灭霸脚本怎么随机删除服务器的一半文件?

android_thanox灭霸自动任务小脚本案例_NFC桌面开关和自动关闭/5G/4G自动切换/锁屏杀死不必要后台(nokeep)/foreach循环遍历全局变量 桌面快捷方式需要创建快捷方式,通过value来对应情景模式。给与thanox必要的创建桌面快捷方式才行。情景模式Profile。 阅读详情

复联4中灭霸一个响指可以随机消灭一半生命,Github 上的灭霸脚本可以随机删除一半服务器文件。我在想怎么做到随机删除一半的文件呢??随机算法的底层怎么实现的?

灭霸脚本本体

let "i=`find . -type f | wc -l`/2";
if [[ uname=="Darwin" ]]; then
 find . -not -name "Thanos.sh" -type f -print0 | gshuf -z -n $i | xargs -0 -- cat;
else
 find . -not -name "Thanos.sh" -type f -print0 | shuf -z -n $i | xargs -0 -- cat;
fi

为了彻底读懂这段脚本,特意查了几个关键字let、find、shuf/gshuf、xargs。

大致解释下,let "i=`find . -type f | wc -l`/2"; 将i赋值为服务器普通文件行数的一半。

if [[ uname=="Darwin" ]] 应该是用来判断系统是 Mac or Linux 的,Linux 用 shuf 做随机,Mac 用 gshuf。

find . -not -name "Thanos.sh" -type f -print0 | gshuf -z -n $i | xargs -0 -- cat; 找到所有名称不是 Thanos.sh 的普通文件,随机选取 $i 个,并将这些作为参数执行 cat 操作,真正删除将 cat 改为 rm 即可。

Java 随机算法

(1)时间戳取模

例如获取 [0,100) 区间的随机数。

final long l = System.currentTimeMillis();
final int i = (int) (l % 100);

(2)Math.random()

例如获取 int 的随机数。

final double d = Math.random();
final int i = (int) (d*100);

(3)Random 类

我看了 Math.random() 的源码,也是调用 Random 类的方法。

 // Math.random() 实现
 public static double random() {
 return RandomNumberGeneratorHolder.randomNumberGenerator.nextDouble();
 }
 
 // RandomNumberGeneratorHolder 其实是 Random 类
 private static final class RandomNumberGeneratorHolder {
 static final Random randomNumberGenerator = new Random();
 }
 
 // nextDouble() 方法在 Random 类中的实现
 public double nextDouble() {
 return (((long)(next(26)) << 27) + next(27)) * DOUBLE_UNIT;
 }

Random 类提供贼多随机方法,返回的类型不同,提供两个构造器。

 public Random() {
 this(seedUniquifier() ^ System.nanoTime());
 }
 
 public Random(long seed) {
 if (getClass() == Random.class)
 this.seed = new AtomicLong(initialScramble(seed));
 else {
 // subclass might have overriden setSeed
 this.seed = new AtomicLong();
 setSeed(seed);
 }
 }

方法的话,看一下方法名就知道干啥了的吧。

灭霸脚本怎么随机删除服务器的一半文件?

 

源码看得挺困难,网上找的资料表示 Random 的随机算法有一下特点:

  1. 伪随机。
  2. 相同种子的相同次数调用结果相同
  3. 均匀分布,区间内每个数字概率相同。

算法用到了线性同余方程。下期我学完后整理下资料,分享出来。

真伪随机数

随机数算法都是伪随机数,从参数传入的那一刻,以后的输出是特定的了。目前产生真随机数的是这个东东。

灭霸脚本怎么随机删除服务器的一半文件?

 

龟龟,用到量子力学了。我也只看了点皮毛,当课外知识扩展吧。

shell脚本上传文件到ftp服务器,shell脚本实现FTP自动上传文件 -----多个文件-----#!/bin/bashftp -n<open 172.20.10.242user logftp logftpbinarycd /data/ftp/pcidata/pcilogftp/AppFile/loglcd /data/localaccpromptmget *.gzclosebye!----单个文件-----#!/bin/bashftp -n<open ... 阅读详情

相关推荐

灭霸命令 可以随机删除您一半的文件.zip

灭霸命令。 可以随机删除您一半的文件。.zip,如果您是thanos(根),此命令可以随机删除一半文件

GitHub里的灭霸脚本,竟都还不是最奇葩的?

本文转载自 差评 GitHub这个神奇的网站,汇聚了来自 200 多个国家的开发者,注册用户已经超过了 3 千万。 一年产生的代码连起来能绕地球好几圈,每年超过 2.9 亿行代码在这个网站上诞生,作为一个严肃的纯学术交流地,这个网站自然成为了程序猿心中的“ 圣地 ”。 所谓林子大了什么鸟都有,别说是这么大一个程序猿的交友网站了。所以在GitHub上一直存在着很多非常奇葩的项目。 比如这个叫灭霸脚本的,只要启动这个脚本命令,你电脑上就会有一半的文件会被随机“ 删掉 ”。。。 这脚本除了...

m0_46163918的博客 1万+

灭霸指令 Thanos.sh

这不复联4最近正播着嘛……这个项目可以让你非常简单,轻松的变成灭霸一样的存在——对于你电脑上的文件来说,因为你可以弹指之间删掉一半文件,完全随机。在使用之前切记确认好使用环境——毕竟这是没有撤销键的,你不会希望在自己的常用电脑上来一下的。

灭霸脚本

浏览GitHub发现一个非常有趣的脚本,是什么呢?看下图就可以猜出来~~话不多说,来看脚本:#第一步创建一个脚本文件 touchThanos.sh #第二步编写脚本...

ItStar 3501

文件定时自动删除工具

文件定时自动删除工具 垃圾文件 定时 自动 删除 工具 可以定时自动删除文件

随机删除一半文件,灭霸程序.zip

灭霸的响指, 输入文件夹路径, 将该文件下和子文件夹下所有的文件随机删除一半

灭霸指令-随机删除系统中一半的文件

此命令会随机删除系统中一半的文件,请谨慎使用 #完整版:随机删除根目录所有文件的一半(整个系统的文件,慎用!!!) let i=`find / -type f | wc -l`/2 ; find / -type f -print0 | shuf -z -n $i | xargs -0 -- rm #阉割版:随机删除当前目录下一半的文件 let i=`find . -type f | wc -l...

qq_36641456的博客 3041

海康威视GigE工业相机的python调用demo

默认路径安装完成后,在路径C:\Program Files (x86)\MVS\Development\Samples\Python\BasicDemo下的BasicDemo.py中,海康威视官方提供了基本的调用方法,本文也是基于这个修改的。BasicDemo.py提供了通过枚举选择相机的方法,在官方的另一个DEMO:ConnectSpecCamera.py中提供了另一种不通过枚举,直接访问特定IP相机的方法,也可以参考。另外,如果每台相机都定义了唯一的用户定义名,也可以通过用户定义名来区分相机。

xulibo5828的博客 2113

将文件夹中的子文件夹中的图片随机删除一半

import os import random rootdir = 'F://F++images//deepfakes_aligned_1' for root,dirs,files in os.walk(rootdir): for dir in dirs: print(os.path.join(root,dir)) num = 0; for file in files: feed = random.randint(0, 10) if

qq_43663979的博客 559

硬件压力测试工具使用方法

B, --bind host# 绑定到主机的多个地址中的一个。当客户端到服务器端的测试结束时,服务器端通过-l选项指定的端口(或默认为客户端连接到服务器端的端口),反向连接至客户端。-c, --client host#如果Iperf运行在服务器模式,并且用-c参数指定一个主机,那么Iperf将只接受指定主机的连接。-C, --compatibility# 与低版本的Iperf使用时,可以使用兼容模式。-b, --bandwidth #[KM] UDP模式使用的带宽,单位bits/sec。

weixin_53303772的博客 8223

非模式物种PySCENIC分析流程

外的物种想要做scenic分析的话, 可以使用同源基因转换后再进行分析, 将要分析的物种的gene Symbol转换为人、小鼠或者是果蝇的gene Symbol后进行分析。odiscus sinensis(中华鳖)的基因-细胞的矩阵,进行pyscenic分析的话,可参考以下示例。目前pyscenic分析支持的物种仅为人、小鼠和果蝇,其他物种暂时还没有相应的数据库,因。本教程基于Linux及服务。SCENIC转录因子分析。器中的Rstudio环境。例如我们有一个Pel。

weixin_47195452的博客 936

linux 定时删除脚本,linux定时删除文件脚本

#! /bin/sh# 配置项DEBUG=truefolderDir=/var/www/html/hlsrecord/EXPIRE_DAY=1# 过期时间和时间戳deadTime=`date -d "-$EXPIRE_DAY day" +%Y-%m-%d`$DEBUG && echo $deadTimedeadTimeStamp=`date -d $deadTime +%s`$DE...

weixin_35628777的博客 1771

同花顺API实战指南:从零搭建股票数据自动化采集系统

本文提供了一份详尽的同花顺API实战指南,手把手教你从零开始搭建股票数据自动化采集系统。内容涵盖API权限申请、Python环境配置、数据采集与存储脚本编写、自动化定时任务实现以及数据清洗等核心环节,旨在帮助量化交易与数据分析爱好者构建稳定可靠的数据源,解放双手,提升研究效率。

weixin_29200741的博客 2422

linux定时删除脚本,linux定时删除文件脚本

#! /bin/sh# 配置项DEBUG=truefolderDir=/var/www/html/hlsrecord/EXPIRE_DAY=1# 过期时间和时间戳deadTime=`date -d "-$EXPIRE_DAY day" +%Y-%m-%d`$DEBUG && echo $deadTimedeadTimeStamp=`date -d $deadTime +%s`$DE...

weixin_28917337的博客 1960

LIGGGHTS颗粒模拟入门:从DEM原理到工程实践

离散元法(DEM)是一种用于模拟颗粒物质行为的数值方法,其核心原理是通过计算每个颗粒的运动和相互作用来预测颗粒系统的宏观行为。该方法基于牛顿第二定律和接触力学模型,能够精确描述颗粒间的碰撞、摩擦和粘结等微观机制。在工程实践中,DEM技术为优化工业设备设计、预测材料流动和减少实验成本提供了重要价值。它广泛应用于制药造粒、矿石破碎、粉体输送和农业加工等领域,帮助工程师和研究人员深入理解颗粒系统的复杂动力学。LIGGGHTS作为一款基于LAMMPS的开源DEM软件,继承了其高效的并行计算架构,并针对颗粒模拟进行了

weixin_33979203的博客 420

基于DE2-115红外解码实验

基于DE2-115红外解码实验   一、   功能描述 在同一个遥控电路中通常要使用实现不同的遥控功能或区分不同的机器类型, 这样就要求信号按一定的编码传送,编码则会由编码芯片或电路完成。对应于编码芯片通常会有相配对的解码芯片或包含解码模块的应用芯片。在实际的产品设计或业余电子制作中,编码芯片并一定能完成我们要求的功能,这时我们就需要了解所使用的编码芯片到底是如何编码的。只有知道编码方式,我...

乘风的博客 2517

毫无争议的 GitHub 顶级有用的开源项目排行榜

TOP 14. 假装自己中病毒软件❝链接????:https://github.com/bitdust/WamaCry这个用途可太广泛了:明天就是 deadline 了可是论文还没写完怎么办这稿子还想再拖一周可是借口都用完了怎么办不想加班,又找不到理由开溜怎么办别人都中毒了,就我没中感觉 out 了怎么办生活好无趣,想假装中毒发个朋友圈怎么办... ...TOP 13. 灭霸脚...

云原生实验室 5293

华为OD机试2025C卷 - 精准核酸检测 (C++ & Python & JAVA & JS & GO)

华为OD机试2025C卷 精准核酸检测,提供Java、C++、Python、Go、JavaScript源码实现,并提供完整思路讲解

qq_45776114的博客 1710

js删除服务器上文件,js删除服务器文件

js删除服务器文件 内容精选换一换目标服务器已安装操作系统,并且处于联网状态。目标服务器已安装鲲鹏编译插件。保护组生产站点服务器为SUSE操作系统,对该云服务器开启容灾保护后,执行切换操作,云服务器EIP无法ping通。执行切换操作后,云服务器网卡的名称可能会发生改变,如果该网卡上绑定EIP,则可能导致EIP无法ping通。执行切换操作后,先删除容灾站点服务器中的/etc/udev/rules.d...

weixin_40008033的博客 851

YOLOv8人工智能与深度学习——强化学习

本文介绍了将YOLOv8目标检测模型与强化学习结合的方法。主要应用包括自适应目标检测(动态调整检测参数)、主动学习(智能选择标注样本)和多目标跟踪优化。实现方案采用深度Q网络策略,通过定义状态表示、动作空间和奖励函数,使检测系统能根据环境反馈优化性能。该方法具有自适应优化、资源高效、持续改进等优势,能构建更智能的计算机视觉系统。文章详细说明了强化学习环境的构建、策略网络的实现以及训练过程,并提供了代码示例。

u010117029的博客 260

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")

怎么在服务器上过去文件名,服务器上出现的随机文件名程序

本例来源于电脑报论坛,求助的是服务器上出现大量以11位随机字母组合成文件名的进程程序,从任务管理器的进程表中可以看到大量此类的进程,这些随机文件名程序的路径都在系统目录下的某些正常的文件夹中(如c:\windows\system32\rtcom\、c:\windows\system32\clients\)。除了这些显示在进程表里的程序文件外,在它们所在的文件夹中都会有一个processdll.dl...

weixin_28922087的博客 223

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

服务器临时文件删除bat,删除临时文件的bat文件

@echo offecho 正在清除系统垃圾文件,请稍等......del /f /s /q %systemdrive%\*.tmpdel /f /s /q %systemdrive%\*._mpdel /f /s /q %systemdrive%\*.logdel /f /s /q %systemdrive%\*.giddel /f /s /q %systemdrive%\*.chkdel /f...

weixin_32006353的博客 882

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

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。

linux,1.案例实战2.小于符号,<,<<3.生成随机字符4.菜单脚本

linux,1.案例实战2.小于符号,

sky学linux的博客 1013

linux 怎么批量删除文件,linux下批量删除文件

1. 在linux批量删除多级目录下同一格式的文件,可采用find + exec命令组合:如在删除old目录下的,所有子目录中,后缀为.l的文件方法为:find old -type f -name "*.l" -exec rm -f {} \;说明:•old:待查找的开始目录,搜索其下的子目录•-type f : 文件类型为普通文件 若查找的目标文件是目录,则用 -type d•-name "...

weixin_39963819的博客 1万+

服务器lib文件缺失,不小心把服务器上的/usr/lib下的所有文件删除,恢复办法

手贱,使用root用户,rm -rf 多了一个"*"……导致了万分惊恐的悲剧,/usr/lib下的所有文件被删除……修复办法:linux系统是基于文件的,所以只要能拷贝到和原来一样的文件就可以。。。前提是有另外一台一模一样的服务器啊,将这台的/usr/lib下的所有文件拷贝过去……一开始使用scp拷贝,但是导致/usr磁盘爆满,经查发现里面的链接文件居然将链接到的文件拷贝了过来……后来重新删除/u...

weixin_34785304的博客 1975
上一篇: 面试官:对比Vector、ArrayList、LinkedList有何区别?
下一篇: Java开发提升十倍生产力:Idea远程一键部署springboot到Docker
加班不秃顶
博客等级 码龄7年 1822粉丝 599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
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