4.17云计算作业

UseLessQQ UseLessQQ 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 200+累计阅读 247平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄3年
关注
原创 最新推荐文章于 2026-07-26 15:39:37 发布 247 阅读 AI 写同款· GEO 优化 ›
大数据与云计算基础知识总结（一） 1.云计算来源： Google搜索引擎首先提出，并通过三篇论文为世人所知。 2.云计算定义： 动态扩展，通过网络将虚拟化资源作为服务提供。（Iaas,Paas,Saas） Iaas：提供硬件资源，AWS，网络服务，基础架构。 Paas：提供服务引擎，接口运行平台。 Saas：软件租用，使用状况。 3.其他云分类： 公有云、私有云、混合云。（分布式存储、分布式计算） 4.大数据作用： 阅读详情

要求：

1.R5为ISP，其上只能配置IP地址;R5与其他所有直连设备间均使用公有IP;环回地址为100.1.1.1/3

2.R4设备为企业出口路由器

3.整个0SPF环境IP基于172.16.0.0/16划分

4.所有设备均可访问R5的环回;

5.减少LSA的更新里，加快收敛，保障更新安全

6.全网可达 

配置：

r1

int g 0/0/0
ip address  172.16.35.1 29
q
int l 0
ip address 172.16.32.1 24	
ospf network-type broadcast 
ospf 1 router-id 1.1.1.1
area 1	
network 172.16.32.1 0.0.0.0
network 172.16.35.1 0.0.0.0
 
ospf 1
area 1
stub
 
int g 0/0/0
ospf n	
ospf network-type p2mp
 
ospf timer hello 5

r2

int g0/0/0 
ip address 172.16.35.2 29
q
int l 0 
ip address 172.16.33.1 24
ospf network-type broadcast 
 
ospf 1 router-id 2.2.2.2
area 1
network 172.16.33.1 0.0.0.0 
network 172.16.35.2 0.0.0.0
 
ospf 1
area 1
stub
 
int g 0/0/0 

ospf network-type p2mp
 
ospf timer hello 5

r3

int g 0/0/0
ip address 172.16.35.3 29
q
int g 0/0/1
ip address 172.16.0.1 30
q
int l 0
ip address 172.16.34.1 24
ospf network-type broadcast 
 
ospf 1 router-id 3.3.3.3
area 1
network 172.16.35.3 0.0.0.0
network 172.16.34.1 0.0.0.0
area 0
network 172.16.0.1 0.0.0.0
 
ospf 1
area 1	
abr-summary 172.16.32.0 255.255.224.0
 
area 1
stub no-summary
 
int g 0/0/1
ospf network-type p2p
int g 0/0/0
ospf network-type p2mp
 
ospf timer hello 5
 
ospf 1
area 0
authentication-mode md5 1 cipher 123456

r4

int g 0/0/0 
ip address 172.16.0.9 30 
q
int g 0/0/1 
ip address 172.16.0.2 30 
q
int g 0/0/2 
ip address 172.16.0.5 30
q
int s 4/0/1
ip address 45.0.0.1 30
q
 
ospf 1 router-id 4.4.4.4
area 0
network 172.16.0.2 0.0.0.0
network 172.16.0.5 0.0.0.0
network 172.16.0.9 0.0.0.0
 
ospf 1
default-route-advertise 
 
int g 0/0/1
ospf network-type p2p
 
ospf 1
area 0
authentication-mode md5 1 cipher 123456
 
acl 2000
rule permit source 172.16.0.0 0.0.255.255
q
int s 4/0/1
nat outbound 2000

r6

int g 0/0/0
ip add 172.16.66.1 30
q
int g 0/0/1
ip add 172.16.0.6 30
q
int l 0
ip add 172.16.64.1 24
ospf network-type broadcast 
 
ospf 1 router-id 6.6.6.6
area 0
network 172.16.0.6 0.0.0.0
area 2
network 172.16.66.1 0.0.0.0
network 172.16.64.1 0.0.0.0
 
ospf 1
area 2
abr-summary 172.16.64.0 255.255.224.0

area 2
nssa no-summary
 
ospf 1
area 0	
authentication-mode md5 1 cipher 123456

r7

int g 0/0/0
ip add 172.16.0.10 30
q
int g 0/0/1
ip add 172.16.98.1 30
q
int l 0
ip add 172.16.96.1 24	
ospf network-type  broadcast 
 
ospf 1 router-id 7.7.7.7
area 0
network 172.16.0.10 0.0.0.0
q
area 3
network 172.16.96.1 0.0.0.0
network 172.16.98.1 0.0.0.0
 
ospf 1
area 3	
abr-summary 172.16.96.0 255.255.224.0
 
ospf 1
area 3	
nssa no-summary 
 
ospf 1
area 0
authentication-mode md5 1 cipher 123456

r8

int g 0/0/0
ip address 172.16.98.2 30
q
int g 0/0/1
ip ad 172.16.98.5 30
q
int l 0
ip ad 172.16.97.1 24
 
ospf 1 router-id 8.8.8.8
area 3
network 172.16.98.2 0.0.0.0
network 172.16.97.1 0.0.0.0
network 172.16.98.5 0.0.0.0
 
ospf 1
area 3
nssa

r9

int g 0/0/0
ip add 172.16.98.6 30
q
int g 0/0/1
ip add 172.16.130.1 30
q
int l 0
ip add 172.16.128.1 24
ospf network-type broadcast 
 	
ospf 1 router-id 9.9.9.9
area 3
network 172.16.98.6 0.0.0.0	
ospf 2 router-id 9.9.9.9
area 4
network 172.16.128.1 0.0.0.0
network 172.16.130.1 0.0.0.0
 
ospf 1
import-route  ospf 2
q
ospf 2
import-route ospf 1
 
ospf 1
asbr-summary 172.16.128.0 255.255.224.0
 
ospf 1
area 3
nssa
ospf 2
default-route-advertise

r10

int g 0/0/0
ip add 172.16.130.2 30
q
int l 0
ip add 172.16.129.1 24
ospf network-type broadcas
 
ospf 1 router-id 10.10.10.10
area 4
network 172.16.129.1 0.0.0.0
network 172.16.130.2 0.0.0.0

r11

int g 0/0/0
ip add 172.16.66.2 30
q
int g 0/0/1
ip add 172.16.66.5 30
q
int l 0
ip add 172.16.65.1 24
ospf network-type broadcast 
 
ospf 1 router-id 11.11.11.11
area 2	
network 172.16.65.1 0.0.0.0
network 172.16.66.5 0.0.0.0
network 172.16.66.2 0.0.0.0
 
ospf 1
area 2
nssa

r12

int g 0/0/0
ip add 172.16.66.6 30
q
int l 0
ip add 10.1.1.1 24
q
int l 1
ip add 10.1.2.1 24
 
ospf 1 router-id 12.12.12.12
area 2
network 172.16.66.6 0.0.0.0
rip 1
ver 2
network 10.0.0.0
 
ospf 1
import-route rip 1
 
ospf 1
asbr-summary 10.1.0.0 255.255.252.0
 
ospf 1
area 2
nssa

尝试ping 100.1.1.1

标签
#云计算
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
华为数字化转型之道 方法篇 第五章 视IT为投资，用产品思维管理IT 比较传统信息化和数字化转型下的IT系统特征，我们发现业务环境、IT能力、业务和IT的关系都发生了巨大的变化（见图5-1）从“管理系统”到“作业平台”。企业通常的做法是将线下的文档、流程线上化，IT系统是作为管理系统而存在的。而面向数字化，企业的业务作业、业务运营和决策、团队协同等业务动作已经和IT系统集成，IT系统逐步转变为作业系统。从“功能优先”到“体验优先”，如果要整体完成一项工作往往需要用户在不同系统间切换，费时费力。 阅读详情

相关推荐

XGBoost与Embedding混合建模实战解析

在机器学习领域，特征工程与模型融合是提升预测性能的关键技术。Embedding技术通过将高维稀疏特征（如文本、ID类数据）转化为低维稠密向量，有效捕获语义关联；而XGBoost作为强大的集成学习算法，擅长处理结构化特征并进行自动特征组合。两者结合的混合架构（如Semantic Boosted Trees）在金融风控和推荐系统等场景中展现出显著优势，尤其在处理用户行为序列、商品ID等复杂特征时，相比传统方法能获得更好的模型效果。本文通过电商推荐和金融反欺诈等案例，详解如何实现Embedding+XGBoost

weixin_28718641的博客 325

云计算作业实践：从基础部署到自动化运维

云计算作为现代IT基础设施的核心技术，通过虚拟化资源池和按需分配机制实现高效计算。其核心原理在于将物理资源抽象化，通过API实现编程式管理。在工程实践中，基础设施即代码(IaC)和自动化运维大幅提升部署效率，其中Terraform和Ansible是关键工具。典型应用包括VPC网络搭建、EC2实例部署等云资源编排，以及通过CloudWatch实现监控告警。对于学习云计算的学生和工程师，掌握AWS等云平台的基础设施部署和自动化运维技能尤为重要，这不仅是技术能力的体现，也是应对云原生时代挑战的基础。本文以云曦课程

weixin_29202213的博客 263

PointNet/PointNet++模型调参实战：如何用PyTorch让你的点云分割精度再涨5个点？

本文深入探讨了PointNet/PointNet++模型在点云分割中的调参技巧，通过PyTorch实现精度提升5个点的实战方法。重点分析了点云密度自适应策略、感受野与细节保留的平衡，以及训练加速与稳定性技巧，适用于电力巡检、自动驾驶等场景的激光点云数据处理。

weixin_30836759的博客 476

云计算基础与应用作业习题分享

HNU云计算基础与应用第4-6章部分习题分享，与标准答案有些表述上的区别，但是答案都是对的，可用于云计算期末复习。 参考教材：《云计算导论》-吕云翔 张璐 王佳玮 编著

m0_62665400的博客 1041

python指纹识别算法（亲测代码可用）

python指纹识别算法

2301_76482796的博客 3078

（第100天）Oracle GoldenGate 常见故障处理指南

OGG 运维的核心在于细致的配置管理和主动的问题排查。熟悉常见错误、掌握关键操作流程、并善用日志和调试工具，是保障数据同步任务稳定运行的关键。希望这份指南能帮助您更高效地解决 OGG 同步中遇到的问题。祝您运维顺利！

LuciferLiu_DBA 301

2020.09.17 作业

2020.09.17 作业 1、什么是云计算？ 云计算是一种基于互联网的计算方式，它是基于数据切分的一种分布式计算，通过这种方式，共享的软硬件资源和信息可以按需求提供给计算机和其他设备，是对实现云计算模式所需要的所有技术的总称。 2、‌云计算特点？ ①资源池弹性可扩张 ②按需提供资源服务 ③网络化的资源接入 ④虚拟化 ⑤提高可靠性和安全性 3、‌云计算涉及技术 1.按技术路线分类：资源整合型、资源切分型 2.按服务对象分类：公有云、私有云、混合云、社区云 3.按资源封装的层次分类：基础设施即服务、平台即服务

Vitaminwjy的博客 237

【第2章＞第10节】深度学习DenseNet模型分析与matlab仿真

本文介绍了基于DenseNet深度学习模型的图像分类MATLAB实现方法。主要内容包括：1. DenseNet模型原理，详细解析了初始卷积层、密集块、过渡层等核心结构；2. 在MATLAB环境下完成DenseNet工具箱安装和测试样本准备；3. 实现图像预处理（统一缩放为224×224）、模型训练和测试的完整流程；4. 提供了混淆矩阵和准确率等测试结果分析。文章附带完整的MATLAB程序代码和操作视频教程，适合深度学习初学者快速掌握DenseNet模型的图像分类应用。通过实际测试，验证了该方案的有效性。

FPGA/MATLAB学习教程/源码/项目合作开发 330

云计算第四次作业

【代码】云计算第四次作业。

2401_88094907的博客 174

【YOLO11改进 - C3k2融合】C3k2融合动态蛇形卷积（Dynamic Snake Convolution）用于管状结构分割任务

【YOLO11改进 - C3k2融合】C3k2融合动态蛇形卷积（Dynamic Snake Convolution）用于管状结构分割任务

专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。 517

基于STM32+Qt上位机设计的智慧停车场管理系统(207)

本项目设计了一套基于STM32+Qt上位机的智慧停车场管理系统。该系统融合了先进的嵌入式技术、图像识别技术、数据库技术和移动互联网技术，通过STM32硬件端实时采集车库现场信息，包括车牌识别、车位占用状态监测等，并将数据上传至Qt上位机进行处理与展示。利用MySQL数据库存储车辆出入库记录及车位使用情况，确保数据的安全性和可追溯性；通过Android手机APP为用户提供查询、支付等功能，实现远程交互与便捷服务。

3942

云计算专业详细课程表（本科4年制，大三-大四核心课程）

快速理解云计算

m0_55843829的博客 1802

2024年03月CCF-GESP编程能力等级认证Python编程五级真题解析

下面流程图在yr输入2024时，可以判定yr代表闰年，并输出 2月是29天 ，则图中菱形框中应该填入（ ）。 A. (yr % 400 == 0) or (yr % 4 == 0) B. ( yr % 400 == 0) or (yr % 4 == 0 and yr %100 != 0) C. ( yr % 400 == 0) and ( yr % 4 == 0) D. (yr % 400 == 0) and (yr % 4 == 0 and yr % 100 != 0)

人生就是一个不断学习的过程 745

云计算作业

可以使用等价路由 当路由器访问同一个目标网段时，具备多条来源一致，开销值相同的路由信息，可以让流量拆分后 沿多条路径进行传输，达到叠加带宽的效果，减少单一链路数据传输的压力。（1）首先整个拓扑图共有17个网段所以要对192.168.1.0/24进行子网划分延长子网掩码 17个网段大于16个小于32个所以所以需要往后延长5位。当路由器需要配置多条路由项时，可以通过CIDR技术进行子网汇总，减少路由表表项数量，降低CPU运算负载，提高转发效率；通过修改路由项的优先级，实现对路由项的备份；5.全网尽量负载均衡。

Fu206721的博客 286

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具

作业提交网址

作业提交

nianchenya的博客 2621

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！

云计算作业（1.4）

TCP,UDP协议 eNSP操作方法

m0_74800552的博客 323

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")

马哥sre云计算运维第4次作业

本文包含Linux网络配置和Shell脚本编程相关内容。第一部分详细解析了/etc/sysconfig/network-scripts/ifcfg-eth0配置文件的参数含义，包括网络类型、IP地址、网关等设置。第二部分提供了一个检测局域网在线主机的Shell脚本，通过ping命令测试10.0.0.0/24网段内的主机并统计在线数量。第三部分展示了使用while循环读取/etc/passwd文件并计算用户ID总和的脚本。最后总结了Bash数组和字符串处理的相关知识，包括索引数组、关联数组的定义和操作方法，以

qq_45944473的博客 437

1.10云计算数据库作业

5.从student表查询所有学生的学号（id）、姓名（name）和院系（department）的信息。9、列出1960年以前出生的职工的姓名、参加工作日期。(没有1960以前的QAQ)6、创建一个只有职工号、姓名和参加工作的新表，名为工作日期表。12、列出所有部门号为2和3的职工号、姓名、党员否。8、列出所有姓刘的职工的职工号、姓名和出生日期。19.查询都是湖南的学生的姓名、年龄、院系和考试科目及成绩。2、查询所有职工所属部门的部门号，不显示重复的部门号。14、显示工资最高的前3名职工的职工号和姓名。

UseLessQQ的博客 453

云计算基础-4：Linux 进程管理

这篇文章深入浅出地讲解了Linux进程管理的核心概念与实践技巧。主要内容包括： 进程基础 进程与程序的区别：程序是静态指令集，进程是动态执行实例 进程生命周期：通过fork()创建，形成父子关系树，systemd为所有进程祖先 进程状态详解 6种主要状态（R运行、S睡眠、D不可中断睡眠等） 每种状态的应用场景及转换关系 实用进程管理工具 ps命令：查看静态进程信息（PID、CPU/内存占用等） 排序技巧（--sort参数快速定位资源占用高的进程） 进程树查看（-ef参数显示父子关系） 文章通过生动比喻（如厨

Breeze的博客 1646

云计算作业1

准备内容:软件VMware以及相应iso镜像文件，软件Xterminal。准备内容:软件VMware以及相应iso镜像文件，软件Xterminal。

2401_89623466的博客 1113

关于云计算的作业

+真抗摔 真防水 长续航</p><p>1899元起 <del>1999元</del></p></li><li><img src="./7.webp" alt=""><h3>REDMI Note 15 Pro</h3><p>真抗摔 真防水 长续航</p><p>1349元起 <del>1499元</del>

2501_93495644的博客 292

Linux云计算-就业第十二周作业

目录1、主从复制及主主复制的实现1.1主从复制1.2主主复制2、xtrabackup实现全量+增量+binlog恢复库2.1.全量恢复 2.2.增量恢复2.3 binlog日志恢复3、MyCAT实现MySQL读写分离3.1.读写分离概述3.2. MyCat概述 3.3 MyCat读写分离4、ansible常用模块介绍4.1 ​ping模块​4.2 Command模块​ 4.3 ​Shell模块​ ​4.4 Script模块4.5 Copy模块 ​4.6 Fetch模块​ 4.7​Get_url模块​4.8

jiwangqi的博客 339
上一篇： 云计算HCIP园区网作业
下一篇： 5.11云计算作业
点赞 3
评论 0
书签 书签 0
UseLessQQ
UseLessQQ
博客等级 码龄3年 73粉丝 42原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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