linux web网站服务(2)理论及实验过程(客户机地址限制,用户授权限制及基于域名,IP地址,端口的虚拟主机)

实验环境为虚拟机下centos 7系统下 试验下安装rpm中apache服务后的实验环境

1.客户机地址限制:

require all granted 允许所有主机访问

require all denied 拒绝所有主机访问

require local 仅允许本地主机访问

require【not】host <主机名或域名列表>,表示允许或拒绝指定主机或域访问

require 【not】ip<ip 表示允许或拒绝指定ip地址或网段访问

实验示例限制为只希望禁止192.168.1.250 客户机及192.168.2.0网段下的客户机无法访问,但允许任何主机访问,如图打开httpd配置文件并使用如下限制策略 并重启加载服务服务

 

当未被授权的客户机访问网站目录时将会被拒绝访问,如图

 2.用户授权限制

(1)创建用户认证数据文件

httpd的基本认证通过校检用户名,密码组合来判断是否允许用户访问,授权访问的用户账号需要事前建立,并保存在固定的数据文件中。使用专门的htpasswd工具程序,可以创建授权用户数据文件,并维护其中的授权账号。

实验示例新建数据文件/usr/lcoal/httpd/conf/.awspwd,其中包含用户zhangsan的信息,(-c表示为新建立此文件)

​​​​​​

(2) 添加用户授权配置

有了授权用户账号以后,还需要修改httpd.conf配置文件,在特定的目录区域中添加授权配置,以启用基本认证并设置允许哪些用户访问。

实验示例只允许。.awspwd数据文件中的任一用户访问网页 如图

 

需要注意的是,用户访问授权与主机访问控制同时设置时,设置的主机访问控制生效。 

(将require all granted改为require all denied)退出后并重新加载下配置文件。

3.基于域名的虚拟主机

实验示例以虚拟web主机www.bdqn1.com和www.bdqn2.com为例使用httpd服务器搭建 IP地址为192.168.1.20.

(1)为虚拟主机提供域名解析

实验中自行搭建测试用的dns服务器,主配置文件named.conf中需要添加bdqn1.com和bdqn2.com两大区域,各区域的区域文件中均设置“www-->192.168.1.20”的a记录,确认客户机能够正确解析www.bdqn1.com和www.bdqn2.com对应的IP地址.。(实验环境需安装bind-9...和bind-chroot..rpm包)进入named服务主配置并配置内容

 

 

 接下来分别再到bdqn1.com和bdqn2.com的区域配置内容

 

 

退出配置文件后并重新加载

(2)为每个虚拟主机准备网页文档

为每个虚拟web主机准备网站目录及网页文档,为了测试方便,分别为每个web主机提供包含不同内容的首页文件。以下实验示例,在/var/www/html目录下创建两个文件夹bdqn1.com,bdqn2.com,分别作为www.111.com和www.222.com的网站根目录,并分别编写测试网页文件 

 (3)添加虚拟主机配置

在httpd服务器的主配置文件中,启用基于域名的虚拟web主机,需要配置以下两个方面的内容。

虚拟主机区域:使用<virtuallhost 监听地址>......</virtuallhost>区域配置,为每个虚拟web主机建立独立的配置内容。

目录权限,使用<directory目录位置>......</directory>区域位置,为每个虚拟web主机的网站目录设置访问权限。、

当虚拟web主机数量较多时建议使用独立的虚拟主机配置文件,在httpd.conf文件中通过lnclude加载这些配置。

 

 

 

 退出后重新加载配置文件并验证 验证成功后如图

 

 4.基于IP地址,端口的虚拟主机

(1)基于ip地址的虚拟主机

对于基于IP地址的虚拟主机,每个虚拟主机各自使用不同的IP地址,但都是通过一台http服务器对外提供web浏览服务。

实验示例站点www.bdqn1.com的IP地址为192.168.1.10 www.bdqn2.com的IP地址为192.168.1.20

(因要求在ens33网卡添加一条为192.168.1.10网段的IP地址)

 

 退出后并重新加载配置文件验证

 

 (2)基于端口的虚拟主机

基于端口的虚拟主机通常只用于同一个web站点,其针对的网站名称,IP地址往往是相同的,但通过不同的tcp端口来提供访问不同网页内容的服务入口。

实验示例通过80端口访问www.bdqn.com站点时,看到的是正常的bdqn站点内容,而当通过端口8353来访问www.bdqn.com时,看到的是bdqn站点的后台系统管理页面。

 

 

 退出后并重新加载配置文件并验证

 

 自此实验全部结束

转载跟我说一声 - -累死了

基于 NSFW Model 色情图片识别鉴黄 后面更新视频检测 项目背景: 随着互联网的快速发展,网络上的信息量呈现出爆炸式的增长。然而,互联网上的内容良莠不齐,其中不乏一些不良信息,如色情、暴力等。这些信息对青少年的健康成长和社会风气产生了不良影响。为了净化网络环境,保护青少年免受不良信息的侵害,我国政府加大了对网络内容的监管力度。在此背景下,本项目应运而生,旨在实现对网络图片和视频的自动识别与过滤,助力构建清朗的网络空间。 项目简介: 本项目基于 NSFW(Not Safe For Work)Model,利用深度学习技术对色情图片进行识别与鉴黄。NSFW Model 是一种基于卷积神经网络(CNN)的图像识别模型,通过学习大量的色情图片和非色情图片,能够准确地判断一张图片是否含有色情内容。本项目在 NSFW Model 的基础上,进一步优化了模型结构,提高了识别的准确率和效率。 项目功能: 色情图片识别:用户上传图片后,系统会自动调用 NSFW Model 对图片进行识别,判断图片是否含有色情内容。如果含有色情内容,系统会给出相应的提示,并阻止图片的传播。 视频检测:针对网络视频,本项目采用帧提取技术,将视频分解为一帧帧图片,然后使用 NSFW Model 对这些图片进行识别。如果检测到含有色情内容的图片,系统会给出相应的提示,并阻止视频的传播。 实时监控:本项目可应用于网络直播、短视频平台等场景,实时监控画面内容,一旦检测到含有色情内容的画面,立即进行屏蔽处理,确保网络环境的纯洁。
### 如何在本地部署 NSFW 模型或服务 要在本地环境中成功部署 NSFW(不适宜工作场合内容)检测模型或服务,以下是详细的说明: #### 准备环境 为了确保能够顺利运行模型和服务,需要安装必要的依赖项。这些工具和库包括但不限于以下几类: - **Python 环境**: 推荐使用 Python 3.7 或更高版本。 - **Transformers 库**: 提供加载预训练模型的功能[^1]。 - **PyTorch/TensorFlow**: 支持深度学习框架的计算需求。 - **Pillow (PIL)**: 处理图像文件并将其转换为适合输入模型的形式。 具体命令如下所示: ```bash pip install transformers torch Pillow ``` #### 加载模型与测试 通过 Hugging Face 的 `transformers` 工具包可以直接访问已有的 NSFW 图片分类模型。例如,可以采用名为 `"Falconsai/nsfw_image_detection"` 的公开模型来完成此任务[^1]。 下面是一个简单的代码片段展示如何加载该模型并对单张图片执行预测操作: ```python from PIL import Image from transformers import pipeline def classify_nsfw(image_path): # 打开指定路径下的图片文件 img = Image.open(image_path) # 初始化 image-classification 流水线对象,并指明使用的特定模型名称 classifier = pipeline("image-classification", model="Falconsai/nsfw_image_detection") # 对传入的图片调用流水线方法得到其类别标签及其置信度分数列表形式的结果 result = classifier(img) return result if __name__ == "__main__": test_img_path = "<your_test_image>" output_results = classify_nsfw(test_img_path) print(output_results) ``` 注意替换 `<your_test_image>` 成实际存在的图片绝对或者相对地址字符串值之前再尝试运行以上脚本。 #### 构建 RESTful API 服务 如果希望进一步扩展功能至 Web 应用程序层面,则可考虑利用 Flask/Django 这样的轻量级 web 开发框架构建起支持 HTTP 请求交互的服务端接口。这里给出基于 FastAPI 实现的一个简单例子作为示范用途: ```python import uvicorn from fastapi import FastAPI, File, UploadFile from PIL import Image from io import BytesIO from typing import List from pydantic import BaseModel app = FastAPI() class Prediction(BaseModel): label: str score: float @app.post("/predict/", response_model=List[Prediction]) async def predict(file: UploadFile = File(...)): try: contents = await file.read() pil_image = Image.open(BytesIO(contents)) clf_pipeline = pipeline('image-classification', model='Falconsai/nsfw_image_detection') predictions = clf_pipeline(pil_image) formatted_preds = [{"label": pred['label'], "score": round(pred['score'], 4)} for pred in predictions] return formatted_preds except Exception as e: raise ValueError(f"Error processing uploaded file {e}") if __name__ == '__main__': uvicorn.run(app, host='0.0.0.0', port=8000) ``` 启动服务器之后即可向 `/predict/` 路径发送 POST 请求附带上传待分析的目标图片获取返回结果了。 ---
评论 1
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