玩Linux命令行,必须得了解的提高效率的快捷键

本文详述Linux命令行中的高效快捷键,包括光标移动、内容删除及复制粘贴等技巧,同时提供使用wrk工具进行网站性能压测的实际案例,展示如何调整并发数和连接数以获取更精准的测试结果。

前提:

看此篇文章前,得先了解下常用得Linux有哪些命令

21天,搞定软件测试从业者必备的Linux命令(完整篇)

以及日常工作,用Linux能干啥 ? -》点击访问老徐写过得Linux系列文章 http://istester.com/linux.html

/

玩Linux命令行,必须得了解的提高效率的快捷键

ctrl+a:光标移到行首。 
ctrl+e:光标移到行尾。

ctrl+b:光标左移一个字母。 
ctrl+f: 光标右移。 

 ctrl+h:删除光标前一个字符。 
ctrl+w: 移除光标前的一个单词。 ctrl+d:删除光标所在字母。

 ctrl+k:清除光标后至行尾的内容。 
ctrl+u: 清除光标前至行首间的所有内容。 

ctrl+l:清屏,相当于clear。 

ctrl + c /ctrl + z  中断命令,中断任务执行

ctrl+t:交换光标位置前的两个字符 
ctrl+y: 粘贴或者恢复上次的删除 

esc组合 
esc+d: 删除光标后的一个词 
esc+f: 往右跳一个词 
esc+b: 往左跳一个词 
esc+t: 交换光标位置前的两个单词。

针对如上的快捷键,来一个案例 。

假设 ,老徐现在要对自己的测试博客isTester.com的搜索这块进行压测,得到tps和响应时间 。压测工具:wrk (wrk咋用?点击了解 )执行命令如下 :

wrk -t10 -c200 -d30s --latency --script istester.lua "http://istester.com/search-index-wrk-1.html?idoxu" > istester_wrk_report.ini

注:如上脚本含义,200并发,10线程,执行30s,调用istester.lua脚本,对url进行压测,并把压测结果,写入istester_wrk_report.ini文件中 。可以通过命令 cat istester_wrk_report.ini 查看压测报告 。

如果不想每次执行的结果被覆盖,可以把“>”更换为“>>”最终命令如下:

wrk -t10 -c200 -d30s --latency --script istester.lua "http://istester.com/search-index-wrk-1.html?idoxu" >> istester_wrk_report.ini

用wrk工具,执行压测 。
需要不断改执行参数(并发数、连接数) ,这个时候 ctrl + a(特别是命令行特别长,跳转到行首修改) ,就非常重要了 。具体,自己慢慢看,对照实操一遍,此份快捷键清单,自己收藏 & 保存 。对此块,如有兴趣的,留个言 ;老徐有时间可以录个操作视频 。

IDO老徐
原文链接 http://istester.com/linux/308.html

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

IDO老徐

转发 + 讨论 > 赞赏

¥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
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