云原生线上问题排查必备知识

HackTricks:开发者必备的云原生时代安全实战宝典 在云原生和DevOps成为主流的今天,应用安全已从传统的运维边界前移至开发阶段,成为软件开发生命周期(SDLC)的核心环节。其核心原理在于将安全实践“左移”,通过自动化工具链和流程内嵌,在代码编写、依赖引入和配置部署的源头规避风险,从而大幅降低漏洞修复成本并提升软件质量。这一理念的技术价值在于赋能开发者,使其无需成为安全专家,也能在日常工作中系统性地识别和缓解常见威胁。典型的应用场景包括:在编码阶段参考安全编码检查清单进行主动防御;在测试阶段构建基于真实攻击手法的安全测试用例;在部署阶段对照云服务与容器配置 阅读详情

线上问题排查,以下场景,你遇到过吗?

一、了解机器连接数情况

问题:1.2.3.4的sshd的监听端口是22,如何统计1.2.3.4的sshd服务各种连接状态(TIME_WAIT/ CLOSE_WAIT/ ESTABLISHED)的连接数。

常见方法:

  • netstat -n | grep 1.2.3.4:22 | awk '/^tcp/ {++S[$NF]} END {for(a in S) print a, S[a]}’

  • netstat -lnpta | grep ssh | egrep “TIME_WAIT | CLOSE_WAIT | ESTABLISHED”

  • n [仅限于阿里云]

说明:netstat是追查网络连接问题常用工具,和grep/awk结合更是神器,当然如果在阿里云上,还有更方便的方法。

二、从已经备份好的日志中查询数据

问题:从已备份的suyun.2022-06-26.log.bz2日志中,找出包含关键字1.2.3.4的日志有多少条。

常见方法:

  • bzcat suyun.2022-06-26.log.bz2 | grep '1.2.3.4' | wc -l

  • bzgrep '1.2.3.4' suyun.2022-06-26.log.bz2 | wc -l

  • less suyun.2022-06-26.log.bz2 | grep '10.37.9.11' | wc -l

说明:线上日志文件一般以bz2 压缩之后保留,如果解压查询,非常耗空间与时间,bzcat和bzgrep是研发同学必须掌握的工具。

三、备份服务的技巧

问题:打包备份/opt/web/suyun_web目录,排除掉目录中的logs和目录,打包好的文件存放在/opt/backup目录下。

常见方法:

tar -zcvf /opt/backup/shenjian.tar.gz \

    -exclude /opt/web/suyun_web/logs \

    /opt/web/suyun_web

说明:这个命令线上应用较为频繁,在项目需要打包迁移时,常常需要排除掉日志目录,exclude是需要掌握的参数。

四、查询线程数

问题:查询服务器运行服务的总线程数,当机器线程数超报警阀值时,能快速查出相关进程及线程信息。

参考答案:

  • ps -eLf | wc -l

  • pstree -p | wc -l

五、磁盘报警,清空最大文件

问题:找出服务器上,某个正在运行的tomcat产生的大量异常日志,找出该文件,并释放空间。不妨设该文件包含log关键字,并且大于1G。

常见方法:

第一步,找到该文件

  • find / -type f -name "*log*" | xargs ls -lSh | more 

  • du -a / | sort -rn | grep log | more

  • find / -name '*log*' -size +1000M -exec du -h {} \;

第二步,将文件清空

假设找到的文件为a.log

正确的情况方式应该为:

echo "">a.log

文件空间会立刻释放。

很多同学会使用:

rm -rf a.log

这样文件虽然删除,但是因tomcat服务仍在运行,空间不会立刻释放,需要重启tomcat才能将空间释放。

六、显示文件,过滤注释

问题:显示server.conf 文件,屏蔽掉#号开头的注释行

常见方法:

  • sed -n '/^[#]/!p' server.conf

  • sed -e '/^#/d' server.conf

  • grep -v "^#" server.conf

七、磁盘IO异常排查

问题:磁盘IO异常如何排查,类似写入慢或当前使用率较高,请查出导致磁盘IO异常高的进程ID。

常见方法:

第一步:

iotop -o

查看当前正在写磁盘操作的所有进程ID信息。

第二步:如果此时各项写入指标都很低,基本没有大的写入操作,则需要排查磁盘自身。可以查看系统

dmesg

或

cat /var/log/message

看看是否有相关的磁盘异常报错,同时可以在写入慢的磁盘上touch一个空文件看看,是否磁盘故障导致无法写入。

如何排查线上内存溢出的问题? 更重要的是,它展示了系统化排查和解决内存溢出问题的重要性。本章将带领你深入探索内存溢出的世界,从基本概念到高级排查技术,从工具使用到最佳实践,构建一套完整的内存溢出排查知识体系,让你能够从容应对各种复杂的内存问题挑战。无论你是开发人员、测试工程师还是运维专家,本章内容都将帮助你构建完整的内存溢出排查知识体系,提升解决复杂技术问题的能力,为你的职业发展增添重要筹码。在这样的背景下,掌握系统化的内存溢出排查方法论不仅是解决紧急问题的"救火队员"技能,更是提升系统稳定性、优化资源利用和预防潜在风险的战略能力。 阅读详情

相关推荐

【云原生系列】云原生下的网络安全如何防御?

云原生下的网络安全如何防御? OneDNS来解决!

wanghuichen的博客 6841

云原生网关的可观测性体系实践

云原生网关是阿里云微服务引擎(MSE)下的一款托管类型网关产品,其将传统的流量网关与微服务网关进行了整合,本文将讲述如何基于云原生网关去搭建网关场景的可观测性体系。

阿里巴巴云原生的博客 586

Kubernetes企业级云原生运维实战指南

随着云计算技术的飞速发展,云原生技术已成为现代软件开发和运维的重要趋势。作为云原生技术的核心组件之一,Kubernetes(简称K8s)凭借其强大的容器编排能力,在企业级应用中发挥着越来越重要的作用。本文将深入探讨Kubernetes在企业级云原生运维中的实战应用,包括集群部署、监控、故障排查、性能优化等方面,旨在帮助读者更好地理解和应用这一技术。

一键难忘的博客 6610

阿里云云原生微服务可观测实践

如果说监控可以告诉我们系统出问题了,那么可观测就可以告诉我们系统哪里出问题了,什么原因导致的问题。可观测不但可以判断系统是否正常,还可以在系统出现问题之前,主动发现系统风险。

阿里巴巴云原生的博客 647

如何设计一个云原生平台

本文将以“问题-方案-实践”为主线,系统讲解云原生平台的设计方法。我们将从需求分析和设计原则入手,逐步深入基础设施层(容器编排、网络、存储)、核心服务层(CI/CD、服务网格、监控)、应用开发框架,最终覆盖安全体系和成本优化。每个环节都会结合具体场景、技术选型对比和代码示例,帮助你构建一个弹性、可观测、自动化的云原生平台。云原生平台是指基于云环境设计的基础设施和工具链集合,旨在支持应用全生命周期的自动化、弹性扩展和高可用性。

AI天才研究院 1005

云原生安全与网络协议深度测试解析

本篇博客文章深入探讨了云原生应用中的数据描述语言选择、域名管理信息获取、网络通信协议与攻击手段等重要知识点,通过详实的实践测试题解析,为读者提供了系统的网络安全知识框架。

weixin_36074800的博客 720

得物云原生全链路追踪Trace2.0-采集篇

2020年3月,得物技术团队在三个月的时间内完成了整个交易体系的重构,交付了五彩石项目,业务系统也进入了微服务时代。系统服务拆分之后,虽然每个服务都会有不同的团队各司其职,但服务之间的依赖也变得复杂,对服务治理等相关的基础建设要求也更高。

SmartCodeTech的博客 1752

手把手教你用Zygo干涉仪分析光学元件:从原始数据到清晰面形图的完整滤波流程

本文详细介绍了使用Zygo干涉仪和MetroPro软件分析光学元件面形的完整滤波流程,从原始数据解析到清晰面形图生成。重点讲解了滤波策略选择、参数调优技巧及常见问题解决方案,帮助工程师高效处理干涉图数据,提升光学元件检测精度。

weixin_42641998的博客 411

百度工程师眼中的云原生可观测性追踪技术

该平台的特色是将单一API时代的设计转变为分布式设计,实现统一的上下文传播的context,以及采样策略的决策转移到跟踪后端,允许后端动态调整采样率。当然,可观测性的意义在于更好的服务于业务系统,在实践中的应用往往是贴合业务需要,对其分析抽象,可以看到几种可观测系统的功能和特性,例如,开源的prometheus项目最初只是作为一个监控系统启动的,随着时间的推移,它可能会向跟踪方向发展,从而进入请求范围(request-scope)内的监控,但很可能不会深入到日志空间。...

weixin_70730532的博客 322

Linux-BSP-WIFI驱动移植与调试实战——以RTL8189FS为例

本文以RTL8189FS为例,详细介绍了Linux BSP中WiFi驱动移植与调试的全流程。涵盖硬件原理图分析、内核配置、设备树适配、驱动编译加载及问题排查等关键步骤,提供实用的调试技巧和解决方案,帮助开发者高效完成嵌入式WiFi驱动开发。

moon9的博客 400

【乐企-工具篇】生成发票左上角二维码

【代码】【乐企-业务篇】生成发票左上角二维码。

九七的博客 710

云原生故障排查:容器与K8s常见问题解决方法

文章系统介绍了云原生环境中容器与Kubernetes常见问题的解决方法,包括核心概念、技术原理和实践应用。首先阐述了容器编排的重要性及其在云原生架构中的关键作用,随后详细解析了Docker和Kubernetes的基础操作命令、YAML配置示例以及技术架构。实践部分提供了从环境搭建到应用部署的完整操作指南,涵盖基础容器操作、K8s集群部署以及包含ConfigMap、Ingress等组件的进阶配置方案。这些内容为开发运维人员提供了从入门到进阶的云原生问题解决参考框架。

输出倒逼输入,写作驱动成长。 2710

YOLOv11改进 | 主干/Backbone篇 | 轻量级移动端网络ShuffleNetV2(附代码+修改教程)

本文给大家带来的改进内容是ShuffleNetV2,这是一种为移动设备设计的高效CNN架构。其在ShuffleNetV1的基础上强调除了FLOPs之外,还应考虑速度、内存访问成本和平台特性。(我在YOLOv11n上修改该主干降低了GFLOPs,但是参数量还是有一定上涨,其非常适合轻量化的读者来使用,同时精度也有一定程度的上涨)。本文通过介绍其主要框架原理,然后教你如何添加该网络结构到网络模型中。

Snu77的博客 3389

K8S集群问题排查解决秘诀:高效定位与解决Kubernetes问题的必备工具

K8S集群问题排查解决秘诀:高效定位与解决Kubernetes问题的必备工具 【下载地址】K8S集群问题排查解决秘诀 掌握K8S集群问题排查的核心技巧,轻松应对复杂场景。本指南深入解析Kubernetes架构,提供监控、日志、网络通信及DNS问题的排查方法,助您快速定位并解决集群中的各类故障。无论您是K8S新手还是经验丰...

gitblog_06739的博客 448

Jetson 平台编译安装 FFmpeg 7.1(支持 Nvmpi + SRT + x265)

摘要: 本文详细介绍了在NVIDIA Jetson平台上编译FFmpeg 7.1并集成关键功能的全过程。通过补丁方式加入Nvmpi实现硬件加速支持,同时编译集成x265编码器和SRT低延迟传输协议。步骤涵盖:1)安装x265编码器;2)配置SRT协议支持;3)编译jetson-ffmpeg的Nvmpi接口;4)定制化编译FFmpeg 7.1;5)验证模块集成情况。最终实现支持硬件编解码、高效HEVC压缩和可靠推流的增强版FFmpeg,为Jetson平台的音视频处理提供完整解决方案。

J。 346

CRC_16---ModBus 计算方法及代码实现

1、 CRC寄存器初始值为 0xFFFF;即16个字节全为1; 2、 CRC-16 / ModBus的多项式0xA001H (1010 0000 0000 0001B) ; ‘H’表示16进制数,‘B’表示二进制数。 计算步骤为: (1).预置 16 位寄存器为十六进制 0xFFFF(即全为 1) ,称此寄存器为 CRC 寄存器; (2).把第一个 8 位数据与 16 位 CRC 寄存器的低位相异或,把结果放于 CRC 寄存器; (3).检测相异或后的CRC寄存器的最低位,若最低位为1,CRC寄存器

1万+

大模型时代,还不懂云原生会怎么样?

关注我们丨文末赠书大厂为什么都在卷云原生?自从 OpenAI 发布 ChatGPT 以来,国内各家大厂在大模型领域展开了激烈的军备竞赛。掌握着数据与云计算资源的大厂也成为大模型的头部玩家,相关的产品如雨后春笋:百度的文心大模型、阿里的通义千问、腾讯的混元大模型、华为的盘古大模型,等等。这些超大规模的模型其训练参数都在千亿以上,有的甚至超过万亿级。对于各家大厂来说,要想在竞争中胜出,就必须充分利用算...

dotNET跨平台 930

Navicat从入门到精通:数据库管理全攻略

本文系统梳理Navicat数据库管理工具的核心应用体系。从基础的安装与多类型数据库连接入手,详解数据库与数据表的创建、修改、删除等操作逻辑;深入数据增删改查的可视化与 SQL 语句双重操作模式,结合Excel/SQL文件的导入导出场景提供实操指南。同时覆盖数据备份恢复、跨库同步等进阶功能,以及视图、存储过程等高级应用。通过对比同类工具突出Navicat的易用性与功能性优势,并针对连接失败、字符乱码等常见问题提供解决方案,帮助读者从零基础掌握数据库全生命周期管理,提升数据操作效率与安全性。

邓邓子的博客 1900

架构师面试必备:Java性能调优实战指南——从OOM到CPU飙升的完整排查思路

在2025年的企业级应用开发领域,Java性能调优能力已成为架构师技术评估的核心指标。根据Gartner最新发布的《2025年企业软件质量报告》显示,在参与调研的500家大型互联网企业中,93%的技术团队将性能优化能力列为架构师岗位的必备技能,这一比例较2023年提升了27个百分点。

zuiyuelong的博客 1280

【DRAM存储器二十六】DDR4介绍-DDR4 SDRAM的主要技术特性之CA Parity、CRC Write date

详述DDR4的CA奇偶检验和写数据CRC校验功能

highman110的博客 1300

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。

Java高级_资深_架构岗 核心知识点(云原生)

云原生是2026年Java架构岗面试的“重中之重”,也是区分“普通高级后端”和“资深架构师”的核心门槛。随着云原生技术的常态化,越来越多的企业(从互联网大厂到中小公司)将业务迁移到云原生架构,面试官核心考察“云原生核心概念、组件落地、实战优化、问题排查”,拒绝“纸上谈兵”,重点关注你是否有真实的云原生项目落地经验,能否结合业务场景设计、优化云原生架构。

Coder_Boy_的博客 1451

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

基于阿里云落地SpringCloudAlibaba云原生微服务:从部署、CI/CD到性能调优、线上排障全体系实战

很多Java开发者只会写业务CRUD,但不懂服务上云、容器部署、线上治理、性能优化。能把微服务完整落地、能上线、能运维、能排查故障、能优化性能的云原生开发工程师。本文将结合我个人实战经验,通俗易懂拆解一套阿里云 + SpringCloudAlibaba 完整云原生落地体系,清晰区分入职必备核心能力和高薪加分能力,对每一款产品讲解场景、作用、解决的痛点,完全贴合企业生产真实场景。传统开发:代码写完扔服务器,手动部署、手动重启、手动改配置、出问题瞎排查,服务器环境混乱、上线慢、容易崩、扩容麻烦。

edwardwzw的博客 466

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")

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。

学习k8s要学习哪些知识点?

33,993 关注问题​写回答 ​邀请回答 ​好问题 1 ​1 条评论 ​分享 ​ 登录后你可以 不限量看优质回答私信答主深度交流精彩内容一键收藏 登录 查看全部 9 个回答 Linux段子手老王 B站:Linux段子手老王 公众号:程序员面试吧 4 人赞同了该回答 Kubernetes 作为云原生的核心平台,吸引了越来越多的运维、开发、测试、项目、以及其他技术人员去了解、学习、掌握它。 可能在几年前,你只要会使用 Kubernetes,就可以找到一份待遇丰厚的工作。但是现

wangbaosongmsn的博客 1600

云原生实践

云原生这个词已经听得特别多了,关于它的概念它的历史它的社区我就不在累述了,大家可以找一下资料了解,这里我想聊的是云原生的特点及实践。

代码让AI扣 530

云原生工程师必备认证清单(稀缺权威指南,仅限资深架构师内部流传)

掌握云原生技能认证推荐路径,快速提升架构能力。涵盖Kubernetes、微服务、DevOps主流技术栈,适用于中高级工程师进阶场景。权威认证清单助力职业突破,值得收藏。

StepLens的博客 1141
上一篇: 非单一产品采购项目招标文件中是否必须载明核心产品?
下一篇: 渗压自动化监测设备如何选型
数字化信息化智能化解决方案
博客等级 码龄5年 3349粉丝 566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

打赏作者

数字化信息化智能化解决方案

你的鼓励将是我创作的最大动力

¥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