为Elastic栈配置安全 - 基础安全配置(生产环境)

大怀特 大怀特 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 700+累计阅读 757平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄6年
关注
翻译 最新推荐文章于 2026-10-20 10:22:41 发布 757 阅读 AI 写同款· GEO 优化 ›
ES证书认证相关笔记 elasticsearch集群间安全访问，kibana与es间安全访问，浏览器与es间安全访问 阅读详情

在最少安全配置增加密码保护之后 ,需要配置TLS. 传输层处理所有内部通讯在集群中的所有节点.

重要:如果你的集群有多个节点,一定在每个节点配置TLS,生产模式下如果没有配置TLS,集群不能启动.

传输层依赖在相互的TLS为节点间加密和认证.正确的应用TLS确保恶意节点加入集群交换数据和其它节点.当实现用户和密码认证在HTTP层,对本地集群安全是非常有用的,节点间安全通讯需要 TLS.

配置TLS在不同节点是基础的安全配置,来阻止未授权节点访问集群.

了解传输环境
传输层安全(Transport Layer Security, TLS)是一个工业标准协议,为了应用安全控制(像加密)到网络通讯. TLS是模型名,使用被称为安全套接层(Secure Sockets Layer, SSL).ES文档 使用术语 TLS和SSL一样的.

传输协议是一个协议名,ES节点使用彼此通讯.这个名字是特意给ES并且区分传输端口(默认9300)和http端口(默认9200).节点通讯使用传输端口,和REST客户端通讯使用ES使用HTTP端口.

虽然传输这个词在两种环境,它们意味着不同的事情.它它可能是应用TLS在ES传输端口和HTTP端口.我们知道这些重叠术语可能混淆,为了清楚在这个场景下,我们使用TLS 来表示ES传输端口.在[下个场景](https://www.elastic.co/guide/en/elasticsearch/reference/current/security-basic-setup-https.html),我们使用TLS给ES HTTP端口.

提前准备

完成为ES栈配置最低安全开启ES安全特性在集群内每个节点.你可以加密通讯使用TLS在不同节点间.

仅需要创建一次密码为整个集群中内置用户.

生成安全认证

当你想要时可以增加很多节点到群集中,但是他们一定可以彼此通讯.集群中节点彼此通讯是被传输模块处理.为了使你集群安全,你必须保证内部节点是加密并且可验证的,他们获得是通过TLS.

在配置安全集群,ES 节点使用证书来认证他们当和其它节点通讯时.

集群必须验证这个证书的权限.推荐方法是信任一个专门的证书授权(certifate authority, CA). 当节点被增加到你的集群,他们必须使用被相同CA签名的证书.

对于传输层,推荐使用单独的,专用的CA代替已存在的,可能共享CA,这样节点资格紧紧被控制.使用elasticsearch-certutil工具来生成CA为你的集群.

  1. 只有一个节点,使用elasticsearch-certutil工具来生成CA.
./bin/elasticsearch-certutil ca

a. 当有提示时,接受默认名(elastic-stack-ca.p12).文件中包含公共证书为你的CA和一个私有key被用在命名证书为每个节点.
b. 输入密码为你的CA.你可以选择密码为空,如果你不部署到生产环境.

  1. 在单节点上,生成证书和私有key为集群中所有节点.你包括elastic-stack-ca.p12输出文件,你生成在上步.
./bin/elasticsearch-certutil cert --ca elastic-stack-ca.p12

--ca <ca_file>
CA文件名用来签名你的证书.默认文件名是来至elasticsearch-certutil工具, 是elastic-stack-ca.p12.

a. 输入CA密码为你的CA, 或点回车如果你没有在前个步骤配置.
b. 创建密码为你的证书并且接受默认名.
	输出文件名是keystore 命名elastic-certificates.p12. 这个文件包含节点证书,节点key,和CA证书.
  1. 集群中每个节点复制elastic-certificates.p12文件到$ES_PATH_CONF目录.

节点间加密通讯使用TLS

传输网络层被用来集群中节点内部通讯.当安全特性被开启,你必须使用TLS保证节点加密通讯.

现在你生成证书授权和证书,你可以更新你的集群使用这些文件.

注意: ES监控所有文件像 证书, key,和 keystore, 或是 truststore, 这些被配置做为TLS相关联的值配置.如果你更新文件中任何一个文件,像当你的hostname改变或你的证书过期,ES重新加载他们.文件被轮询因为改变在一次频率,决定通过全局ES配置resource.reload.interval.high,默认是5秒.

  1. 打开$ES_PATH_CONF/elasticsearch.yml,做如下配置.
    a. 增加cluster-name配置
cluster.name: my-cluster

b. 增加`node.name` ,默认为ES启动时的hostname.

node.name: node-1

c. 增加如下配置开启内部节点间通讯并且提供访问节点证书.

由于你使用相同`elastic-certificates.p12`文件在每个节点,设置验证模式为`certificate`

pack.security.transport.ssl.enabled: true
xpack.security.transport.ssl.verification_mode: certificate 
xpack.security.transport.ssl.client_authentication: required
xpack.security.transport.ssl.keystore.path: elastic-certificates.p12
xpack.security.transport.ssl.truststore.path: elastic-certificates.p12

如果你使用hostname验证,设置 验证模式为full.你应用生成不同的证书为每个匹配DNS或IP 的host,查看xpack.security.transport.ssl.verification_mode参数在TLS配置.

  1. 如果你输入密码当创建节点证书,运行下边命令存储密码在ES keystore:
./bin/elasticsearch-keystore add xpack.security.transport.ssl.keystore.secure_password

./bin/elasticsearch-keystore add xpack.security.transport.ssl.truststore.secure_password
  1. 完成上步为集群中所有节点.
  2. 集群中每个节点,重启ES.这个方法启动并关闭ES 变化依赖你怎样安装它.

下步要做什么

你已加密通讯在不同节点之间,并且可能 通过TLS启动检查.

为通过启动检查,你一定要开启HTTPS或关闭内置token服务.

收录于
bigdata

当前文章被收录于：

bigdata
60 篇文章 1 人学习

data

订阅专栏 查看详情
database

当前文章被收录于：

database
23 篇文章 0 人学习

data

订阅专栏 查看详情
标签
#安全 #elasticsearch #分布式
原文链接：https://www.elastic.co/guide/en/elasticsearch/reference/current/bootstrap-checks-xpack.html#bootstrap-checks-tls>
elasticsearch安全通讯配置要点(es 8.5.1) 如果首次使用yum或者rpm按装elasticsearch服务器，安装程序会自动进行安全配置，并生成几个安全配置需要的文件，如ca的keystore、用于http加密通讯的keystore(http.p12)等，这些最好保留下来，当然，你也可以用它提供的证书工具在后面自行创建。./bin/elasticsearch-certutil cert --name fleet-server --ca-cert 路径/ca.crt --ca-key 路径/ca.key。 阅读详情

相关推荐

Elastic stack启用安全认证，启用https

一、准备 Elasticsearch集群搭建好；我使用的docker方式部署； 二、生成证书 1、进入ES主节点容器，在${ES_HOME}/bin 下执行： ./elasticsearch-certutil ca #创建一个证书颁发机构 再执行： ./elasticsearch-certutil cert --ca elastic-stack-ca.p12 elastic-stack-ca.p12 就是上一步生成的（默认就在当前目录中） 此时在当前目录生成名为 elastic-certificate

qq_38735634的博客 6706

单机多节点 elasticsearch 集群安全认证

es 集群安全认证

干就完了！！！ 3165

Elastic Stack 8.0 实战：从Docker部署到安全配置全解析

本文详细介绍了Elastic Stack 8.0的Docker部署与安全配置全流程，包括Elasticsearch和Kibana的安装、启动、验证及安全功能设置。8.0版本默认启用了TLS加密和RBAC访问控制，适合生产环境使用。通过实战案例，帮助开发者快速掌握这一强大的搜索和分析工具。

weixin_30892037的博客 485

Elasticsearch：使用不同的 CA 更新安全证书 （一）

如果你必须添加组织中的新 CA 证书，或者你需要自己生成新 CA，请使用此新 CA 签署新节点证书并指示你的节点信任新 CA 证书。在今天的展示中，我将来演示如何更新一个 Elasticsearch 8.x 集群的 CA 证书。...............

Elastic 中国社区官方博客 9836

Elastic Stack 8.0 实战：从零到一的Docker部署与安全配置全攻略

本文详细介绍了Elastic Stack 8.0的Docker部署与安全配置全流程，涵盖Elasticsearch和Kibana的安装、安全认证设置及常见问题排查。通过实战步骤，帮助开发者快速掌握新版安全特性，实现从零开始的完整部署，适用于开发测试及生产环境。

weixin_29290863的博客 185

15、深入探索 Kibana 与 Elastic X-Pack 的使用与安全配置

本文深入探讨了 Kibana 的 Timelion 可视化工具、插件的安装与管理，以及 Elastic X-Pack 的功能和安全配置。详细介绍了 X-Pack 的安装步骤、试用账户激活、领域配置、用户认证与授权机制，并通过实际操作演示了如何创建用户、角色及分配权限。此外，还提供了安全实践、常见问题解决方案、性能优化建议以及未来发展趋势，帮助用户更好地使用和保障 Elastic Stack 的安全。

sam99的博客 154

Elastic Stack Helm Charts：在Kubernetes中一键部署完整可观测性栈的终极指南

Elastic Stack Helm Charts 是专为Kubernetes环境设计的官方Helm包，让您能够轻松部署和管理完整的Elastic Stack可观测性解决方案。通过这个强大的Helm charts集合，您可以在几分钟内就在Kubernetes集群中启动并运行Elasticsearch、Kibana、Logstash、Filebeat、Metricbeat和APM Server等核心

gitblog_01168的博客 795

嵌入式SPI总线抽象设计：跨平台驱动与分层解耦实践

SPI（串行外设接口）是嵌入式系统中应用最广泛的同步串行通信协议，其核心价值在于高吞吐、低开销与硬件简洁性。其工作原理基于主从架构、全双工/半双工时序及片选（CS）控制，依赖CPOL/CPHA组合定义四种标准模式。在工程实践中，SPI常面临硬件资源受限、多外设共用总线、MCU平台迁移等挑战，导致驱动复用率低、维护成本高。通过结构体+函数指针实现的分层抽象——将物理总线、协议适配与设备驱动解耦，可显著提升代码可移植性与扩展性。该方法天然支持硬件SPI与GPIO模拟SPI双模式切换，并已在STM32等主流MCU

weixin_42601134的博客 60

为Elastic栈配置安全 - 最少安全配置(ES开发环境)

文章目录提前准备开启ES安全特性为内置用户配置密码配置Kibana用密码连接ES下边做什么? 开启ES安全特性,然后创建密码为内置用户.之后你可以增加更多用户,但是使用内置用户简化了程序开启安全为你的集群. 重要:最少安全场景对生产集群是不够的.如果你集群有多个节点,必需开始 最少安全配置,然后配置TLS在他们之间. 提前准备 安装配置ES和Kibana.查看入门ES栈 核对你使用license,包含你想要的专门的安全特性. 基础license 包含最小安全配置为ES栈,所以你仅仅可以下载分发然后去配

大怀特的博客 746

pgAdmin4备份恢复实战：从安装到避坑指南

本文提供了一份详尽的pgAdmin4备份恢复实战指南，涵盖从安装配置到执行备份恢复的全流程。针对Windows环境下的浏览器兼容性、二进制路径配置等常见问题，给出了具体解决方案。重点强调了使用pgAdmin4进行备份恢复的可靠性，特别是在处理包含PostGIS等扩展的数据库时，能有效避免数据类型和权限错误，确保数据迁移的完整性与安全性。

weixin_29266007的博客 439

YOLOv11架构革新：华为VanillaNet与BiFPN深度融合的突破性改进实战指南

购买即可解锁300+YOLO优化文章，并且还有海量深度学习复现项目，价格仅需两杯奶茶的钱，别人有的本专栏也有！

LXY_LOVE36的博客 136

为Elastic栈配置安全 - 概览

文章目录最低安全配置(ES开发环境)基础安全配置(ES生产环境)基础安全加上安全HTTPS通讯(ES 栈) 安全需要差异依赖是否你本地开发或是获得通讯在生产环境.由于安全需求不同,下边场景为配置Elastic栈提供选项. 建议:每个随后的场景老师构建在上一个,所以你可以增加额外安全通过 在已存在的层. 最低安全配置(ES开发环境) 如果你想要设置ES在你的开发电脑,这个场景适合你.这个配置阻止未授权来访问你的本地集群,通过设置内置用户和密码.你可以配置密码授权给Kibana. 重要:最低安全场景对生

大怀特的博客 211

基于Mask-RCNN网络的书架图书书脊分割和检测（含代码）

图书馆的书架上的图书书脊分割/检测对于图书书名等信息的识别具有重要意义，因此，该博客基于Mask-RCNN网络实现了图书书脊的分割和检测，有利于进一步利用ocr文字识别技术实现图书书名等信息的入库。如下图所示，为书架原始数据和分割/检测后的结果。（本文已训练模型，无需训练）

qq_44619530的博客 2025

Elastic：开发者上手指南

你们好，我是Elastic的刘晓国。如果大家想开始学习Elastic的话，那么这里将是你理想的学习园地。在我的博客几乎涵盖了你想学习的许多方面。在这里，我来讲述一下作为一个菜鸟该如何阅读我的这些博客文章。 我们可以按照如下的步骤来学习： 1)Elasticsearch简介：对Elasticsearch做了一个简单的介绍 2)Elasticsearch中的一些重要概念:cluster,n..........................................................

Elastic 中国社区官方博客 17万+

CAPL诊断功能实现

UDS（Unified Diagnostic Services）是一种用于汽车电子系统诊断的标准协议。它定义了一系列诊断服务，用于读取和写入车辆电子控制单元（ECU）中的数据，以及处理诊断故障码（DTC）。UDS协议通常运行在CAN总线上，使用ISO 15765-2（ISO-TP）协议进行数据传输。通过本文的学习，读者应该对CAPL诊断功能实现有了初步的了解，并能够编写复杂的CAPL脚本。在实际项目中，CAPL的应用非常广泛，希望读者能够通过不断的学习和实践，掌握更多的CAPL技巧，提高自己的开发能力。

闲人编程的博客 1517

YOLOv13添加DRB模块map暴涨12.33！准确率提升8.56！召回率提升15.66

本文介绍了在YOLOv13模型中添加DRB模块的改进方法。实验结果显示，添加DRB模块后模型性能显著提升，mAP暴涨12.33%，准确率提升8.56%。文章详细说明了移植过程，包括创建yolov13-DRB.yaml配置文件、修改tasks.py和__init__.py文件，以及引入UniRepLKNet模块的具体实现。其中重点描述了GRNwithNHWC、NCHWtoNHWC等核心组件的实现细节，并提供了完整的模型结构配置代码。这些改进使得YOLOv13模型在保持原有架构优势的同时，获得了更强大的特征提取

FJN110的博客 2819

Observability：在生产环境中配置 Fleet Server 和 Elastic Agent 之间的安全

在我之前的文章 “Observability：使用 Elastic Agent 来摄入日志及指标 - Elastic Stack 8.0”， 我详述了如何部署 Elastic Agent 来收集系统日志及指标。在那篇文章的配置中，我选择了 “Quick Start" 来配置 Fleet server 和 Elastic Agent 之前的连接。在实际的生产环境部署中，我们也应该配置为安全的连接。以 Elastic Agent 为基础的数据摄入架构图如下： 在我们之前的配置中，我们保证所有的连接到 El

Elastic 中国社区官方博客 6911

【YOLO系列】YOLOv11详解：模型结构、损失函数、训练方法及代码实现

YOLOv11在目标检测领域实现重大突破，通过动态骨干网络(Dyna-Backbone)和FPN++架构，在保持高帧率(≥60FPS)的同时提升小目标检测精度(AP_S提升5.6%)。创新采用CIoU++损失函数和类别平衡Focal Loss，结合Mosaic-Plus数据增强，参数量减少18%至6.5M。实验显示，该模型在COCO数据集上实现更高mAP，特别适合移动端部署，Jetson Xavier平台能耗比优化至3.2W·ms⁻¹，支持目标检测、实例分割等多任务场景。关键创新包括动态深度调整和双向特征金

一碗白开水一 3444

一条 commit 上线：用 GitHub Pages 免费挂出 HTML5 游戏

GitHub Pages 是 GitHub 官方的静态托管服务，仓库内容直接发布成网站，免费，也不用维护服务器。把 HTML5 游戏挂上去，发布动作就是一次 commit。下面从最容易卡住的两个现象说起。 ## 推了没更新？资源 404？先对号入座 卡这儿别慌。发布问题大多集中在两处：发布的是哪个分支，文件引用的是哪条路径。部署状态页没出现预期的 commit 时，按下面四条逐个核对。 1.

gitblog_00871的博客 320

【系统架构设计师-2025上半年真题】综合知识-参考答案及详解（75题完全回忆版）

【系统架构设计师-2025上半年真题】案例分析-参考答案及部分详解

数据知道的博客 1万+

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")

gProfiler安全配置指南：如何安全地在生产环境中运行系统级性能分析工具

gProfiler作为一款系统级性能分析工具，能够整合多种采样分析器生成CPU时间消耗的统一可视化报告。在生产环境中安全运行此类工具至关重要，本指南将从权限控制、容器环境配置、数据安全等方面，为你提供完整的安全配置方案。 ## 一、最小权限原则配置：避免过度授权的安全风险 在系统级工具的部署中，权限控制是安全的第一道防线。gProfiler的设计遵循最小权限原则，但错误的配置仍可能导致安全隐患

gitblog_01167的博客 647

文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况

主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。

Elasticsearch - Elasticsearch 安全配置 用户认证与权限控制

Elasticsearch安全配置指南 本文详细介绍了Elasticsearch的安全防护措施，包括： 内置安全功能启用方法 用户认证体系（内置用户与自定义用户） 基于角色的访问控制(RBAC) 集群与索引权限管理 Java客户端安全连接实现 生产环境安全最佳实践 通过配置用户认证、角色权限和TLS加密，可有效保护Elasticsearch集群免受未授权访问和数据泄露风险。文中提供了具体配置命令和代码示例，适合开发运维人员参考实施，帮助构建符合生产标准的安全防护体系。

千淘万漉虽辛苦，吹尽狂沙始到金 2万+

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

Apache Pulsar Dashboard 部署与监控指南：基于版本 2.3.0 的安装、配置与使用详解

Apache Pulsar Dashboard 是 Pulsar 早期提供的一款轻量级 Web 监控应用，用于以表格形式实时展示集群中所有 topic 的统计信息。它本质上是一个数据采集器（collector），周期性轮询 Pulsar 实例（可跨多个集群）内所有 broker 的 stats 接口，将采集结果持久化到 PostgreSQL 数据库，再由基于 Django 的 Web 前端渲染展示

gitblog_01171的博客 193

3步搞定Elasticsearch RTF安全配置：从零到生产就绪的完整指南

你是否正在寻找一个开箱即用的Elasticsearch中文发行版，但又担心数据安全问题？Elasticsearch RTF（Ready To Fly）作为专为中文用户优化的搜索解决方案，已经集成了众多实用插件，但默认配置下你的数据可能面临安全风险。本文将带你从零开始，用最简单的方法为Elasticsearch RTF配置完整的安全防护体系。 ## 为什么你的Elasticsearch需要安全配置

gitblog_01030的博客 450

Elastic Stack Helm Charts安全配置完全手册：10个关键步骤保护你的Elasticsearch集群 [特殊字符]️

在当今数据驱动的世界中，**Elastic Stack安全配置**对于保护企业敏感数据至关重要。通过**Helm Charts**部署Elasticsearch集群，您可以快速获得强大的搜索和分析能力，但如果不进行适当的安全加固，您的集群可能面临严重的安全风险。本文将为您提供完整的**Elasticsearch集群安全保护**指南，帮助您构建坚固的数据防线。 ## 🔐 为什么Elastic S

gitblog_00426的博客 421

数据仓库入门首选教程：sql-data-warehouse-project 从0到1搭建现代数仓全景指南

[sql-data-warehouse-project](https://link.gitcode.com/i/0084fb60f26f8c6a09e87bcf79397540) 是一个基于 SQL Server 的现代数据仓库实战教程项目，完整演示了 **ETL 流程、Medallion 三层架构（Bronze/Silver/Gold）、星型模型数据建模与 BI 分析**，全程使用免费工具，是新

gitblog_00927的博客 357
上一篇： 为Elastic栈配置安全 - 最少安全配置(ES开发环境)
下一篇： trino 安装(带web ui 与 coordinator 和 worker 与 coordinator 安全通讯)
点赞 0
评论 0
书签 书签 0
大怀特
大怀特
博客等级 码龄6年 5787粉丝 133原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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