jenkin服务端搭建


Skip to end of metadata
Go to start of metadata


Jenkins是基于Java开发的一种持续集成工具,用于监控持续重复的工作,功能包括:

1.持续的软件版本发布/测试项目。

2.监控外部调用执行的工作。

安装jenkins服务器

方法一:官网下载最新版本,点击安装。

方法二:使用Homebrew安装jenkins。

  • jdk安装,官网地址点击这里,选择系统对应版本。
  • Homebrew安装,官网地址点击这里,终端输入下面安装命令。
    ps:速度慢的,请翻墙。
/usr/bin/ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"

安装完成之后键入命令:

brew install jenkins

完成安装后如图:

根据图中提示启动jenkins服务,即输入命令
brew services start jenkins

待服务启动成功之后,打开浏览器输入网址:

http://localhost:8080/

进入jenkins启动界面,耐心等待...

进入输出密码界面,复制下图框中文件的密码,粘贴到输入框,点击Continue

之后进入插件配置界面,可能会卡在这个界面,因为需要获取插件更新文件,文件大约1M左右,国外服务器,下面慢,貌似我翻墙都没有用还是卡着,同学们先试试翻墙,还是不行试试下面的方法。找到文件~/.jenkins/hudson.model.UpdateCenter.xml

长这样:

<?xml version='1.0' encoding='UTF-8'?>
<sites>
  <site>
    <id>default</id>
    <url>http://mirror.xmission.com/jenkins/updates/update-center.json</url>
  </site>
</sites>


将 http://mirror.xmission.com/jenkins/updates/update-center.json 替换成 http://mirror.xmission.com/jenkins/updates/update-center.json

重启jenkins服务或者重启机器,登录http://localhost:8080/

顺利的话会进入配置插件界面,选择左边,安装建议插件,之后耐心等待。

 

下载之后,可能会出现个别插件下载失败的情况,可以点击Retry或者Continue,这里我们点击Continue

进入创建首个用户界面,友情提示:别忘记了,忘记了的话,去问下度娘。

之后会让创建首个项目,这里就不创建了,我们点击Continue,之后点击Start using Jenkins按钮

最终来到了我们熟悉的jenkins界面

至此jenkins服务器已经创建完成,下面我们做些配置。

点击 系统管理->系统设置 找到全局属性这栏,添加环境变量,如下图。LC_ALL:(en_US.UTF-8) 设置字符编码,因为我们是mac机器设置成UTF8编码,PATH:(/usr/local/bin:$PATH)环境变量,通俗点就是找命令的文件夹路径。

配置jenkins地址,用途如下图中的说明,域名和ip找网管映射。

到此jenkins服务器已经配置完成,很开心的用其他机器试试登录服务器:打开浏览器输入地址 yourIP:8080,怎么回事,为什么访问不了。

悲剧了~是我们jenkins服务器哪儿配置不对,出问题了吗。哈,其实不用担心是因为我们使用brew安装jenkins时,默认将监听地址设置为了127.0.0.1。我们需要将他修改成0.0.0.0

回到服务器,配置所在位置~/Library/LaunchAgents/homebrew.mxcl.jenkins.plist,将127.0.0.1修改成0.0.0.0,在使用其他机器访问试试,是不是成功登陆了^_^。

【负荷预测】基于VMD-CNN-LSTM的负荷预测研究(Python代码实现)内容概要:本文介绍了基于变分模态分解(VMD)、卷积神经网络(CNN)和长短期记忆网络(LSTM)相结合的VMD-CNN-LSTM模型在负荷预测中的研究与应用,采用Python代码实现。该方法首先利用VMD对原始负荷数据进行分解,降低序列复杂性并提取不同频率的模态分量;随后通过CNN提取各模态的局部特征;最后由LSTM捕捉时间序列的长期依赖关系,实现高精度的负荷预测。该模型有效提升了预测精度,尤其适用于非平稳、非线性的电力负荷数据,具有较强的鲁棒性和泛化能力。; 适合人群:具备一定Python编程基础和深度学习背景,从事电力系统、能源管理或时间序列预测相关研究的科研人员及工程技术人员,尤其适合研究生、高校教师及电力行业从业者。; 使用场景及目标:①应用于日前、日内及实时负荷预测场景,支持智慧电网调度与能源优化管理;②为研究复合型深度学习模型在非线性时间序列预测中的设计与实现提供参考;③可用于学术复现、课题研究或实际项目开发中提升预测性能。; 阅读建议:建议读者结合提供的Python代码,深入理解VMD信号分解机制、CNN特征提取原理及LSTM时序建模过程,通过实验调试参数(如VMD的分解层数K、惩罚因子α等)优化模型性能,并可进一步拓展至风电、光伏等其他能源预测领域。
【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)内容概要:本文研究了一种基于融合鱼鹰和柯西变异的麻雀优化算法(OCSSA)优化变分模态分解(VMD)参数,并结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)的轴承故障诊断模型。该方法利用西储大学轴承数据集进行验证,通过OCSSA算法优化VMD的分解层数K和惩罚因子α,有效提升信号去噪与特征提取能力;随后利用CNN提取故障特征的空间信息,BiLSTM捕捉时间序列的长期依赖关系,最终实现高精度的轴承故障识别。整个流程充分结合了智能优化、信号处理与深度学习技术,显著提升了复杂工况下故障诊断的准确性与鲁棒性。; 适合人群:具备一定信号处理、机器学习及MATLAB编程基础的研究生、科研人员及从事工业设备故障诊断的工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选择的问题,实现自适应优化;②构建高效准确的轴承故障诊断模型,适用于旋转机械设备的智能运维与状态监测;③为类似机电系统故障诊断提供可借鉴的技术路线与代码实现参考。; 阅读建议:建议结合提供的Matlab代码进行实践操作,重点关注OCSSA算法的设计机制、VMD参数优化过程以及CNN-BiLSTM网络结构的搭建与训练细节,同时可尝试在其他故障数据集上迁移应用以加深理解。
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
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