集群鉴权策略、角色与全局角色、赋权与全局角色赋权

Istio学习笔记:IngressGateway实现基于OAuth2.0+JWT的API鉴权 本文主要记录在Istio 1.6.8中,利用Istio Security的RequestAuthentication、AuthorizationPolicy、以及EnvoyFilter等 实现基于OAuth2.0 + JWT的API鉴权功能。客户端(浏览器)通过网关访问后端服务api(/apis/xxx/api),istio ingress gateway进行后端服务的统一鉴权处理。仅供个人参考。 阅读详情

今日目标:

-k8s服务管理

-lngress安装与策略配置

-Dashboard安装

-RBAC权限管理

kubernetes

service 管理

clusterIP

创建服务
 # 资源对象模板
 [root@master ~]# kubectl create service clusterip mysvc --tcp=80:80 --dry-run=client -o yaml #自动生成模板
 [root@master ~]# vim mysvc.yaml
 ---
 kind: Service
 apiVersion: v1
 metadata:
   name: mysvc
 spec:
   type: ClusterIP
   selector:
     app: web
   ports:
   - protocol: TCP
     port: 80
     targetPort: 80
 ​
 [root@master ~]# kubectl apply -f mysvc.yaml 
 service/mysvc created
 [root@master ~]# kubectl get service
 NAME         TYPE        CLUSTER-IP      EXTERNAL-IP   PORT(S)
 kubernetes   ClusterIP   10.245.0.1      <none>        443/TCP
 mysvc        ClusterIP   10.245.5.18     <none>        80/TCP
解析域名
 # 安装工具软件包
 [root@master ~]# dnf install -y bind-utils
 # 查看 DNS 服务地址
 [root@master ~]# kubectl -n kube-system get service kube-dns
 NAME       TYPE        CLUSTER-IP    EXTERNAL-IP   PORT(S)
 kube-dns   ClusterIP   10.245.0.10   <none>        53/UDP,53/TCP,9153/TCP
 # 域名解析测试
 [root@master ~]# host mysvc.default.svc.cluster.local 10.245.0.10
 Using domain server:
 Name: 10.245.0.10
 Address: 10.245.0.10#53
 Aliases: 
 ​
 mysvc.default.svc.cluster.local has address 10.245.5.18
创建后端应用
 [root@master ~]# vim myweb.yaml 
 ---
 kind: Pod
 apiVersion: v1
 metadata:
   name: web1
   labels:
     app: web   # 服务靠标签寻找后端
 spec:
   containers:
   - name: apache
     image: myos:httpd
 ​
 [root@master ~]# kubectl apply -f myweb.yaml
 pod/web1 created
 [root@master ~]# curl http://10.245.5.18
 Welcome to The Apache.
负载均衡
 [root@master ~]# sed 's,web1,web2,' myweb.yaml |kubectl apply -f -
 pod/web2 created
 [root@master ~]# sed 's,web1,web3,' myweb.yaml |kubectl apply -f -
 pod/web3 created
 [root@master ~]# curl -s http://10.245.5.18/info.php |grep php_host
 php_host:       web1
 [root@master ~]# curl -s http://10.245.5.18/info.php |grep php_host
 php_host:       web2
 [root@master ~]# curl -s http://10.245.5.18/info.php |grep php_host
 php_host:       web3

固定 IP 服务
 [root@master ~]# vim mysvc.yaml 
 ---
 kind: Service
 apiVersion: v1
 metadata:
   name: mysvc
 spec:
   type: ClusterIP
   clusterIP: 10.245.1.80    # 可以设置 ClusterIP
   selector:
     app: web
   ports:
   - protocol: TCP
     port: 80
     targetPort: 80
 ​
 [root@master ~]# kubectl delete service mysvc
 service "mysvc" deleted
 [root@master ~]# kubectl apply -f mysvc.yaml 
 service/mysvc created
 [root@master ~]# kubectl get service
 NAME         TYPE        CLUSTER-IP    EXTERNAL-IP   PORT(S)
 kubernetes   ClusterIP   10.245.0.1    <none>        443/TCP
 mysvc        ClusterIP   10.245.1.80   <none>        80/TCP
端口别名
 [root@master ~]# kubectl delete pod --all
 pod "web1" deleted
 pod "web2" deleted
 pod "web3" deleted
 [root@master ~]# vim mysvc.yaml 
 ---
 kind: Service
 apiVersion: v1
 metadata:
   name: mysvc
 spec:
   type: ClusterIP
   clusterIP: 10.245.1.80
   selector:
     app: web
   ports:
   - protocol: TCP
     port: 80
     targetPort: myhttp    # 使用别名查找后端服务端口
 ​
 [root@master ~]# kubectl apply -f mysvc.yaml 
 service/mysvc configured
 ​
 [root@master ~]# vim myweb.yaml 
 ---
 kind: Pod
 apiVersion: v1
 metadata:
   name: web1
   labels:
     app: web
 spec:
   containers:
   - name: apache
     image: myos:httpd
     ports:               # 配置端口规范
     - name: myhttp       # 端口别名
       protocol: TCP      # 协议
       containerPort: 80  # 端口号
 ​
 [root@master ~]# kubectl apply -f myweb.yaml
 pod/web1 created
 [root@master ~]# curl http://10.245.1.80
 Welcome to The Apache.
服务拍错
 ---
 kind: Service
 apiVersion: v1
 metadata:
   name: web123
 spec:
   type: ClusterIP
   clusterIP: 192.168.1.88
   selector:
     app: apache
   ports:
   - protocol: TCP
     port: 80
     targetPort: web

修改错误

 [root@master ~]# cat abc.yaml
 ---
 kind: Service
 apiVersion: v1
 metadata:
   name: web123
 spec:
   type: ClusterIP
   clusterIP: 10.245.1.82
   selector:
     app: web
   ports:
   - protocol: TCP
     port: 80
     targetPort: myhttp
 [root@master ~]# kubectl apply -f abc.yaml 
 service/web123 configured
 [root@master ~]# curl 10.245.1.82
 Welcome to The Apache.

nodePort

对外发布服务
 [root@master ~]# cp -a mysvc.yaml mysvc1.yaml
 [root@master ~]# vim mysvc1.yaml
 ---
 kind: Service
 apiVersion: v1
 metadata:
   name: mysvc1
 spec:
   type: NodePort            # 服务类型
   selector:
     app: web
   ports:
   - protocol: TCP
     port: 80
     nodePort: 30080         # 映射端口号
     targetPort: myhttp
 ​
 [root@master ~]# kubectl apply -f mysvc1.yaml 
 service/mysvc configured
 [root@master ~]# kubectl get service
 NAME         TYPE        CLUSTER-IP    EXTERNAL-IP   PORT(S)
 kubernetes   ClusterIP   10.245.0.1    <none>        443/TCP
 mysvc        ClusterIP   10.245.1.80   <none>        80/TCP
 mysvc1       NodePort    10.245.1.88   <none>        80:30080/TCP
 ​
 [root@master ~]# curl http://node-0001:30080
 Welcome to The Apache.
 [root@master ~]# curl http://node-0002:30080
 Welcome to The Apache.
 [root@master ~]# curl http://node-0003:30080
 Welcome to The Apache.
 [root@master ~]# curl http://node-0004:30080
 Welcome to The Apache.
 [root@master ~]# curl http://node-0005:30080
 Welcome to The Apache.

Ingress

安装控制器
 [root@master ~]# cd plugins/ingress
 [root@master ingress]# docker load -i ingress.tar.xz
 [root@master ingress]# docker images|while read i t _;do
     [[ "${t}" == "TAG" ]] && continue
     [[ "${i}" =~ ^"harbor:443/".+ ]] && continue
     docker tag ${i}:${t} harbor:443/plugins/${i##*/}:${t}
     docker push harbor:443/plugins/${i##*/}:${t}
     docker rmi ${i}:${t} harbor:443/plugins/${i##*/}:${t}
 done
 [root@master ingress]# sed -ri 's,^(\s*image: )(.*/)?(.+)@.*,\1harbor:443/plugins/\3,' deploy.yaml
 458:    image: harbor:443/plugins/controller:v1.5.1
 565:    image: harbor:443/plugins/kube-webhook-certgen:v20220916-gd32f8c343
 614:    image: harbor:443/plugins/kube-webhook-certgen:v20220916-gd32f8c343
 ​
 [root@master ingress]# kubectl apply -f deploy.yaml
 # 通过标签指定在那台机器上发布应用
 [root@master ingress]# kubectl label nodes node-0001 ingress-ready="true"
 node/node-0001 labeled
 [root@master ingress]# kubectl -n ingress-nginx get pods
 NAME                                        READY   STATUS      RESTARTS
 ingress-nginx-admission-create--1-lm52c     0/1     Completed   0
 ingress-nginx-admission-patch--1-sj2lz      0/1     Completed   0
 ingress-nginx-controller-5664857866-tql24   1/1     Running     0
验证后端服务
 [root@master ~]# kubectl get pods,services 
 NAME       READY   STATUS    RESTARTS   AGE
 pod/web1   1/1     Running   0          35m
 ​
 NAME                 TYPE        CLUSTER-IP    EXTERNAL-IP   PORT(S)
 service/kubernetes   ClusterIP   10.245.0.1    <none>        443/TCP
 service/mysvc        ClusterIP   10.245.1.80   <none>        80/TCP
 service/mysvc1       NodePort    10.245.1.88   <none>        80:30080/TCP
 ​
 [root@master ~]# curl http://10.245.1.80
 Welcome to The Apache.
对外发布服务
 [root@master ~]# kubectl get ingressclasses.networking.k8s.io 
 NAME    CONTROLLER             PARAMETERS   AGE
 nginx   k8s.io/ingress-nginx   <none>       5m7s
 # 资源对象模板
 [root@master ~]# kubectl create ingress mying --class=nginx --rule=nsd.tedu.cn/*=mysvc:80 --dry-run=client -o yaml
 [root@master ~]# vim mying.yaml
 ---
 kind: Ingress
 apiVersion: networking.k8s.io/v1
 metadata:
   name: mying
 spec:
   ingressClassName: nginx
   rules:
   - host: nsd.tedu.cn
     http:
       paths:
       - path: /
         pathType: Prefix
         backend:
           service:
             name: mysvc
             port:
               number: 80
 ​
 [root@master ~]# kubectl apply -f mying.yaml 
 ingress.networking.k8s.io/mying created
 [root@master ~]# kubectl get ingress
 NAME    CLASS   HOSTS         ADDRESS        PORTS
 mying   nginx   nsd.tedu.cn   192.168.1.51   80
 [root@master ~]# curl -H "Host: nsd.tedu.cn" http://192.168.1.51
 Welcome to The Apache.

web 管理插件

安装 Dashboard

 [root@master ~]# cd plugins/dashboard
 [root@master dashboard]# docker load -i dashboard.tar.xz
 [root@master dashboard]# docker images|while read i t _;do
     [[ "${t}" == "TAG" ]] && continue
     [[ "${i}" =~ ^"harbor:443/".+ ]] && continue
     docker tag ${i}:${t} harbor:443/plugins/${i##*/}:${t}
     docker push harbor:443/plugins/${i##*/}:${t}
     docker rmi ${i}:${t} harbor:443/plugins/${i##*/}:${t}
 done
 [root@master dashboard]# sed -ri 's,^(\s*image: )(.*/)?(.+),\1harbor:443/plugins/\3,' recommended.yaml
 193:    image: harbor:443/plugins/dashboard:v2.7.0
 278:    image: harbor:443/plugins/metrics-scraper:v1.0.8
 [root@master dashboard]# kubectl apply -f recommended.yaml
 [root@master dashboard]# kubectl -n kubernetes-dashboard get pods
 NAME                                         READY   STATUS    RESTARTS
 dashboard-metrics-scraper-66f6f56b59-b42ng   1/1     Running   0
 kubernetes-dashboard-65ff57f4cf-lwtsk        1/1     Running   0

发布服务

 # 查看服务状态
 [root@master dashboard]# kubectl -n kubernetes-dashboard get service
 NAME                        TYPE        CLUSTER-IP       PORT(S)
 dashboard-metrics-scraper   ClusterIP   10.245.205.236   8000/TCP
 kubernetes-dashboard        ClusterIP   10.245.215.40    443/TCP
 # 获取服务资源对象文件
 [root@master dashboard]# sed -n '30,45p' recommended.yaml >dashboard-svc.yaml
 [root@master dashboard]# vim dashboard-svc.yaml
 ---
 kind: Service
 apiVersion: v1
 metadata:
   labels:
     k8s-app: kubernetes-dashboard
   name: kubernetes-dashboard
   namespace: kubernetes-dashboard
 spec:
   type: NodePort
   ports:
     - port: 443
       nodePort: 30443
       targetPort: 8443
   selector:
     k8s-app: kubernetes-dashboard
 ​
 [root@master dashboard]# kubectl apply -f dashboard-svc.yaml 
 service/kubernetes-dashboard configured
 [root@master dashboard]# kubectl -n kubernetes-dashboard get service
 NAME                        TYPE        CLUSTER-IP       PORT(S)
 dashboard-metrics-scraper   ClusterIP   10.245.205.236   8000/TCP
 kubernetes-dashboard        NodePort    10.245.215.40    443:30443/TCP
  • 通过浏览器访问 Dashboard 登录页面

    弹性负载均衡添加30443端口,通过Kubernetes Dashboard访问

服务账号与权限

创建服务账号

 # 资源对象模板
 [root@master ~]# kubectl -n kubernetes-dashboard create serviceaccount kube-admin --dry-run=client -o yaml
 [root@master ~]# vim admin-user.yaml
 ---
 kind: ServiceAccount
 apiVersion: v1
 metadata:
   name: kube-admin
   namespace: kubernetes-dashboard
 ​
 [root@master ~]# kubectl apply -f admin-user.yaml 
 serviceaccount/kube-admin created
 [root@master ~]# kubectl -n kubernetes-dashboard get serviceaccounts 
 NAME                   SECRETS   AGE
 default                0         16m
 kube-admin             0         11s
 kubernetes-dashboard   0         16m

获取用户 token

 [root@master ~]# kubectl -n kubernetes-dashboard create token kube-admin
 <Base64 编码的令牌数据>

角色与鉴权

资源对象描述作用域
ServiceAccount服务账号,为 Pod 中运行的进程提供了一个身份单一名称空间
Role角色,包含一组代表相关权限的规则单一名称空间
ClusterRole角色,包含一组代表相关权限的规则全集群
RoleBinding将权限赋予用户,Role、ClusterRole 均可使用单一名称空间
ClusterRoleBinding将权限赋予用户,只可以使用 ClusterRole全集群

资源对象权限

createdeletedeletecollectiongetlistpatchupdatewatch
创建删除删除集合获取属性获取列表补丁更新监控
普通角色
 [root@master ~]# kubectl cluster-info dump |grep authorization-mode
                             "--authorization-mode=Node,RBAC",
 ​
 # 资源对象模板
 [root@master ~]# kubectl -n default create role myrole --resource=pods --verb=get,list --dry-run=client -o yaml
 [root@master ~]# kubectl -n default create rolebinding kube-admin-role --role=myrole --serviceaccount=kubernetes-dashboard:kube-admin --dry-run=client -o yaml
 [root@master ~]# vim myrole.yaml 
 ---
 kind: Role
 apiVersion: rbac.authorization.k8s.io/v1
 metadata:
   name: myrole
   namespace: default
 rules:
 - apiGroups:
   - ""
   resources:
   - pods
   verbs:
   - get
   - list
 ​
 ---
 kind: RoleBinding
 apiVersion: rbac.authorization.k8s.io/v1
 metadata:
   name: kube-admin-role
   namespace: default
 roleRef:
   apiGroup: rbac.authorization.k8s.io
   kind: Role
   name: myrole
 subjects:
 - kind: ServiceAccount
   name: kube-admin
   namespace: kubernetes-dashboard
 ​
 [root@master ~]# kubectl apply -f myrole.yaml 
 role.rbac.authorization.k8s.io/myrole created
 rolebinding.rbac.authorization.k8s.io/kube-admin-role created
 ​
 [root@master ~]# kubectl delete -f myrole.yaml 
 role.rbac.authorization.k8s.io "myrole" deleted
 rolebinding.rbac.authorization.k8s.io "kube-admin-role" deleted
集群管理员
 [root@master ~]# kubectl get clusterrole
 NAME                              CREATED AT
 admin                             2022-06-24T08:11:17Z
 cluster-admin                     2022-06-24T08:11:17Z
 ... ...
 ​
 # 资源对象模板
 [root@master ~]# kubectl create clusterrolebinding kube-admin-role --clusterrole=cluster-admin --serviceaccount=kubernetes-dashboard:kube-admin --dry-run=client -o yaml
 [root@master ~]# vim admin-user.yaml 
 ---
 kind: ServiceAccount
 apiVersion: v1
 metadata:
   name: kube-admin
   namespace: kubernetes-dashboard
 ​
 ---
 kind: ClusterRoleBinding
 apiVersion: rbac.authorization.k8s.io/v1
 metadata:
   name: kube-admin-role
 roleRef:
   apiGroup: rbac.authorization.k8s.io
   kind: ClusterRole
   name: cluster-admin
 subjects:
 - kind: ServiceAccount
   name: kube-admin
   namespace: kubernetes-dashboard
 ​
 [root@master ~]# kubectl apply -f admin-user.yaml 
 serviceaccount/kube-admin unchanged
 clusterrolebinding.rbac.authorization.k8s.io/kube-admin-role created
service管理、Ingress管理、Dashboard管理插件、集群鉴权策略、角色与全局角色、赋权与全局角色赋权 阅读详情

相关推荐

Codex配置本质:运行时契约与三层鉴权解析

Codex并非传统API客户端或后端服务,而是一个带策略路由与上下文预处理的智能代理层。其核心原理在于将模型调用、协议适配、流式响应等能力统一抽象为可声明、可校验、可热重载的运行时契约。技术价值体现在标准化多模型接入、错误归一化、细粒度限流与安全隔离;典型应用场景包括AI中台建设、大模型网关部署及企业级LLM服务治理。尤其在2026年Runtime Schema Validation机制和三层鉴权(传输层/路由层/模型层)全面落地后,配置已从参数填写升级为语义契约声明——这正是Codex配置失败频发的根本原

axfcjwkbi259888707的博客 486

service管理、Ingress管理、Dashboard管理插件\集群鉴权策略、角色与全局角色、赋权与全局角色赋权

targetPort: myhttp # 使用别名查找后端服务端口。nodePort: 30080 # 映射端口号。type: NodePort # 服务类型。ports: # 配置端口规范。- name: myhttp # 端口别名。containerPort: 80 # 端口号。app: web # 服务靠标签寻找后端。<Base64 编码的令牌数据># 查看 DNS 服务地址。# 获取服务资源对象文件。

weixin_44594364的博客 740

Packer+Terraform在DigitalOcean上自动化部署Vault生产集群

HashiCorp Vault 是现代云原生环境中实现密钥、证书与敏感数据统一管理的核心安全基础设施;其生产就绪依赖于隔离、可审计、不可变的运行环境。本文围绕基础设施即代码(IaC)实践,深入解析如何通过 Packer 构建标准化、带TLS加固与权限锁定的Vault镜像,再由 Terraform 实现高可用集群编排、Consul后端集成及负载均衡调度。技术价值在于消除手工配置漂移、保障启动一致性、支持滚动升级与秒级故障转移。典型应用场景包括中小团队密钥治理落地、CI/CD流水线凭据安全注入、以及满足等保/G

weixin_34037515的博客 356

alertmanager创建nginx-ingress basic auth鉴权

【代码】alertmanager创建nginx-ingress basic auth鉴权。

王大雏的博客 534

Hadoop实战手册:从本地伪分布到3节点集群的踩坑指南

Hadoop作为大数据基础设施的核心,其本质是围绕HDFS分布式存储、MapReduce计算模型和YARN资源调度构建的协同系统。理解HDFS的块复制机制与NameNode元数据管理,是避免磁盘空间误判和safemode陷阱的关键;掌握MapReduce的Shuffle阶段磁盘缓冲原理,能精准定位90%的性能卡顿;而YARN的DominantResourceCalculator配置,则直接决定CPU与内存资源的真实隔离效果。这些技术细节共同支撑起日志分析、数仓底座、Spark on YARN等典型应用场景。

weixin_30402343的博客 414

OceanBase数据库安全与权限管理实战指南:从用户认证到数据加密

数据库安全是保障企业核心数据资产的基础,其核心在于构建纵深防御体系。从身份认证与权限管理入手,通过用户验证、角色授权和最小权限原则,实现访问控制。数据加密技术则从传输层(SSL/TLS)和存储层(透明数据加密)双重保障数据机密性。在分布式数据库场景下,这些技术对于满足合规要求、防止数据泄露至关重要。OceanBase作为分布式数据库,其安全体系融合了传统数据库的严谨与分布式系统的灵活性,尤其在列加密、数据保护规则和审计监控方面提供了强大支持。本文基于OceanBase数据库安全与权限管理实践,深入解析用户管

weixin_34008933的博客 328

Kubernetes安全之鉴权

Authorization 上面认证过程,只是确认通信的双方都确认了对方是可信的,可以相互通信。而鉴权是确定请求方有哪些资源的权限。API Server目前支持以下几种授权策略(通过API Server的启动参数“–authorization-mode”设置) AlwaysDeny:表示拒绝所有的请求,一般用于测试 AlwaysAllow:允许接收所有请求,如果集群不需要授权流程,则可以采用该策略 ABAC(Attribute-Based Access Control):基于属性的访问控制,表示使用用户配

weixin_38299404的博客 467

【kubernetes】Docker与获取转证书工具安装、kubernetes软件安装

二进制部署kubernetes集群在企业应用中扮演着非常重要的角色。无论是集群升级,还是证书设置有效期都非常方便,也是从事云原生相关工作从入门到精通不得不迈过的坎。通过本系列文章,你将从虚拟机准备开始,到使用二进制方式从零到一搭建起安全稳定的高可用kubernetes集群,对各个组件的部署过程有一个清晰的认识。我将展现完整的集群搭建过程,重点部分将进行说明。并提供一站式、完整的资源文件包。希望通过本系列的学习,你能真正学习到有价值的知识,更好得应对工作中遇到的问题。如有疑问,可扫码联系我。

weixin_45842494的博客 1273

解决 kube-prometheus-stack镜像拉取不下来的问题

可以看到这里有三个deployment,依次修改其中的镜像源,去docker hub对应拉取下来相关的镜像,就可以使除了最后两个admission之外的pod变成running的状态了。2,由于最后两个admission的pod是由job创建的,而该Job 是 Helm 安装的。如果使用的是Kind集群,要将拉取下来的镜像加载到 Kind 集群的节点容器中。再加载到Kind集群中,我的集群名称是mycluster(对应修改)所以可以拉取镜像到本地后,修改这个镜像的tag为上述镜像。Chart 所创建。

weixin_62669928的博客 609

基于stm32f407VGT6控制WS2812的TIM1+PWM+DMA实现方式

项目中使用到了ws2812灯带,作为产品的外观显示灯,经过开发之后,整理一下,仅供大家参考。 WS2812B是一个集控制电路与发光电路于一体的智能外控LED光源。 其外型与一个5050 LED灯珠相同, 每个元件即为一个像素点。 像素点内部包含了智能数字接口数据锁存信号整形放大驱动电路, 还包含有高精度的内部振荡器和可编程定电流控制部分, 有效保证了像素点光的颜色高度一致。数据协议采用单线归零码的通讯方式, 像素点在上电复位以后, DIN端接受从控制器传输过来的数据, 首先送过来的24bit数据被第一个像素

weixin_43608153的博客 9214

个人信息保护合规审计人员(高级)能力考核试卷+面试模拟

《个人信息保护合规审计考试与面试指南》 摘要:本文提供个人信息保护合规审计考试及面试的全面指导。考试采用闭卷笔试形式,满分100分,合格线75分,时长120分钟,包含单选、多选、判断题及综合案例分析题。内容涵盖《个人信息保护法》核心条款、审计程序、风险评估等实务要点。面试环节采用情景模拟方式,重点考察应试者在压力下处理审计独立性、客户关系与监管要求的平衡能力,以及应对数据泄露等突发事件的处置流程。案例题聚焦大型互联网平台的数据收集、共享、跨境传输等高风险环节的合规审计,要求设计完整的审计方案框架。面试评分标

qq_41525079的博客 1146

service管理、Ingress管理、Dashboard管理插件/集群鉴权策略、角色与全局角色、赋权与全局角色赋权

Role:用来在某一个名称空间内创建授权角色,创建 Role 时,必须指定所属的名字空间的名字。ClusterRole:可以和 Role 相同完成授权。但属于集群范围,对所有名称空间有效。RoleBinding:是将角色中定义的权限赋予一个或者一组用户,可以使用 Role 或 ClusterRole 完成授权。ClusterRoleBinding 在集群范围执行授权,对所有名称空间有效,只能使用 ClusterRole 完成授权。

Djdhdhskn的博客 164

MoveIt控制睿尔曼RM65机械臂:从仿真到实机的3种控制模式对比

本文详细解析了使用MoveIt框架控制睿尔曼RM65机械臂的三种核心模式:拖动规划、目标姿态规划和Python API控制,从Gazebo仿真到实机部署的完整实现路径。通过ROS环境配置、控制参数优化及实机过渡技术,为工业自动化和机器人研究提供实用指南。

729

YOLOFuse RBAC 权限控制模型:角色与权限分配

YOLOFuse融合RGB与红外图像提升检测鲁棒性,支持多种融合策略和轻量部署。系统集成RBAC权限控制,通过角色划分实现安全协作,保障模型与数据的访问可控,适用于生产级智能视觉应用。

weixin_30633869的博客 833

MATLAB实战:用ARMAX模型搞定电力系统惯量实时评估(附完整代码)

本文详细介绍了如何利用MATLAB中的ARMAX模型实现电力系统惯量的实时评估。通过系统辨识技术,结合电力系统的动态特性,提供从数据预处理、模型辨识到实时评估的全流程实战指南,并附完整代码。ARMAX模型在新能源高渗透率电网中展现出显著优势,误差较传统方法降低50%以上。

b9c0d的博客 402

基于多智能体深度强化学习的空地协同通信系统轨迹设计与访问控制

所属子方向: UAV assisted communication 名词注释 coordinated:协调、协同 base stations 基站,公用移动通信基站,是移动设备接入互联网的接口设备,是指在一定的无线电覆盖区中,通过移动通信交换中心,与移动电话终端之间进行信息传递的无线电收发信电台。 UAV-BS:无人机基站 cooperative-competitive game:合作竞争博弈 throughput :吞吐量,每秒比特数 bps,bits per second Determinis

skysys的研究小屋 4970

YashanDB数据访问控制策略与权限管理实战

未来,随着数据库技术体系不断演进,YashanDB将持续完善权限管理能力,支持动态策略调整和智能安全审计,帮助企业在高并发、高可扩展的环境中,筑牢安全防线,实现业务的安全稳定运行。YashanDB提供细粒度的基于标签访问控制技术,支持对表中行级数据施加安全标签和策略,用户访问数据时根据授权的安全标签与数据标签作对比,动态控制对特定行的数据读写权限,实现行级别安全隔离,保障敏感数据访问的合规性。权限加载和缓存:登录成功后,系统加载当前用户关联的角色及权限信息缓存至数据字典缓存区,提升后续权限验证性能。

2501_91591875的博客 283

Jetson编译安装pycuda

可使用nvcc --version查看是否有信息输出,若没有,且安装cuda的情况下,需要手动将CUDA 的路径添加到环境变量中。编译生成_pvt_struct.cpython-38-aarch64-linux-gnu.so文件。基于jetson orin nano jetpack512模块上安装pycuda。4、获取pycuda源码(版本根据实际情况获取)2、进入conda环境并安装cuda工具包。9、若未检测出来需要清除并强制编译。7、编译成功后安装pycuda。5、配置编译并设置环境变量。

qq_48175141的博客 973

kubernetes学习日志(七)

本文记录了service管理,ingress管理,Dashboard管理插件,集群鉴权策略,角色与全局角色,赋权与全局角色赋权。

qq_47037022的博客 798

拼多多Android面试题及参考答案

Android 系统采用分层架构设计,从底层到上层依次为Linux 内核层硬件抽象层(HAL)系统运行时库层应用框架层应用层,共五层。位置:Linux 内核层与系统运行时库层之间,是“硬件与系统的隔离层”。核心作用:屏蔽硬件差异,为上层提供统一的硬件访问接口,解决 Android 开源与硬件厂商闭源的矛盾,具体功能如下:硬件能力抽象:将硬件的具体实现(如不同厂商的摄像头芯片、音频芯片)封装为标准化接口(如Camera HALAudio HAL。

大模型大数据攻城狮的专栏 1286

数据分析案例-2024 年全电动汽车数据集可视化分析

本数据集来源于Kaggle,原始数据集共有177866条数据,17个变量。该数据集显示了目前通过华盛顿州许可部 (DOL) 注册的电池电动汽车 (BEV) 和插电式混合动力电动汽车 (PHEV)。电池电动汽车 (BEV) 是一种全电动汽车,使用一个或多个电池来存储电能,为电机提供动力,并通过将车辆插入电源进行充电。插电式混合动力汽车 (PHEV) 是一种使用一个或多个电池为电动机提供动力的车辆;使用另一种燃料,例如汽油或柴油,为内燃机或其他推进源提供动力;并通过将车辆插入电源来充电。

m0_64336780的博客 1万+

minion java上传文件_Kubernetes调用vSphere vSAN做持久化存储

参考一. 框架说明:在kubernetes集群中部署vsphere cloud provider;运行在kubernetes集群中的Pod通过多种方式(静态或动态)可调用vSAN/VMFS等后端存储的VMDK做为其持久卷。二. 环境2.1 验证环境vCenterIPVersionUSERPASSWORDDataCenterDataStoreRemark172.20.0.166.0.0 内部版本51...

weixin_33045071的博客 274

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")

esxi mysql 存储_Kubernetes调用vSphere vSAN做持久化存储

参考一. 框架说明:在kubernetes集群中部署vsphere cloud provider;运行在kubernetes集群中的Pod通过多种方式(静态或动态)可调用vSAN/VMFS等后端存储的VMDK做为其持久卷。二. 环境2.1 验证环境vCenterIPVersionUSERPASSWORDDataCenterDataStoreRemark172.20.0.166.0.0 内部版本51...

weixin_30456153的博客 590

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

权限失控=安全危机?CrewAI工具调用管控必须关注的3个关键点

掌握CrewAI的工具调用权限管控实现,有效防范权限失控引发的安全风险。适用于多智能体协作场景,通过角色分级、调用审计与动态策略控制三大机制,保障系统安全稳定。提升AI协作安全性与可控性,值得收藏。

LogicPlex的博客 984

rabbitmq安装授权

RabbitMQ的用户角色分类: none、management、policymaker、monitoring、administrator user 有5种 tags : management :访问 management plugin; policymaker :访问 management plugin 和管理自己 vhosts 的策略和参数; monitoring :访问 management plugin 和查看所有配置和通道以及节点信息; administrator :一切权限; None :无配置

tracy9171的博客 447

2025,每天10分钟,跟我学K8S(三十七)- RBAC

我们在前面的章节,讲解了许多K8S中的对象,例如Pods、ConfigMaps、Deployments、Nodes、Secrets、Namespaces等,那如何对他们进行权限管理呢?假设我们有一个名为 zhangsan 的用户,想相对这些资源拥有权限,首先想到的就是针对每个资源针对用户进行赋权,例如create、get、delete、list、update、edit、watch、exec各种权限,那这时候又来了一个 lisi 的用户,需要想同的权限,那上述操作是不是需要再重复一次。有没有更简单的方法?

devopser6的专栏 1416
上一篇: 存储卷管理、持久卷、PV/PVC管理
苏州沃虎电子
博客等级 码龄7年 240粉丝 8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