Solaris查看端口及进程

本文介绍了在Solaris系统中查找安装日志、用户登录记录的方法,以及如何查看和管理端口及进程,包括使用netstat命令查看监听端口、确定端口所属进程并终止这些进程的具体步骤。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1. Solaris 10及一些系统补丁的安装日志一般可以在/var/sadm/install_data目录和/var/sadm/install目录中找到。
2. 用户登录日志可以使用last命令列出
3. a) netstat -na | grep -i listen通常可以看到目前系统侦听的端口号
   b) netstat -f inet 和 netstat -f inet6可以看到目前所建立的连接
   c) 要想知道某个端口被那个进程所使用,可以使用下面的方法得知:

-bash-3.00# cd /proc
-bash-3.00# for i in *
> do
> echo ------ process $i ---------
> pfiles $i | grep -i "port:8080"
> done
------ process 4721 ---------
        sockname: AF_INET 0.0.0.0  port: 8080
------ process 4724 ---------
        sockname: AF_INET 0.0.0.0  port: 8080
------ process 502 ---------
------ process 503 ---------

从以上的结果可以得知,端口8080被进程4721和4724所使用。

可以用 ps -Af 命令来列出系统中所有进程及详细信息,如下:

UID   PID  PPID   C    STIME TTY         TIME CMD
    root  4721     1   0 15:39:01 ?           3:32 /usr/jdk/instances/jdk1.5.0/jre/../bin/java -Dcom.sun.aas.instanceRoot=/export/
    root  4724  4721   0 15:39:16 ?           0:00 /usr/jdk/instances/jdk1.5.0/jre/../bin/java -Dcom.sun.aas.instanceRoot=/export/

 

或者整理为一行命令:

# for i in *; do echo ------ process $i --------- ; pfiles $i | grep -i "port: 8080" ; done


然后用
kill -9 4721
kill -9 4724

来杀死进程

在 Python 中,可以使用 statsmodels 模块中的 OLS 类来进行OLS回归模型的拟合和预测。下面是一个简单的示例代码: ```python import numpy as np import pandas as pd import statsmodels.api as sm # 生成随机数据 np.random.seed(123) X = np.random.rand(100) Y = 2*X + 0.5 + np.random.normal(0, 0.1, 100) # 将数据存放在DataFrame对象中 data = pd.DataFrame({'X': X, 'Y': Y}) # 添加截距项 data = sm.add_constant(data) # 拟合OLS回归模型 model = sm.OLS(data['Y'], data[['const', 'X']]) result = model.fit() # 输出回归结果 print(result.summary()) ``` 在上面的代码中,我们首先生成了一个简单的随机数据集,其中 X 是自变量,Y 是因变量。然后,我们将数据存放在了一个 pandas 的 DataFrame 对象中,并使用 sm.add_constant() 函数添加了截距项。接着,我们使用 sm.OLS() 函数拟合了OLS回归模型,并将结果保存在了 result 变量中。最后,我们使用 result.summary() 方法输出了回归结果的详细信息。 需要注意的是,在使用 statsmodels 进行OLS回归模型拟合时,需要显式地添加截距项,否则结果会有偏差。此外,我们还可以使用 result.predict() 方法来进行预测,即: ```python # 进行预测 new_data = pd.DataFrame({'X': [0.1, 0.2, 0.3]}) new_data = sm.add_constant(new_data) prediction = result.predict(new_data) # 输出预测结果 print(prediction) ``` 在上面的代码中,我们首先生成了一个新的数据集 new_data,然后使用 result.predict() 方法对其进行预测,并将结果保存在了 prediction 变量中。最后,我们使用 print() 函数输出了预测结果。
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