fedora16下Samba服务的配置

centos6.5配置samba 1 Samba简介   Samba是一个能让Linux系统应用Microsoft网络通讯协议的软件,而SMB是Server Message Block的缩写,即为服务器消息块 ,SMB主要是作为Microsoft的网络通讯协议,后来Samba将SMB通信协议应用到了Linux系统上,就形成了现在的Samba软件。后来微软又把 SMB 改名为 CIFS(Common Internet Fil 阅读详情


由于要完成文件Win7 与VMware虚拟机(Fedora 16)之间的文件共享,所以需要进行samba服务的配置。具体过程如下:


1.下载并安装Samba服务

root下执行命令:yum install samba


2.建立共享文件夹

我建立的共享目录为:/home/ruby/share 和/home/ruby/unix

执行命令:

mkdir /home/ruby/share

mkdir /home/ruby/unix


3.修改共享文件夹的权限

chmod 777 /home/ruby/share

chomd 777 /home/ruby/unix

(此时:默认的命令行下键入 ls,可以看到 share unix两个文件夹变成绿色)


4.禁用selinux

vim /etc/selinux/config

把SELINUX=enforcing改成SELINUX=disable

5.配置smb.conf ( /etc/samba/smb.conf)

5.1首先找到 workgroup字段,把其值改为 WORKGROUP (因为windows上的工作组名称默认是 WORKGROUP)

5.2找到 NetBIOS name 字段,给自己的虚拟机取一个名字

5.3在该文件末尾添加自定义的共享目录信息.对我而言,我建立了两个共享目录。我的设置为:

[share]

path=/home/ruby/share

writable=yes

public=yes


[unix]

path=/home/ruby/share

writable=yes

public=yes

保存退出


6.开启samba的两个daemon服务 分别为:smb.service nmb.service

它们的作用分别是:

smb主要负责管理samba主机分享什么目录,档案与打印机等等的内容

nmb主要负责管理群组,NetBIOS name 的解析等等


在服务管理上,fedora16推出了新的管理程序,即 systemctl,具体可以查看手册.

执行指令:

systemctl start smb.service 

systemctl start nmb.service

测试一下 samba 能否打开,如果没有错误提示则证明可以开启。

可以通过指令 systemctl is-enabled smb.service nmb.service 来查看两个服务是否已经开启成功

执行下面的代码,可以让上述两个服务开机自动启动

systemctl enable smb.service nmb.service


7.添加samba用户,并设置密码

注意:这里添加的用户必须是linux系统的用户之一,我的用户名是ruby

执行指令:

smbpasswd -a ruby

然后设置密码即可


8.关闭防火墙

执行指令:

iptables -F


9.重新启动linux虚拟机

reboot


10. Win7中,运行 secpol.msc

选择 本地策略->安全选项->网络安全:LAN 管理者身份验证级别

最后,单击列表,选择 发送LM和NTMv2,如果已协商,则使用NTLMv2协议


11. 在win7 网上邻居中可以找到对应 smb.conf中 Netbios name的计算机,完成




错误排查:

1.防火墙是否已经关闭,Selinux是否已经禁用

2.虚拟机的IP地址是否与WIN7的 VMware8那个虚拟网卡的IP在一个网段

3.必要的时候重新启动服务 systemctl restart smb.service nmb.service

4.如果提示一个用户名只能登录一次的错误:在Win7 命令行中执行指令: net use * /del /y



[VCS]VCS dump fsdb的精细化控制 本文介绍了VCS FSDB波形dump的精细化控制方法。主要内容包括:1)基本dump方式;2)通过$fsdbDumpoff排除特定层次;3)使用$fsdbDumpvars选择性dump指定模块;4)运行时动态控制dump开关;5)通过文件管理排除列表($fsdbDumpoffFile或自定义读取);6)层次控制策略(剪除整棵树或仅当前层)。这些方法可有效控制波形文件大小,提高仿真效率。 阅读详情

相关推荐

VCS HVP与验证计划planner:数字IC验证环境搭建与收敛实践

在数字IC验证中,VCS 是广泛使用的编译型仿真器,HVP 通常指面向硬件验证平台的高性能编译选项集,用于开启 SystemVerilog 类、随机约束和 NTB 等能力;planner 则指验证计划管理,核心是把功能点与测试用例、覆盖点建立映射。理解 VCS 先编译后仿真的原理,有助于优化增量编译、调试访问和覆盖率采集,提升回归收敛效率。规划驱动让激励不再散落,设计改版时能快速定位受影响用例,交接和覆盖率收敛更有依据。无论是 UVM 环境搭建、编译参数选择,还是验证计划表维护,都需要把工具选项与规划方法结

weixin_42543046的博客 343

samba配置中常见错误收集

一. Server not using user level security and no password supplied. tree connect failed: NT_STATUS_BAD_NETWORK_NAME可能的原因:   1、指定的共享路径path有误,path最多只能有一层。譬如:path = /home, 如果path = /home/samba则会出现错误。   2、指定的共享路径不存在,譬如:smb.conf中这样配置:[global]         workgrou

7485

深入解析fio Benchmark测试:从源码到实践

本文深入解析fio Benchmark测试工具,从入门指南到源码架构分析,详细介绍了其核心模块、关键数据结构和I/O处理机制。通过实战案例展示如何优化存储性能测试,包括内存对齐、多线程调优等技巧,帮助开发者充分利用fio进行精准的存储性能评估。

weixin_42563415的博客 209

Samba服务器可以访问,但无法写入故障原因之一

Samba服务器可以访问,但无法写入故障原因之一 Samba服务器配置完成后,可以正常访问及打开共享目录,但无法看到目录中的文件列表,打开了写入的权限,仍无法任共享目录中写入任何内容。 在命令行模式下,指定IP及用户名访问,系统提示NT_STATUS_ACCESS_DENIED,如下所示: [root@bogon samba]# smbclient -L 192...

weixin_34032779的博客 1637

【大模型12步学习路线 · 第3步 · ③IC验证实战篇】SOTA Prompt 逐字拆解

本文拆解了4篇SOTA LLM4Verification论文的Prompt设计,重点分析了AssertLLM、RTLFixer等模型在IC验证领域的Prompt工程实践。AssertLLM通过任务分解为3个专用LLM(Spec分析、信号映射、SVA生成),结合领域RAG和定制System Prompt,将SVA准确率从GPT-4的8%提升至89%。RTLFixer采用ReAct框架实现98.5%的RTL语法错误修复率。文章总结了Prompt设计的关键技巧:任务分解、结构化输出、置信度评分、允许"不确定"标记

元直的博客 587

Python爬虫实战:爬取携程旅游平台数据,我拆解了动态反爬+Cookie续命(附完整可运行代码)

反爬类型表现形式应对思路sign参数返回403/空数据逆向JS还原加密逻辑Cookie时效登录后1小时Cookie失效定时刷新Cookie/保存登录态行为检测爬取过快触发验证码模拟真人延时/随机点击IP封禁单IP爬取超50条数据被封付费代理池/降低请求频率爬取携程旅游平台数据的核心,不是“简单的HTTP请求”,而是“理解平台的反爬逻辑并合规适配”——从sign参数破解到Cookie维护,再到行为模拟,每一步都是对HTTP协议、前端加密、用户行为的深度理解。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1719

Fedora中 Samba的安装与使用

Fedora中 Samba的安装与使用 1、检查是否安装samba # rpm -ql samba                                                                                                                                                

fangxianghuamei的专栏 832

【电容/电感】电路板会“滋滋”的响,我们称它为啸叫

一、啸叫的起源 大部分硬件工程师应该都遇到过,PCBA上电后出现“滋滋滋”的叫声,其声响或大或小,或时有时无,或深沉或刺耳,或变化无常者皆有。该现象我们称为“啸叫”,一般分为电感啸叫和电容啸叫。

云轩阁 6万+

Linux下架设Samba服务器

1. 基础概念     Samba(SMB是其缩写) 是一套让UNIx系统能够应用Microsoft网络通讯协议的软件,用于Linux和     Windows 共 享文件之用; Samba 即可以用于Windows和Linux之间的共享文件,也一样用于Linux     和Linux之间的共享文件;不过对于Linux和Linux之间共享文件有更好的网络文件系统NFS,NFS也...

SpringsSpace 345

uniapp - 强力解决H5网页浏览器跨域问题,如何解决uniapp请求接口在浏览器跨域问题,UniApp H5 跨域代理配置详细教程完美解决所有uniapp跨域(调用第三方接口或服务器api跨域)

uni-app 跨域,uniApp解决h5跨域问题,解决uni-app请求接口在浏览器跨域问题,uni.request请求跨域问题解决方案,uni-app-跨域解决方法,彻底解决uniapp发布为H5的跨域问题,uniapp H5页面设置跨域请求_uniapp h5跨域配置,uniapp开发 H5 解决跨域问题,uniApp请求解决跨域问题,uniapp request如何实现前端请求跨域,解决uniapp调试过程中的请求跨域和环境配置,Uniapp调用外部api接口跨域请求,uni-app发布H5页面跨域

🏆 前端领域优质创作者 5357

手把手教你学Simulink--基于储能系统的建模与仿真场景:-锂电池储能系统充放电管理策略仿真

《锂电池储能系统充放电管理的Simulink建模与仿真》摘要 本文详细介绍了使用Simulink+SimscapeElectrical对锂电池储能系统进行充放电管理策略建模的全过程。从系统结构设计入手,重点阐述了锂电池模型、充放电控制器、热管理系统等核心模块的搭建方法,并提供了完整的仿真流程。文章详细说明了如何实现荷电状态管理、温度控制和功率限制等关键策略,通过仿真分析了电池电压、电流、SoC和温度等关键指标的变化规律。最后提出了基于仿真结果的优化建议,包括参数整定、算法改进等方面,为锂电池储能系统的安全高

MHD0815的博客 1万+

Fedora 16下Samba服务的配置

由于要完成文件Win7 与VMware虚拟机(Fedora 16)之间的文件共享,所以需要进行samba服务的配置。具体过程如下: 1.下载并安装Samba服务 root下执行命令:yum install samba 2.建立共享文件夹 我建立的共享目录为:/home/ruby/share 和/home/ruby/unix 执行命令: mkdir /home/ruby/shar

rayylee 783

MIPI D-PHY TX 一致性测试实例解析 Part 03

本文之前,已经讨论了MIPI D-PHY TX的1.3.x和1.4.x的测试项,1.5.x的测试项相对较少,主要是用于时钟和数据通道相关的时序测量

一只豌豆象的博客 5195

fedora16下Samba服务的配置 .

由于要完成文件Win7 与VMware虚拟机(Fedora 16)之间的文件共享,所以需要进行samba服务的配置。具体过程如下: 1.下载并安装Samba服务 root下执行命令:yum install samba 2.建立共享文件夹 我建立的共享目录为:/home/ruby/share 和/home/ruby/unix 执行命令: mkdir /home/ruby/

godcyx的专栏 676

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

fedora16下启动配置ftp nfs samba服务

新版本的fedora16服务配置指令已经发生了改变 例如ftp服务配置 service vsftpd start时出错信息如下 Redirecting to /bin/systemctl start vsftpd.service Failed to issue method call: Unit vsftpd.service failed to load: No such fil

My Way 6118

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")

fedora 16 service配置

新版本的fedora16服务配置指令已经发生了改变 例如ftp服务配置 service vsftpd start时出错信息如下 Redirecting to /bin/systemctl start vsftpd.service Failed toissue method call: Unit vsftpd.service failed to load: No such fileor

崔建忠的专栏 897

虚拟机 fedora 18 服务器,WIN7+VMWARE+fedora18 samba服务器的搭建指南

1.配置root的用户密码(不是必须)2.安装samba服务yum install openssh-server3.查看是否已成功安装openssh-serverrpm -qa | grep openssh-server4.配置samba服务找到Share Definitions加入要共享的目录:确保在根目录底下有 task文件夹,并且至少访问权限在755以上,我用的是7775.尼玛的没找到smb...

weixin_32509847的博客 340

Fedora下SAMBA的相关配置

fedora 16 之 samba + vsftp + nfs 配置 转载自:http://blog.chinaunix.net/uid-23480577-id-3315951.html Samba配置: 安装samba及相关依赖:sudo yum install samba smbclient -y 根据需要编辑配置文件:sudo gedit /etc/samba/s

程序猿的实验室 1089

Fedora 16::安装samba服务器

作者:fly123456789 转自:http://blog.chinaunix.net/uid-9688646-id-3416764.html 1、安装软件包 root下执行命令: yum install samba yum install samba samba-client 2、设置共享目录: 可以利用samba的配置命令来修改/etc/samba下相关文件

老瓦的笔记本 781

fedora 16系统安装samba过程。(fedora很另类的。。搞了很久才找到这个)

由于要完成文件Win7 与VMware虚拟机(Fedora 16)之间的文件共享,所以需要进行samba服务的配置。具体过程如下: 1.下载并安装Samba服务 root下执行命令:yum install samba 2.建立共享文件夹 我建立的共享目录为:/home/ruby/share 和/home/ruby/un

891

Fedora 16 安装samba服务器

Fedora 16::安装samba服务器 2012-11-21 18:35:15 分类: LINUX 1、安装软件包 root下执行命令: yum install samba yum install samba samba-client 2、设置共享目录: 可以利用samba的配置命令来修改/etc/samba下相关文件,但我采用GUI界面工具进行配置,

liushi558 586

fedora16 服务(service)

systemctl enable smb.service #开机启动samba服务systemctl disable smb.service #关闭samba服务systemctl start smb.service #开启samba服务systemctl stop smb.service #停止samba服务systemctl restart smb.service #重启samba服务在fed

transistor0的专栏 543

Fedora 18下samba服务器简单配置

以下是samba服务器的简单配置过程: yum install sambayum install samba-client(如果只执行上面一条命令,在创建samba用户时没有smbpasswd命令:smbpasswd:command not found)以上是安装samba的命令可以用yum install samba*代替rpm –qa|grep samba  结果如下:     s

chenkent888的专栏 1229

Fedora 18 的samba共享配置

红色粗字体字为修改后内容,蓝色粗体字为特别注意内容 1,宿主机:windows 8 ,4G内存 2,虚拟机:VMware 9.0.1 3,虚拟主机:VMware下Fedora 18,1G内存。 4,参考文章: 参考文章:详解Fedora Samba配置安装,Setup Samba home share in Fedora 16,Linux系统中的Samba配置 参考:http://pa

lengyun_5850的专栏 3491

Fedora 搭建Samba服务器

Fedora 搭建Samba服务器

云 988
下一篇: 用ModelSim仿真PLL模块
ruby97
博客等级 码龄15年 626粉丝 23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