zabbix:编写python脚本发送zabbix告警邮件

本文介绍如何在Zabbix中配置邮件告警,包括编写Python脚本实现邮件发送,设置Zabbix Web页面的媒介类型、触发器及动作,以及用户邮件通知的配置。

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

编写发送邮件脚本:

#!/usr/bin/python
#coding:utf8

import smtplib
from email.mime.text import MIMEText
from email.utils import formataddr
 
my_sender='1538017448@qq.com'    # 发件人邮箱账号
my_pass = 'mvlruzneik'              # 发件人邮箱密码(当时申请smtp给的口令)
my_user=sys.argv[1]     # 收件人邮箱账号,我这边发送给自己
title=sys.argv[2]
content=sys.argv[3]

def mail():
    ret=True
    try:
        msg=MIMEText(content,'plain','utf-8')
        msg['From']=formataddr(["send_name",my_sender])  # 括号里的对应发件人邮箱昵称、发件人邮箱账号
        msg['To']=formataddr(["receive_name",my_user])              # 括号里的对应收件人邮箱昵称、收件人邮箱账号
        msg['Subject']=title                # 邮件的主题,也可以说是标题

        server=smtplib.SMTP_SSL("14.17.57.241", 465)  # 发件人邮箱中的SMTP服务器,端口是465
        server.login(my_sender, my_pass)  # 括号中对应的是发件人邮箱账号、邮箱密码
        server.sendmail(my_sender,[my_user,],msg.as_string())  # 括号中对应的是发件人邮箱账号、收件人邮箱账号、发送邮件
        server.quit()# 关闭连接
    except Exception as e:# 如果 try 中的语句没有执行,则会执行下面的 ret=False
        print(e)
        ret=False
    return ret
 
ret=mail()
if ret:
    print("send mail success")
else:
    print("send mail failed")

由于我们是使用zabbix用户执行脚本,所以我们需要给这个脚本添加执行权限,保证zabbix可以执行。
下面就是具体的zabbix web页面上的具体操作:
1.创建媒介
单击:adminstration->media types->create media type
在这里插入图片描述
在这里插入图片描述
2.添加触发设置以及告警条件
单击:configuration->action
设置告警条件:
在这里插入图片描述
设置邮件内容与格式
在这里插入图片描述
注意:图中第二个红框中第二个一定要设置为1,不然一个告警如果没有消除,它会一直发送告警邮件,设置为1,它只会发送一次。
3.配置用户的邮件发送
单击:administration->users->admin
在这里插入图片描述
在这里插入图片描述
这样就完成了邮件告警了,如果发现有告警,就可以查看邮箱是否收到了。
这里需要注意的点 有:
1.对于163邮箱和qq邮箱,登录密码是smtp的授权码,而不是登录密码,这点需要注意,不然一般会报错。
2.对于设置用户的邮件高警时,如果你不是选的默认admin用户,你就需要给你所选的用户添加读和写的权限。
3.如果你想直接发送给很多个人,在页面需要一个个添加很麻烦,你就可以在脚本中指定你要发送的用户人有哪些,然后在接受参数哪里将{ALERT.SENDTO}去除掉就可以了。

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
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