华为交换机运维必备:10个高效display命令实战解析

华为交换机运维必备:10大display命令实战解析 本文详细解析华为交换机运维中必备的10大display命令,包括系统健康检查、网络状态监控和配置信息查询三大类。通过实战案例展示如何利用这些查询命令快速定位设备故障,提升运维效率。特别介绍了display version、display interface等核心命令的使用技巧和常见问题排查方法,是华为交换机管理人员的实用指南。 阅读详情

1. 系统状态速查:从开机到运行,一眼看清设备“健康度”

刚接手一台华为交换机,或者半夜被电话叫醒说网络不通,第一件事该干嘛?我的经验是,别急着敲复杂的诊断命令,先来一套“全身检查”,把设备的“健康状态”摸个底。这就像医生看病,先量体温、测血压,而不是直接开刀。华为交换机里,有几个 display 命令就是你的“听诊器”和“体温计”,用好了,五分钟内就能对设备有个基本判断。

首先,display version 这个命令我几乎每次登录都会敲。它输出的信息远不止软件版本号那么简单。你仔细看,它能告诉你设备的完整型号(比如 S5735-L24P4S-A1)、当前运行的 VRP(通用路由平台)系统版本、编译时间,还有关键的单板(业务板)信息。有一次,我遇到一台交换机频繁重启,用 display version 一看,发现其 U-Boot(引导程序)版本非常老,与当前系统不匹配,这就是问题的根源。所以,看版本不仅是确认型号,更是排查兼容性问题的第一步。

紧接着,我会用 display device 来做个“硬件体检”。这个命令以表格形式清晰列出设备上所有槽位的状态。重点关注“Status”这一列,正常应该是“Normal”。如果看到“Abnormal”(异常)或者“Offline”(离线),那很可能就是硬件故障了,比如某块业务板没插好或者坏了。这个命令能让你快速定位是整机问题还是某个局部模块的问题。

设备的基础运行参数也不能放过。display cpu-usage 和 display memory 是看资源消耗的黄金组合。display cpu-usage 会显示最近5秒、1分钟、5分钟的CPU利用率。平时利用率低是正常的,但如果发现持续超过70%甚至更高,尤其是“5分钟”这个平均值很高,那就要警惕了,可能有异常进程、路由震荡或者广播风暴。display memory 则看内存使用率,如果空闲内存(Free)所剩无几,设备可能会变慢甚至丢包。我习惯把这两个命令的结果一起看,综合判断设备负载。

环境监控对设备稳定运行至关重要,特别是放在机柜里散热条件可能不太理想的时候。display temperature 可以查看设备关键部位(如入风口、出风口、CPU等)的当前温度和历史最高温度。如果当前温度接近或超过“HighTemp阈值”,就得赶紧检查散热了。配合 display fan 查看风扇状态,确保所有风扇都在“Normal”转速下运转。我曾经就靠这个命令发现一个风扇模块故障,提前更换,避免了一次因过热导致的业务中断。

最后,别忘了看一眼 display clock。系统时间不准是个“隐形杀手”,会导致日志时间错乱、与认证服务器时间不同步(比如802.1X认证失败)、计划任务无法执行等问题。确保设备时间准确,或者配置了NTP同步,是运维的好习惯。

把这几个命令组合起来用,就是一个高效的“设备健康检查脚本”雏形。每次巡检或故障初期,花一两分钟跑一遍,心里就有底了。

2. 接口与链路诊断:揪出网络卡顿的“元凶”

网络问题,十有八九出在链路上。接口状态、流量、错误包,这些是排查链路层故障的核心。华为交换机提供了非常强大的接口信息查看命令,用好了,你就能像老中医一样,对“经脉不通”的问题手到病来。

最常用、信息量最大的莫过于 display interface brief 和 display i

华为交换机日常运维必知的10个display命令(附实用场景) 本文深入解析华为交换机日常运维中10个必备display命令的实战应用场景,包括基础状态检查、接口故障排查、配置与版本管理等核心功能。通过真实案例演示如何组合使用这些命令快速定位网络问题,提升运维效率,特别适合网络工程师掌握华为交换机诊断技巧。 阅读详情

相关推荐

华为交换机命令实战:从原理到排错,告别死记硬背

网络设备配置是网络工程师的核心技能,其本质在于理解数据转发原理与设备工作逻辑。以二层交换和三层路由为基础,通过命令行接口(CLI)对设备进行状态查看与功能配置,是实现网络连通、安全与优化的关键技术。掌握正确的命令使用逻辑,能极大提升园区网和数据中心等场景下的运维效率与故障定位能力。本文聚焦华为交换机,系统梳理了包括用户视图、系统视图、VLAN配置、路由协议、访问控制列表(ACL)及生成树协议(STP)在内的核心命令集与应用场景,并提供了结合display命令与信息过滤的实用排错流程,旨在帮助工程师构建从原理

weixin_33816300的博客 466

华为交换机日常运维必知的20个高效指令(附排错案例)

本文详细介绍了华为交换机日常运维中20个高效指令及其应用场景,包括基础状态检查、VLAN配置、路由协议排错等关键操作。通过实际案例解析,帮助网络管理员快速掌握交换机故障排查技巧,提升运维效率。特别适合需要优化企业网络性能的技术人员参考。

f6g7h8i9j的博客 323

华为交换机SNMPv2配置命令全解析:从sys-view到trap enable,每条命令的作用与避坑点

本文详细解析华为交换机SNMPv2配置命令,从基础配置到深度优化,涵盖sys-view、trap enable等关键命令的作用与避坑点。特别针对Zabbix监控系统集成提供实战指南,帮助网络管理员高效完成SNMPv2配置并确保监控系统稳定运行。

weixin_30696427的博客 436

华为交换机 ARP 表项深度解析:4 种类型对比与 3 大运维场景应用

本文深度解析华为交换机ARP表项的4种类型(动态、静态、免费、代理)及其技术细节,对比各自特性与适用场景。通过3大典型运维场景(IP冲突排查、主机无法上网、跨网段通信异常)的实战分析,提供华为交换机ARP表项的高效管理方案与安全防护策略,助力网络工程师提升运维效率。

weixin_33796205的博客 512

华为交换机QoS实战:从MQC到优先级映射的精细化流量管理

本文详细解析华为交换机QoS实战配置,从MQC基础到优先级映射技术,实现精细化流量管理。通过实战案例展示如何利用MQC三大组件(流分类、流行为、流策略)解决视频会议卡顿等常见问题,并分享优先级映射、DiffServ域配置等高级技巧,助力企业构建高效稳定的网络QoS体系。

weixin_30797199的博客 451

华为交换机流量统计配置全攻略:从ACL到流策略的保姆级教程

本文详细介绍了华为交换机流量统计的配置方法,从ACL规则定义到流策略应用的全过程。通过实战案例演示如何利用流量统计功能进行网络故障排查、异常流量检测和带宽管理,帮助网络管理员提升运维效率。特别适合需要掌握华为交换机流量统计配置技术的网络工程师参考学习。

weixin_28314575的博客 379

华为交换机堆叠技术详解:iStack与CSS集群实战指南

网络高可用与链路冗余是园区网和数据中心运维的核心诉求。传统VRRP与STP方案虽能解决基本冗余,却常以带宽浪费和配置复杂为代价。堆叠与集群技术通过将多台物理交换机虚拟化为单一逻辑设备,实现管理面统一、跨设备链路聚合及毫秒级故障切换,正成为现代网络架构的关键手段。本文从堆叠与集群的底层原理出发,对比华为iStack(智能堆叠)与CSS(集群交换机系统)的适用场景与机制差异,详细梳理了堆叠选举、成员规划、连接方式、MAD分裂检测等核心配置流程,并结合工程实践总结了接口编号变更、升级顺序、脑裂排查等典型踩坑经验。

weixin_34279184的博客 283

FinalShell深度解析:SSH终端工具的运维效率革命

SSH客户端是Linux系统管理与远程运维的基础入口,其核心价值在于稳定连接、安全传输与高效交互。从协议层看,SSH不仅承载命令执行,更需支撑SFTP文件同步、PTY终端仿真、会话复用等复合能力;技术演进正从简单封装OpenSSH转向重构终端交互范式,强调跨平台一致性、断点续传可靠性及国产化环境深度适配。在金融、政务、云原生等高敏场景中,工具对命令历史回溯、批量条件执行、环境隔离等工程能力的要求远超基础连通性。FinalShell凭借会话生命周期管理引擎、智能SFTP管道和嵌入式级国产兼容方案,成为面向真实

weixin_34082695的博客 480

华为交换机 VLAN 5种划分方式对比:端口/MAC/子网/协议/策略优先级与适用场景

本文深入解析华为交换机VLAN的五种划分方式,包括基于端口、MAC地址、IP子网、协议和策略的配置方法,对比其优先级与适用场景。通过详细配置示例和场景化选型指南,帮助网络工程师优化企业网络架构,提升安全性和管理效率。

weixin_34267123的博客 304

H3C与华为交换机基础配置命令及三层状态机解析

交换机基础配置是网络工程师的核心能力,本质是理解物理层、数据链路层和网络层的协同工作机制。物理层关注端口UP与光/电参数,数据链路层依赖VLAN划分与MAC学习边界,网络层则通过SVI实现VLAN间路由。掌握H3C与华为共用的基础命令,不仅能快速完成设备上线,更能精准定位‘配了不通’的断点。本文聚焦23条高频实用命令,覆盖端口启用、VLAN划分、SVI配置、远程管理及故障诊断,并结合物理层Link状态、VLAN成员关系、SVI协议状态等关键验证点,助力运维人员建立从命令到状态的闭环认知,适用于等保测评、机房

cuiji1279的博客 343

H3C交换机巡检命令详解:11条display命令清单与脚本批量巡检实践

在网络运维中,交换机巡检是保障业务连续性的基础操作。对于H3C设备,掌握一套标准化的巡检命令清单,能帮助网络工程师快速定位CPU负载、内存使用、温度阈值、风扇状态等关键指标。本文从设备健康检查的基本原理出发,梳理了覆盖CPU、内存、硬件环境、接口状态和运行配置的11条display命令,并解释了每条命令输出中的核心判断标准。同时,结合Python pexpect库,演示了如何通过脚本对多台设备进行批量巡检与异常关键词过滤,从而提升运维效率。无论是初次接触H3C交换机的工程师,还是希望用自动化脚本替代手工巡检

weixin_34354173的博客 406

记一次从零到getshell的渗透历程

0x00 前期 拿到测试范围清单后,首先用脚本获取了下各个子站的标题,基本都是XXX管理系统。浏览器查看后,各个子站也大同小异,纯登录系统,带验证码。这些系统基本都是jsp写的,逮到了两个没有验证码的小宝贝,一番暴力破解,小宝贝对我说:别爱我,没结果。又看到了两个站返回的Set-Cookie头:rememberMe=deleteMe; 很明显,这是Apache Shiro。打了一波exp,没有反应,放弃。搞了三天啥都没搞出来,和女朋友出去玩散散心,还是很高兴。 0x01 初显进展 测试范围内有六个门户

CanMeng'Blog - 一个WEB安全渗透的技术爱好者 3971

最优化方法 25:PDHG

前面的章节要么从原始问题出发,要么从对偶问题出发,通过求解近似点或者一个子优化问题进行迭代,而且推导过程中我们发现根据问题的参数特征,比如矩阵 AAA 是瘦高型的还是矮胖型的,采用对偶和原始问题的复杂度会不一样,可以选择一个更简单的。而这一节,我们将要从原始对偶问题出发来优化,什么是原始对偶问题呢?就是原始优化变量和对偶优化变量(原始函数和共轭函数)混合在一块,看下面的原理就知道了。 1. 原始对偶问题 现在考虑原始优化问题,其中 f,gf,gf,g 为闭凸函数 min⁡f(x)+g(Ax) \min \q

Glooow的博客 4605

Ubutntu下使用realsense d435i(二):获取某二维像素点的三维坐标

00 准备工作 准备工作包括安装驱动以及pyrealsense2,具体可参考上一篇: Ubutntu下使用realsense d435i(一):准备工作以及安装pyrealsense2 https://blog.youkuaiyun.com/gyxx1998/article/details/121461293 01 通过二维像素点获得物体三维坐标 这个在上一篇已经介绍了代码: realsense d435i获取某像素点三维坐标(计算深度和点云两种方法) https://blog.youkuaiyun.com/gyxx1998/

gyxx1998的博客 9945

树莓派与ROS2

树莓派与ROS2(Robot Operating System 2)的结合使用为机器人开发、自动化控制以及物联网项目提供了强大的平台。

weixin_47695827的博客 1756

自动驾驶中的多传感器融合实战:用卡尔曼滤波搞定毫米波雷达与摄像头航迹对齐

本文深入探讨了自动驾驶中多传感器融合的实战技术,重点介绍了如何使用卡尔曼滤波实现毫米波雷达与摄像头的航迹对齐。通过分析传感器特性差异、时空同步挑战及工程化实现步骤,提供了包括状态向量定义、观测矩阵设计和故障检测机制在内的完整解决方案,最终实现0.15米以内的高精度航迹对齐。

weixin_28728495的博客 411

【WRFDA第三期】OBSPROC namelist 变量总结

OBSPROC namelist 变量总结

WW、forever的博客 1120

Kile5报错—> ARM-Compiler ‘Default Compiler Version 5‘ which is not available安装使用Compiler Version 5 的办法

Kile5报错—> ARM-Compiler ‘Default Compiler Version 5‘ which is not available安装使用Compiler Version 5 的办法

weixin_72050316的博客 1191

基于深度学习YOLOv8的花卉检测与识别系统(附完整资源+PySide6界面+训练代码)

通过本项目,我们成功实现了基于YOLOv8的花卉检测与识别系统,涵盖了数据预处理、模型训练、推理与实时检测、以及GUI界面的实现。YOLOv8在花卉检测中的高效性和准确性为实际应用提供了强有力的支持。

斌擎科技 716

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

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")

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

上一篇: PCIe 4.0/5.0工程师必看:EIOS与EIEOS在不同编码模式下的差异详解
下一篇: 基于 Let‘s Encrypt 和 OpenResty 的高效域名管理与 HTTPS 自动化部署
postgres8guard
博客等级 码龄4年 62粉丝 1443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  | 博主筛选后可见
 
 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