如何在KOS上部署Cockpit - 基于Web的Linux管理工具

Cockpit -- 一个通过浏览器监控和管理多台Linux服务器的强大工具 Linux Cockpit 阅读详情

目录

1 概述

1.1 Cockpit简介

1.2 KOS简介

2 安装准备

2.1 操作系统环境

2.2 Cockpit版本

3 安装和运行Cockpit


1 概述

1.1 Cockpit简介

Cockpit 是一个基于 Web 的服务器管理工具,官网中评价其“适合所有人使用”。无论是刚刚接触Linux的新手,对Linux有一定基础且想要更简单图形化操作管理的运维人员,还是那些想要全局掌控操作系统概览的资深运维人员,都可以通过Cockpit来进一步管理和监控当前服务器主机。

Cockpit 由红帽开发,可以管理多种服务,它有着以下几个显著特点:

  • 从易用性考虑设计,方便管理人员使用,而不是仅仅的终端命令按钮化。
  • 不会打乱已有终端或脚本服务配置,通过 Cockpit 启用的服务可以在终端停止,脚本运行的错误亦会被 Cockpit 捕获。
  • 支持一次性管理多个服务,实现自动化和批处理。
  • 系统存储信息查看。
  • docker容器监控。
  • 系统网络监控。
  • web命令行终端。
  • 界面友好的仪表盘。

Cockpit官网:https://cockpit-project.org/

1.2 KOS简介

浪潮信息KOS是浪潮信息基于Linux Kernel、OpenAnolis等开源技术自主研发的一款服务器操作系统,支持x86、ARM等主流架构处理器,性能和稳定性居于行业领先地位,具备成熟的 CentOS 迁移和替换能力,可满足云计算、大数据、分布式存储、人工智能、边缘计算等应用场景需求。详细介绍见官网浪潮信息云峦服务器操作系统KeyarchOS_KOS服务器操作系统-浪潮信息

2 安装准备

2.1 操作系统环境

版本信息:KeyarchOS 5.8sp1

硬件平台:X86_64

2.2 Cockpit版本

cockpit-264.1-1.kos5.x86_64

3 安装和运行Cockpit

kos的yum源仓库中提供了Cockpit软件包,可直接通过yum install来进行安装。

yum install -y cockpit

等待安装完成后,查看rpm包:

rpm -qa cockpit

安装完成。

运行以下命令开启Cockpit.socket服务:
# 启动服务

systemctl start cockpit.socket

# 开机自启动

systemctl enable cockpit.socket

# 查看运行状态

systemctl status cockpit.socket

启动后,查看运行状态,如下图:

可以看到,Cockpit.socket已经处于运行状态,监听9090端口。

接下来,启动浏览器(firefox),访问本地9090端口,可以看到登录页面:

可以使用root用户名和密码登录管理系统。如果要将管理员权限分配给任何本地用户,请执行以下命令:

usermod -G wheel hong

这里hong是我的本地用户。

使用root权限登录,可以看到如下的页面:

左侧的菜单栏罗列出了常用的功能:日志、存储、网络、用户、服务,还包括如内核转储、软件更新、应用管理、诊断报告、在线终端以及SELinux等工具选项。具体功能演示,本文不再赘述

服务部署之Cockpit配置(基于CentOS7) 服务部署之Cockpit配置(基于CentOS7 阅读详情

相关推荐

Centos8中Cockpit服务介绍及使用

目录 1.Cockpit介绍 2.Cockpit服务安装 3.Cockpit Web管理介绍 1.Cockpit介绍 Cockpit是一个Web端的系统管理工具。Cockpit使用系统上已经存在的API。它不会重塑子系统,也不会添加自己的工具层。可以在Web界面管理服务、容器、存储等等,还可以配置网络、检查日志都非常方便。 Cockpit官网:https://cockpit-project.org/ 2.Cockpit服务安装 如果是最小化安装,...

afei001 2010

Cockpit的部署

KVM 全称是 基于内核的虚拟机(Kernel-based Virtual Machine),它是一个 Linux 的一个内核模块,kvm可以从客户端管理软件轻松的直接访问位于多个远程位置的服务器和设备。本次部署不是在真实服务器上安装部署,因此KVM要开启支持虚拟化功能。libvirt :管理各种虚拟机进行管理的工具和应用程序接口。KVM: Linux 的一个内核模块。cockpit:管理虚拟机的界面工具。qemu-kvm:虚拟化软件。可以打开这个界面说明部署成功。勾选完成后启动服务器。

weixin_51572571的博客 910

数字设计实验:RISC-V指令单周期CPU

本文旨在介绍RISC-V指令单周期CPU的设计思路和仿真实现(含代码)

2401_83740084的博客 2713

Cockpit - 基于Web的Linux管理工具的安装和使用教程

(1)Cockpit是一个免费且开源的基于web的Linux服务器管理工具并且在CentOS 8和RHEL 8中,Cockpit更是成为其默认服务器管理工具。(2)通过Cockpit提供的友好的Web前端界面可以轻松地监视和管理我们的GNULinux服务器,执行诸如存储管理、网络配置、检查日志、虚拟机管理等任务。

weixin_45921884的博客 2万+

基于EtherCAT的AM402与SV660N、IS620N伺服运动控制实战指南

本文详细介绍了基于EtherCAT总线的汇川AM402 PLC与SV660N、IS620N伺服驱动器构建运动控制系统的完整实战流程。内容涵盖硬件平台搭建、软件组态、关键参数设置、InoProShop编程及调试技巧,旨在帮助工程师快速掌握这一高精度、高响应的工业自动化解决方案。

weixin_29204205的博客 401

多尺度变换(Multidimensional Scaling ,MDS)详解

介绍多尺度变换基本原理

5215

@Linux Web-UI服务管理工具(CockPit)

cockpit

欢迎光临本栈——“码栈仙”,一个架构师的脑洞收容所。 这里不生产代码,只做bug的搬运工。 4756

强化学习_06_pytorch-TD3实践(BipedalWalkerHardcore-v3)

DDPG的critic会高估, 从而导致actor策略失败。TD3是增加了三个关键技巧优化DDPG。经过优化后的TD3(Twin Dalayed DDPG 双延迟深度确定性策略梯度算法)适合于具有高维连续动作空间的任务。

RL小站 2690

本地部署开源项目管理工具 WeKan 并实现外部访问

WeKan 是一款基于 Kanboard 的开源团队协作与项目管理工具,采用看板(Kanban)方法来帮助个人和团队高效地管理任务、项目和工作流程。它的设计灵感来源于经典的敏捷开发方法中的看板系统,界面简洁、功能实用,适合中小团队或个人进行任务追踪与协作。本文将详细介绍如何在 Linux 系统本地部署 WeKan 并结合路由侠实现外网访问本地部署的 WeKan。

lyxnwct的博客 1387

【AN7581】AN7581 SDK编译环境搭建操作说明

安装编译需要的工具包。

wgl307293845的博客 338

【推荐100个unity插件】对话系统插件——YarnSpinner-Unity插件

Yarn Spinner是一款专为游戏对话设计的脚本语言,适用于Unity等引擎。本文介绍了在Unity中安装和使用Yarn Spinner的完整流程:首先通过Package Manager添加仓库并安装插件;然后创建Yarn Script和Project文件,配置对话系统;接着编写Yarn脚本定义对话内容,并展示运行效果;最后讲解了按键控制和多语言本地化设置。该工具采用类似剧本的简洁格式,支持分支对话、条件逻辑等功能,能有效提升游戏叙事的开发效率。

向宇的博客,专注php/web全栈 unity游戏开发,欢迎大家评论纠错 2214

搭建Cockpit服务器,Linux集群管理工具,DevOps开发运维一体化集群系统/持续集成

    Cockpit平台演示 # 打开浏览器,访问 http://ip-address:9090 ip-address为搭建cockpit服务器的IPAddress #进入管理界面 可以参考 CPU MEM STOREGE等等信息,可以自动化管理Docker容器,启动Container #展示某个Container的配置信息,内网IP/Gateway,内网端口,宿主机...

YunWisdom 3750

会员管理小程序实战开发04-用户登录及注册

上一节我们介绍了用户信息数据源的创建及网格布局的使用,本节的话我们讲解用户的登录及注册功能任何开发。 在我们前述章节里介绍的,不论是管理员表还是用户表,都涉及到一个问题就是openid,那这个openid如何获取呢?如果我直接把代码贴给你,就缺失了一个思考的过程。既然这个是微信提出的概念,那么必然就会有官方文档作为对应。程序开发的基本功就是要会看官方文档,很多初学的开发同学可能会对官方文档颇有诟病,觉得不够基础。怎么说呢,当你进入到开发岗之后,自学能力是必要的,还是要试着可以看懂官方文档才好。 登录接口解读

低代码布道师的博客 1568

Cockpit:一个开源的 Linux 系统管理工具

提供了一个基于网页的图形化用户界面(Web UI),用于轻松管理和监控 Linux 系统。你可以把 Cockpit 理解为 “Linux 的控制面板”,就像 Windows 的控制面板或任务管理器一样直观。可添加多台服务器,通过一个 Cockpit 界面管理多个节点(通过 SSH 无需安装额外代理)配置 IP 地址、路由、DNS、防火墙(FirewallD)安装、升级、删除软件包(支持 dnf、apt 等包管理器)CPU、内存、磁盘和网络使用情况图形化展示。管理网络接口(有线、无线、桥接等)

Rickest_man的博客 1943

【OpenClaw企业级智能体实战】第13篇:1+N架构实战!OpenClaw多Agent数字员工军团搭建指南(含完整配置+路由策略+代码落地)

单Agent因“记忆负担重、Token消耗高、响应不精准”已难以满足复杂场景需求,而多Agent团队通过“1个编排者+N个执行者”的分工协作模式,能让效率提升300%以上。本文基于OpenClaw 2026稳定版,结合阿里云开发者社区实战案例,从核心认知、准备工作、实操流程、协作机制、安全配置五大维度,完整拆解多Agent团队搭建全流程。文中包含可直接复制执行的代码、详细配置模板、路由策略设置及常见问题排查,新手可在1-2小时内落地属于自己的“数字员工”军团,覆盖内容创作、技术支持、多平台运营等多场景。

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 745

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

安装cockpit,以网页的方式管理Linux主机

安装cockpit

yuyuyumh的博客 1431

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")

Linux系统之Ubuntu安装cockpit管理工具

Linux系统之Ubuntu安装cockpit管理工具

jks212454的博客 1537

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

Centos8之Cockpit Web控制台安装与使用

Cockpit是红帽开发的网页版图像化服务管理工具,优点是无需中间层,且可以管理多种服务,根据其项目主站描述,Cockpit 有如下特点: - 从易用性考虑设计,方便管理人员使用,而不是仅仅的终端命令按钮化; - 不会打乱已有终端或脚本服务配置,通过 Cockpit 启用的服务可以在终端停止,脚本运行的错误亦会被 Cockpit 捕获; - 支持一次性管理多个服务,实现自动化和批处理;

月生的静心苑 3645

Linux管理不用记命令!Linux安装可视化管理工具Cockpit安装使用

大家好,我是星哥!最近不少粉丝私信问:"Linux服务器管理总记不住命令,有没有可视化工具能救救手残党?"

星哥玩云 1317

[linux][麒麟V10]系统管理工具---Cockpit

最近在用麒麟v10操作系统。发现系统安装好后,有一个9090端口默认开启。发现是Cockpit管理工具。

qq_17215799的博客 5630

使用 Cockpit Web 控制台管理 KVM 虚拟机

不需要任何介绍。如果您是 Linux 管理员,您肯定应该使用过它或者至少听说过它。Cockpit 是一款免费、开源的基于 Web 的服务器管理工具,用于通过 Web 浏览器监控和管理 Linux 服务器。在本指南中,我们将了解如何使用 Cockpit Web 控制台界面管理 KVM 虚拟机。

allway2的博客 2486

Cockpit简介

Cockpit 是一个现代的、基于网页的服务器管理服务,它旨在简化 Linux 服务器的远程管理。总的来说,Cockpit 是一个强大的工具,它通过提供一个直观的网页界面,极大地简化了 Linux 服务器的管理任务。1. **系统监控**:实时监控服务器的状态,包括 CPU、内存、磁盘使用情况和网络活动。6. **用户和权限管理**:管理用户账户和组,设置权限和访问控制。3. **存储管理**:管理磁盘存储,包括分区、挂载点和文件系统。2. **服务管理**:启动、停止和监控系统服务的状态。

地球空间 1875

Cockpit 页面创建KVM虚拟机步骤

1.第一步在网页左边的操作栏找到应用程序下载安装管理虚拟机如图。9.第九步安装完成后修改IP和初始化测试ssh能否正常连接。4.第四步创建完成,启动运行虚拟机进行部署安装。2.第二步点击上图的主机进入后创建虚拟机。3.第三步开始创建虚拟机如图步骤。11.初始化配置关闭防火墙。7.第七步按步骤操作如下图。已完成创建虚拟机及初始化。10.第十步重新启动网卡。5第五步选择默认中文。12.测试ssh连接。

GMC_J的博客 1566

从零开始学Linux(第六十期)

Cockpit 是一个基于 Web 的 Linux 系统管理工具,它为用户提供了一个直观、简洁的图形化界面,用于管理和监控 Linux 服务器及系统。通过浏览器访问 Cockpit 的 Web 界面,用户可以执行包括系统配置、硬件监控、网络管理、容器管理等在内的多种操作,极大地降低了 Linux 系统管理的门槛,尤其适合那些不太熟悉命令行操作的用户。借助 Cockpit,Linux 系统中容器镜像的搜索与容器的创建变得更加直观、便捷。

2501_90727259的博客 1872
上一篇: Apache Geode安装与配置实例_基于KOS
下一篇: 【常见问题(二)】打印Failed to start Switch Root错误,导致系统进入紧急模式的解决方法
KeyarchOS
博客等级 码龄3年 1312粉丝 339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