双网卡绑定-bond0

guowake guowake 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 1.2w累计阅读 1.2w+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19年
关注
原创 最新推荐文章于 2026-06-08 12:26:59 发布 1.2w 阅读 AI 写同款· GEO 优化 ›
Day 15 Linux网络管理 IP地址由4部分数字组成，每部分数字对应于8位二进制数字，各部分之间用小数点分开，这是点分2进制。如果换算为10进制我们称为点分10进制。每个ip地址由两部分组成网络地址(NetID)和主机地址(HostID).网络地址表示其属于互联网中的哪一个网络，而主机地址则表示其属于该网络中的哪一台主机.（网络位）：直接决定了可以分配的网络数 计算方法：2^网络号位数-2（主机位）：则决定了网络中最大的主机数 计算方法：2^主机号位数-2：用来，例如：192.168.1.0 /24。 阅读详情

网卡绑定就是多张网卡逻辑上作为一张网卡用。可分为，负载均衡绑定和冗余绑定两种。

1.编辑虚拟网络接口配置文件

[root@test~]# more /etc/sysconfig/network-scripts/ifcfg-bond0
DEVICE=bond0
IPADDR=172.16.4.100
NETMASK=255.255.255.0
BROADCAST=172.16.4.255
NETWORK=172.168.4.100
ONBOOT=yes

2.编辑各网卡的配置文件，注意编辑之前做好备份工作

[root@test~]# more /etc/sysconfig/network-scripts/ifcfg-eth0
BOOTPROTO=none
TYPE=Ethernet
DEVICE=eth0
ONBOOT=yes
MASTER=bond0
slave=yes
[root@test ~]# more /etc/sysconfig/network-scripts/ifcfg-eth1
BOOTPROTO=none
TYPE=Ethernet
DEVICE=eth1
ONBOOT=yes
MASTER=bond0
slave=yes

 

 

 

3.修改/etc/modprobe.conf 文件，同样做好备份，最后加入2行
   alias bond0 bonding
   options bond0 miimon=100 mode=1
注：
（1）、miimon 是链路监测的时间间隔单位是毫秒，miimon=100的意思就是，每100毫秒检测网卡和交换机之间是否连通，如不通则使用另外的链路。
（2)、mode=0 表示负载均衡方式，两块网卡都工作，需要交换机作支持
       mode=1 表示冗余方式，网卡只有一个工作，一个出问题启用另外的
       mode=6 表示负载均衡方式，两块网卡都工作，不需要交换机作支持

[root@test~]# more /etc/modprobe.conf
alias eth0 b44
alias eth1 8139too
alias usb-controller ehci-hcd
alias usb-controller1 ohci-hcd
alias bond0 bonding
options bond0 miimon=100 mode=0

4.在/etc/rc.d/rc.local 加入如下一行
ifenslave bond0 eth0 eth1

[root@test~]# more /etc/rc.d/rc.local
#!/bin/sh
#
# This script will be executed *after* all the other init scripts.
# You can put your own initialization stuff in here if you don't
# want to do the full Sys V style init stuff.

touch /var/lock/subsys/local
ifenslave bond0 eth0 eth1

5.重新启动后负载平衡已经能正常工作，service network restart，

6.查看bond0的工作状态

[root@test~]# more /proc/net/bonding/bond0
Ethernet Channel Bonding Driver: v2.6.1 (October 29, 2004)

Bonding Mode: load balancing (round-robin)
MII Status: up
MII Polling Interval (ms): 100
Up Delay (ms): 0
Down Delay (ms): 0

Slave Interface: eth0
MII Status: up
Link Failure Count: 1
Permanent HW addr: 00:1b:b9:58:8b:b2

Slave Interface: eth1
MII Status: down
Link Failure Count: 0
Permanent HW addr: 00:07:40:6c:ac:c8

7.查看经过绑定后的网卡工作情况

[root@test ~]# ifconfig -a
bond0     Link encap:Ethernet  HWaddr00:1B:B9:58:8B:B2 
         

inet addr:172.16.4.100 Bcast:172.16.4.255  Mask:255.255.255.0
          inet6 addr:fe80::200:ff:fe00:0/64 Scope:Link
          UP BROADCAST RUNNINGMASTER MULTICAST  MTU:1500  Metric:1
          RX packets:744154errors:0 dropped:0 overruns:0 frame:0
          TX packets:1866915errors:0 dropped:0 overruns:0 carrier:0
          collisions:0txqueuelen:0
          RX bytes:1099876146 (1.0GiB)  TX bytes:121233595 (115.6 MiB)

eth0      Link encap:Ethernet  HWaddr00:1B:B9:58:8B:B2 
          inet6 addr:fe80::21b:b9ff:fe58:8bb2/64 Scope:Link
          UP BROADCAST RUNNINGSLAVE MULTICAST  MTU:1500  Metric:1
          RX packets:744154errors:0 dropped:0 overruns:0 frame:0
          TX packets:1866905errors:0 dropped:0 overruns:0 carrier:0
          collisions:0txqueuelen:1000
          RX bytes:1099876146 (1.0GiB)  TX bytes:121232839 (115.6 MiB)
          Interrupt:9

eth1      Link encap:Ethernet  HWaddr00:1B:B9:58:8B:B2 
          inet6 addr:fe80::21b:b9ff:fe58:8bb2/64 Scope:Link
          UP BROADCAST SLAVEMULTICAST  MTU:1500  Metric:1
          RX packets:0 errors:0dropped:0 overruns:0 frame:0
          TX packets:10 errors:0dropped:0 overruns:0 carrier:0
          collisions:0txqueuelen:1000
          RX bytes:0 (0.0 b) TX bytes:756 (756.0 b)
          Interrupt:11 Baseaddress:0x1000

lo        Link encap:Local Loopback 
          inetaddr:127.0.0.1  Mask:255.0.0.0
          inet6 addr: ::1/128Scope:Host
          UP LOOPBACKRUNNING  MTU:16436  Metric:1
          RX packets:2129 errors:0dropped:0 overruns:0 frame:0
          TX packets:2129 errors:0dropped:0 overruns:0 carrier:0
          collisions:0txqueuelen:0
          RX bytes:1998893 (1.9MiB)  TX bytes:1998893 (1.9 MiB)

sit0      Link encap:IPv6-in-IPv4 
          NOARP MTU:1480  Metric:1
          RX packets:0 errors:0dropped:0 overruns:0 frame:0
          TX packets:0 errors:0dropped:0 overruns:0 carrier:0
          collisions:0txqueuelen:0
          RX bytes:0 (0.0 b) TX bytes:0 (0.0 b)

附：
DEVICE=物理设备名
IPADDR=IP地址
NETMASK=掩码值
NETWORK=网络地址
BROADCAST=广播地址
GATEWAY=网关地址
ONBOOT=[yes|no]（引导时是否激活设备）
USERCTL=[yes|no]（非root用户是否可以控制该设备）
BOOTPROTO=[none|static|bootp|dhcp]（引导时不使用协议|静态分配|BOOTP协议|DHCP协议）
HWADDR = 你的MAC地址

收录于
linux学习

当前文章被收录于：

linux学习
38 篇文章 1 人学习
订阅专栏 查看详情
标签
#负载均衡 #工作 #network #initialization #interface
#delay
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。
高效穿搭博主内容制作指南：DeepSeek+豆包+即梦AI+剪映黄金工作流 大家好，我是硅基打工人！ 只需3步实现AI自动化生成穿搭带货图文，日均产出效率提升10倍 阅读详情

相关推荐

内窥镜胶囊(胶囊内镜)硬件方案

内窥镜胶囊(胶囊内镜)硬件方案 前言 说明：该方案为作者2018年上半年完成的第一版，后来搁置了一段时间，才重启这个项目。目前（2020.07）第二版已经快要完成。[联系v：1#7#6#3#3#3#5#0#8#7#0]先给一下第一版和第二版的基本参数。 第一版： 续航时间：3h 帧率：0.5fps 尺寸：12mm * 25mm 角度：45° 第二版： 续航时间：12h 帧率：2-6fps 尺寸：9.8mm * 25mm 角度：130° 第一版属于尝试版，整体方案不是很成熟。第二版这个数据就非常优秀了。我拿了

CrekerLi的博客 4779

双网卡绑定bond0

Centos7双网卡主备模式配置（bond0） 通过双网卡设置主备模式，实现当一块网卡宕掉时，另外一块网卡可以自动顶替宕掉的网卡工作，保障网络正常访问。 1.修改网卡配置文件 切换工作目录 cd /etc/sysconfig/network-scripts/ 修改网卡配置文件ifcfg-eth0,保证以下内容正确： TYPE=Ethernet BOOTPROTO=none DEVICE=eth0 MASTER=bond0 SLAVE=yes ONBOOT=yes 修改网卡配置文件ifcfg-eth1，保证以

casen的博客 1583

ISO 15118-3协议栈开发避坑指南：从EvseSlac状态机设计看电动汽车充电握手难题

本文深入剖析了ISO 15118-3协议栈开发中的核心挑战，特别是SLAC握手流程的实现难点。以Everest项目的EvseSlac状态机为例，详细解读了从状态机设计、多厂商PLC芯片兼容性处理，到严苛的时序与超时控制等关键工程实践，为开发者提供了一套超越协议文档的、可直接落地的避坑指南和软件实现方案。

jump7的博客 266

ubuntu-多网卡聚合-bond技术教程-配置interfaces

Linux bonding一共有7种工作模式（mode）,如果是想要加大网卡的吞吐量，通常会使用mode=6的模式，如果是注重网络的稳定，通常会使用mode=1的模式

Perfect886的博客 2万+

【阿里云大模型高级工程师ACP习题集】2.1 用大模型构建新人答疑机器人

【摘要】这是我精心整理出对应的习题集，里面足足有 30 道题目，从基础概念到深度拓展，全方位覆盖章节重点、难点。不管你是想检验自己的学习成果，还是想针对薄弱环节进行强化训练，它都能完美适配！

davidkorhenn的博客 2607

CHIP-Seq数据分析流程

文章目录CHIP-Seq数据分析流程相关软件安装数据下载将SRA转化为fastq文件数据质控，过滤数据质控然后进行质控，过滤低质量reads，去接头比对下载小鼠参考基因组的索引和注释文件比对sam文件转bam为bam文件建立索引载入IGV查看用MACS call peak安装MACS结果注释与可视化 CHIP-Seq数据分析流程 相关软件安装 所需要的软件有sratoolkit, fastqc,bowtie2,samtools,macs2,htseq-count,bedtools和前面RNA-seq数据分析

bio_meimei的博客 8789

工作相关----《配置bond》

bond配置

qq_41894176的博客 853

如何在OBS中添加实时时间戳：Lua脚本配置教程（附效果展示）

本文详细介绍了如何在OBS中通过Lua脚本配置实时时间戳功能，包括环境准备、脚本获取、安装配置及高级定制。适用于直播和视频录制场景，提供精准回溯和风格自定义，支持多平台适配和性能优化，是专业制作的必备技巧。

day7的博客 1044

Linux下通过bonding技术实现网络负载均衡及冗余

<br />转自： http://blog.chinaunix.net/u2/64007/showart_2260398.html<br /> <br />Linux Bonding<br /><br /><br /><br />一、什么是bonding<br /><br />Linux bonding 驱动提供了一个把多个网络接口设备捆绑为单个的网络接口设置来使用，用于网络负载均衡及网络冗余<br /><br /><br />二、bonding应用方向<br /><br />1、网络负载均衡<br /><

opendba的专栏 1807

Opencv2.4.9源码分析——HoughCircles

图形可以用一些参数进行表示，标准霍夫变换的原理就是把图像空间转换成参数空间（即霍夫空间），例如霍夫变换的直线检测就是在距离-角度空间内进行检测。圆可以表示成： (x-a)2+(y-b)2=r2                   （1） 其中a和b表示圆心坐标，r表示圆半径，因此霍夫变换的圆检测就是在这三个参数组成的三维空间内进行检测。 原则上，霍夫变换可以检测任何形状。但复杂的形状需要的

赵春江的专栏 3万+

基于Playwright与异步技术的公司评价智能爬取实战：以Glassdoor为例

本文将介绍一套基于最新Python技术的智能爬虫解决方案，使用Playwright实现浏览器自动化，结合异步编程和智能解析技术，高效抓取Glassdoor等平台的公司评价数据。我们不仅关注数据获取，更注重数据的结构化处理和反反爬虫策略的实现。

2201_76125261的博客 223

双网卡bond0绑定配置手册

关于mode共有0-6等7种模式， mode的值表示工作模式，

别人的故事，是参考答案，而不是标准答案 7822

059、肤色还原专项调优：记忆色、颜色偏好建模与主观评价标准

文章摘要：肤色还原调优的技术挑战与实践经验 本文系统探讨了手机影像中肤色还原的技术难点与解决方案。通过实际案例揭示了肤色还原的本质是记忆色与颜色偏好的博弈，而非单纯的技术指标达标。文章详细分析了记忆色的三大特性（高饱和、地域差异、场景依赖）和颜色偏好的数学建模方法，提出了基于YCbCr/Lab空间的参数化模型和代价函数设计。在评价体系方面，强调主观评价的重要性，并分享了专家评审、用户调研、场景覆盖的三级验证方法。最后总结了实战中的关键经验，包括肤色检测优化、过渡处理、动态范围管理及视频/拍照差异策略。文章指

sundong_81的博客 250

Rocky Linux 9 双网卡 bond0 绑定

选中目标 Rocky 9 虚拟机 → 右键 → 电源 → 关闭客户机：VMware 添加/修改网卡硬件时，虚拟机必须完全关机（不可挂起），否则硬件变更无法生效，系统开机后也无法识别新网卡。

qq_52537313的博客 1629

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。

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制

Ubuntu 24.04 双网卡 bond0 绑定

本文详细介绍了在Ubuntu 24.04系统中配置双网卡绑定(bond0)的完整流程。首先说明虚拟机与物理机添加双网卡的方法，重点讲解VMware虚拟机添加双网卡的详细步骤和原理。接着分步指导bond0的配置过程，包括安装工具、备份配置、创建bond0专属配置文件（采用balance-rr轮询模式）以及应用配置。文章还提供了多种验证方法，包括查看bond0状态、测试网络连通性以及负载均衡/故障切换测试。最后给出了取消bond0绑定的还原步骤。

qq_52537313的博客 1824

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。

嵌入式系统linux下bond,CentOS双网卡绑定bond0

a)拷⻉并配置vim /etc/sysconfig/network-scripts/ifcfg-bond0配置⽂件(会自动创建文件)DEVICE=bond0TYPE=EthernetONBOOT=yesBOOTPROTO=staticIPADDR=xxx.xxx.xxx.xxxNETMASK=xxx.xxx.xxx.xxxGATEWAY=xxx.xxx.xxx.xxxUSERCTL=nob)编辑e...

weixin_32571761的博客 551

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")

CentOS6.5 双网卡绑定bond0

CentOS6.5 双网卡绑定 [root@mytest1 ~]# echo "alias bond0 bonding" >> /etc/modprobe.d/dist.conf  [root@mytest1 ~]# echo "ifenslave bond0 eth0 eth1" >>/etc/rc.local  [root@mytest1 ~]# vi /etc/sysconfi

火の鸟 1585

linux下双网卡绑定,Linux下双网卡绑定bond0

一：原理：linux操作系统下双网卡绑定有七种模式。现在一般的企业都会使用双网卡接入，这样既能添加网络带宽，同时又能做相应的冗余，可以说是好处多多。而一般企业都会使用linux操作系统下自带的网卡绑定模式，当然现在网卡产商也会出一些针对windows操作系统网卡管理软件来做网卡绑定(windows操作系统没有网卡绑定功能 需要第三方支持)。进入正题，linux有七种网卡绑定模式：0. round ...

weixin_42315996的博客 5230

cnetos 网卡绑定 eth0+eth1做双网卡绑定到bond0

1、网卡绑定：eth0+eth1做双网卡绑定到bond0 二、网络配置 网卡绑定1、/etc/sysconfig/network-scripts/目录下建立ifcfg-bond0文件，内容如下DEVICE=bond0ONBOOT=yesNM_CONTROLLED=noBOOTPROTO=none IPADDR=192.168.61.149 # ip地址NETMASK=255.25...

weixin_30911809的博客 507

双网卡绑定bond0配置mode=0（balance-rr）

centos 7.9 双网卡绑定 bond1 bond0 rr轮询与backup主备

XYQLinux的博客 4662

双网卡绑定方法（bond0）

1、vi /etc/sysconfig/network-scripts/ifcfg-eth0DEVICE=eth0TYPE=EthernetONBOOT=yesBOOTPROTO=noneUSERCTL=noMASTER=bond0SLAVE=yes2、vi /etc/sysconfig/network-scripts/ifcfg-eth1 同上设置3、vi /etc/sysconfig/netw...

corpse2010的专栏 2338

linux网卡端口绑定bond,Linux下双网卡绑定bond0

一：原理：linux操作系统下双网卡绑定有七种模式。现在一般的企业都会使用双网卡接入，这样既能添加网络带宽，同时又能做相应的冗余，可以说是好处多多。而一般企业都会使用linux操作系统下自带的网卡绑定模式，当然现在网卡产商也会出一些针对windows操作系统网卡管理软件来做网卡绑定(windows操作系统没有网卡绑定功能 需要第三方支持)。进入正题，linux有七种网卡绑定模式：0. round ...

weixin_36178216的博客 607

Linux下双网卡绑定bond0

一：原理： linux操作系统下双网卡绑定有七种模式。现在一般的企业都会使用双网卡接入，这样既能添加网络带宽，同时又能做相应的冗余，可以说是好处多多。而一般企业都会使用linux操作系统下自带的网卡绑定模式，当然现在网卡产商也会出一些针对windows操作系统网卡管理软件来做网卡绑定（windows操作系统没有网卡绑定功能 需要第三方支持）。 进入正题，linux有七种网卡绑定模式： 0. rou...

weixin_30498921的博客 107

linux双网卡配置bond4,centos7双网卡绑定bond0

Centos7双网卡主备模式配置(bond0)通过双网卡设置主备模式，实现当一块网卡宕掉时，另外一块网卡可以自动顶替宕掉的网卡工作，保障网络正常访问。1.修改网卡配置文件切换工作目录cd/etc/sysconfig/network-scripts/修改网卡配置文件ifcfg-eth0,保证以下内容正确：TYPE=EthernetBOOTPROTO=noneDEVICE=eth0MASTER=bo...

weixin_39678531的博客 1085

银河麒麟高级服务器操作系统【双网卡绑定之bond0】操作方法

nmcli connection add type bond ifname bond0 con-name bond0 mode active-backup //其中type为类型，ifname为设备名称（bond0为虚拟设备）， con-name为自定义配置连接名称，mode为模式。双网卡绑定可以实现将两块网卡虚拟成一块网卡，当其中一个网卡坏掉后网络通信仍然可以正常使用。在使用银河麒麟服务器操作系统时存在需要配置双网卡绑定的情况，例如为了保证系统中业务能够正常运行，需要配置双网卡绑定。

qq_39496637的博客 1030
上一篇： ssh ProxyCommand
下一篇： 配置SSH自动登录
点赞 1
评论 0
书签 书签 7
guowake
guowake
博客等级 码龄19年 62粉丝 66原创
+ 关注 专栏目录 订阅专栏
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