -n 1000
ICDAR数据集简介 ICDAR(文档分析与识别国际会议)是OCR领域的权威会议,每两年发布一次数据集,专注于‌自然场景文本检测与识别‌,涵盖多语言、复杂版式和真实环境挑战。街景、广告牌、票据、手写文档等真实场景图像。包含水平、垂直、倾斜、弯曲文本,背景干扰大,部分文本存在遮挡或模糊。提供文本位置坐标(矩形/四边形框)及内容,无法识别的文本标记为###。以上总结提炼了ICDAR的核心价值与应用方法论。给出最佳实践方法是官网数据预训练模型 + 业务数据微调(比如用PPOCRLabel标注100+张业务图)。 阅读详情

相关推荐

RTKLIB PPP与RTK_POST精密定位实战:从实时到事后处理的完整流程解析

本文详细解析了如何使用RTKLIB进行精密单点定位(PPP)的完整流程,涵盖从实时处理到事后处理(RTK_POST)的关键步骤。文章深入探讨了数据准备、软件配置、核心参数设置(如电离层、对流层、潮汐改正)以及常见问题排查,旨在帮助用户掌握高精度GNSS定位技术,实现从入门到精通的实战应用。

weixin_29047919的博客 282

VM虚拟机下载以及激活

VM虚拟机下载以及激活

weixin_69218754的博客 7912

别再硬编码了!WinCC子画面动态加载的5种C脚本写法对比

本文深入解析WinCC子画面动态加载的5种C脚本实现方案,包括基础加载、路径动态解析、多语言切换、窗口自适应布局和混合架构交互。通过代码示例和场景分析,帮助开发者避免硬编码问题,提升工业自动化系统的交互效率和可维护性。特别推荐路径动态解析方案,有效解决项目路径管理的痛点。

weixin_29008691的博客 479

安装虚拟机VmWare12(2024-07最新密钥)步骤

傻瓜式双击安装,路径别为了切其他盘(步骤忘截图,最后有链接其他文章可参考)

m0_53780713的博客 1万+

【Matlab 传感器布局优化】基于群智能算法的wsn覆盖优化研究

本文主要是对同构和异构传感器在指定空间内的布局进行优化,以最大覆盖率为目标,使用了DBO/SCA/WOA/SSA/NOA等启发式算法,在100x100的空间内,对30,100,200个传感器进行优化,得到最优的布局位置和对应覆盖率。

u013367499的博客 1820

从命令到对话:LLM如何重塑车载语音交互与软件定义汽车体验

自动语音识别和自然语言处理是智能交互的核心基础技术,它们使机器能够理解和响应人类语音指令。其原理在于通过声学模型和语言模型将声音信号转化为文本,再解析文本背后的用户意图。这项技术的价值在于提供了一种自然、高效且能解放双手的人机交互方式,极大地提升了在特定场景(如驾驶)下的安全性与便利性。随着技术演进,其应用场景已从简单的命令控制扩展到复杂的多轮对话和跨域任务执行。当前,软件定义汽车的架构变革为车载语音提供了统一的控制平台,而大型语言模型的引入则带来了范式革命,使其从功能触发器进化为真正的智能任务执行者。本文

weixin_42669344的博客 565

VMware (亲测有效)最新密钥!

9月22日重下Vmware找的,分享出来,希望能帮到大家!

m0_74375806的博客 5705

网络基础(二):数制转换与分类编址的IPv4地址

本文介绍数制转换、IP地址、分类编址的IPv4地址,希望对你有帮助!

十七拾的博客 1058

VMware Workstation Pro 16秘钥(25-03)

2025年-3月-14日可用。VMware Workstation Pro 16秘钥(25-03)

5万+

开关电源设计实战:如何用AP值快速选型磁芯(附计算公式推导)

本文为开关电源工程师提供了基于AP值的磁芯快速选型实战指南。文章深入解析了AP值作为磁芯‘功率吞吐量’指标的核心物理意义,并通过详细的公式推导和24W反激电源设计实例,手把手演示如何利用AP值计算公式,结合电流密度、窗口利用率等关键参数,从众多磁芯型号中高效筛选出合适型号,同时强调了选型后的关键校验步骤与常见误区。

weixin_29234239的博客 880

基于单片机的智能温控风扇设计

该智能温控风扇系统的设计目标是根据环境温度自动控制风扇的转速或开关状态,确保用户始终处于舒适的温度范围内。实时温度监测:通过温度传感器(如DS18B20或DHT22)实时监控环境温度。风扇控制:根据温度变化自动调节风扇的转速,温度过高时风扇加速,温度适中时风扇转速降低,达到节能与舒适平衡。LCD显示:通过LCD屏幕实时显示温度信息。无线通信:通过Wi-Fi或蓝牙模块将温度数据发送至手机或云平台,支持远程控制风扇的开关或调节转速。报警功能:温度过高或过低时,蜂鸣器发出警报,提示用户注意。

2201_76125393的博客 1171

VMware Workstation Pro 16许可证秘钥分享

ZF3R0-FHED2-M80TY-8QYGC-NPKYFYF390-0HF8P-M81RQ-2DXQE-M2UT6ZF71R-DMX85-08DQY-8YMNC-PPHV8

大象不下象棋的博客 6万+

3、流程引擎下载安装与部署

camunda有多种使用方式,此处先使用独立平台的方式部署引擎,这种用法适合分布式,微服务化,多语言异构系统的使用方式。

leyoliu的博客 5524

vmware17 许可证密钥

MC60H-DWHD5-H80U9-6V85M-8280D(亲测有效)

qq_44861892的博客 6万+

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")

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

VM最新许可证密钥

VM17密钥:NZ4RR-FTK5H-H81C1-Q30QH-1V2LA。VM16密钥:ZF3R0-FHED2-M80TY-8QYGC-NPKYF。

2501_92000909的博客 8370

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

虚拟机安装(附安装包+激活秘钥)

介绍虚拟机的含义和举例安装步骤,虚拟机是一类能够通过软件模拟其他系统行为,做到虚拟化、跨平台等目的的一类的软件。市面上有很多虚拟机产品,如VMware虚拟机、VirtualBox虚拟机,它们都有很好的虚拟化能力,可以在软件内运行其他操作系统。

shensanbai95的博客 2027

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。

linux安装(VM密钥)

【代码】linux安装(VM密钥)

2302_76517192的博客 3357

VM安装教程+密钥

最新超详细VMware虚拟机下载与安装(一篇足以带你上高速,附钥)_Slcp的博客-优快云博客_vmware虚拟机安装密钥

HU__CHENG的博客 5506

vm15永久秘钥

参考:YZ718-4REEQ-08DHQ-JNYQC-ZQRD0。

qq_43470725的博客 1858

两个虚拟机相互登录,使用密码与使用密钥

1.首先需要两台虚拟机,咱们先打开并且登录这两台虚拟机,查看一下两台虚拟机ssh是否安装(如果没有下图信息,就输入命令yuminstall-yopenssh-clients),再分别查看一下ip地址 第一台虚拟机(下文简称130) 第二台虚拟机(下文简称133) 2.咱们以130为例,先密码登录133,咱们就直接敲命令sshroot@需要登录的虚拟机ip地址,第一次输入会有提示(yes)咱们输入yes回车,然后输入需要登录的虚拟机密码就完成了 咱们参考2.再用相同的方法在登录回1303....

本人是新手,有一定的了解不到位,望海涵 3360

VM激活秘钥

激活密钥 VMware 2017 v14.x 永久许可证激活密钥 FF31K-AHZD1-H8ETZ-8WWEZ-WUUVA CV7T2-6WY5Q-48EWP-ZXY7X-QGUWD

2万+

vmware17pro秘钥

MC60H-DWHD5-H80U9-6V85M-8280D 永不过期。

zdfrx的博客 6112

Vmware 17虚拟机

玩转虚拟机和Linux必备!有网页版和夸克网盘两种,哪种方便选哪个,Vmware哪个版本都有。需要自取,只是转载,切勿再次转载收费昂!如果对于Linux有需要,请关注上边的哔哩哔哩UP主。链接:https://pan.quark.cn/s/1bffd4a75b3c。

Rhein-多遗憾 1万+

【VMware许可证】VMware17、16、15、12、10版本许可证

17: 14A4RR-813DK-M81A9-4U35H-06KND JU090-6039P-08409-8J0QH-2YR7F 16: ZF3R0-FHED2-M80TY-8QYGC-NPKYF FNEW8-ZY7TY-Y1Z7W-QZQCR-NZZ5V XJKN8-KM9KX-H1Y91-FQPVX-QFXUZ 15:FC7D0-D1YDL-M8DXZ-CYPZE-P2AY6 12:ZC3TK-63GE6-481JY-WWW5T-Z7ATA 10:1Z0G9-67285-FZG78-ZL3Q2

qq_51600482的博客 11万+

VMware Workstation Pro 17免费许可证密钥:10个已验证密钥+完整激活指南

想要免费体验专业级虚拟化软件吗?VMware Workstation Pro 17是一款强大的虚拟化工具,让你能在单台计算机上同时运行多个操作系统。本指南为你提供完整的免费许可证密钥解决方案,帮助你快速搭建高效的多系统开发测试环境。在文章的前100个字内,我们已经自然地融入了"VMware Workstation Pro 17"、"免费许可证密钥"、"激活指南"等核心关键词。 ## 项目概述与核

gitblog_00956的博客 1729

Windows虚拟机激活

Windows激活

oldboy1999的博客 4504
上一篇: 【生产环境零容忍】:VMware虚拟机固定IP的7个致命配置错误,第4个导致集群网络中断超47小时
下一篇: 内核设备访问被拒?不是权限问题!VMware在Kernel 6.8+中遭遇的CAP_SYS_MODULE绕过失效真相(附systemd-boot参数级强制加载方案)
DebugLoom
博客等级 码龄1年 176粉丝 2107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  | 博主筛选后可见
 
 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