Linux系统信息查看

sharp2wing sharp2wing 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 200+累计阅读 235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19年
关注
原创 最新推荐文章于 2026-07-16 14:39:55 发布 235 阅读 AI 写同款· GEO 优化 ›
从/proc/cpuinfo文件中获取CPU信息
从/proc/meminfo文件中获取内存信息
从/proc/ioports文件中获取输入/输出端口信息
从/proc/partitions文件中获取硬盘分区信息
从/proc/stat文件中获取内核重要数据统计信息
从/proc/version文件中获得操作系统版本信息
从/proc/ide/文件中获取IDE(智能磁盘设备接口Interface Device Electronic)块设备信息
从/proc/scsi文件中获取SCSI(小型计算机系统接口Small Computer System Interface)块设备信息
从/proc/modules文件中获取本机已安装的硬件模块信息
从/proc/mounts文件中获取本机已挂载mount上的设备信息


系统
#cat /proc/version # 内核查看
# uname -a # 查看内核/操作系统/CPU信息
# head -n 1 /etc/issue # 查看操作系统版本
# cat /proc/cpuinfo # 查看CPU信息
# hostname # 查看计算机名
# lspci -tv # 列出所有PCI设备
# lsusb -tv # 列出所有USB设备
# lsmod # 列出加载的内核模块
# env # 查看环境变量资源

# free -m # 查看内存使用量和交换区使用量
# df -h # 查看各分区使用情况
# du -sh <目录名> # 查看指定目录的大小
# grep MemTotal /proc/meminfo # 查看内存总量
# grep MemFree /proc/meminfo # 查看空闲内存量
# uptime # 查看系统运行时间、用户数、负载
# cat /proc/loadavg # 查看系统负载磁盘和分区

# mount | column -t # 查看挂接的分区状态
# fdisk -l # 查看所有分区
# swapon -s # 查看所有交换分区
# hdparm -i /dev/hda # 查看磁盘参数(仅适用于IDE设备)
# dmesg | grep IDE # 查看启动时IDE设备检测状况网络

# ifconfig # 查看所有网络接口的属性
# iptables -L # 查看防火墙设置
# route -n # 查看路由表
# netstat -lntp # 查看所有监听端口
# netstat -antp # 查看所有已经建立的连接
# netstat -s # 查看网络统计信息进程

# ps -ef # 查看所有进程
# top # 实时显示进程状态用户

# w # 查看活动用户
# id <用户名> # 查看指定用户信息
# last # 查看用户登录日志
# cut -d: -f1 /etc/passwd # 查看系统所有用户
# cut -d: -f1 /etc/group # 查看系统所有组
# crontab -l # 查看当前用户的计划任务服务

# chkconfig --list # 列出所有系统服务
# chkconfig --list | grep on # 列出所有启动的系统服务程序

# rpm -qa # 查看所有安装的软件包

以下是一些用于查看系统状态信息的命令：
df 命令
用于查看 Linux 文件系统的状态信息，显示各个分区的容量、已使用量、未使用量及挂载点等信息。如：
df -k 以千字节 KB 为单位显示各分区的信息；
df -a 显示所有分区 包括大小为0 的分区；
df -T 显示分区类型 EXT2 或EXT3 等；
du 命令
用于查看文件或文件夹的大小。如”
du -b /home 以字节为单位显示“/home"文件夹下各个子文件夹的大小；
du -ks home 以千字节 KB 为单位显示/home 文件夹的总大小；
top 命令
用于实时查看系统状态信息。运行该命令后，屏幕上会显示如下信息：
CPU状态（CPU states）：包括用户进程占用比率、系统进程占用比率、用户的nice 优先级进程占用比率及空闲CPU资源比率等；
内存状态 Mem 包括内存总量、使用量、空闲量等；
交换分区状态（Swap）：包括交换分区总量、使用量、空闲量等；
每个进程的状态： 包括进程ID、用户名、优先级、CPU和内存使用量，以及运行该进程时执行的命令行；
执行 top 命令后，每隔5 秒系统会自动刷新一次状态信息。如果要指定刷新间隔，在启动时加入”-d“ 参数即可。例如：
top -d 1 启动 top ，并且每隔1 秒刷新一次。
进入 top 后，按下如下按钮会有相应功能：
【空格】 立即刷新显示信息
【M】 按内存使用量排序
【N】 按进程ID 排序
【P】 按 CPU使用量排序
【c】 扩展命令行信息 显示完整的命令行
【?】 显示帮助信息
【q】 退出 top 程序
标签
#Linux #IDE #防火墙 #活动
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
Linux系统信息查看命令大全 在当今的IT领域中，Linux操作系统以其实用性、灵活性及开源性，成为了服务器、嵌入式系统和桌面应用中的宠儿。本章将简要介绍Linux系统的基本信息，帮助读者快速了解Linux系统的概况，为后续更深入的技术探讨打下坚实基础。Linux系统基于UNIX操作系统的思想，采用了模块化、多用户、多任务的操作模式。其核心即Linux内核，负责管理系统资源，提供各种服务。Linux发行版（Distribution）则是指在Linux内核的基础上，搭配上应用程序和安装程序，形成的完整的操作系统。 阅读详情

相关推荐

手把手教你用Alinx黑金开发板（Spartan-6）驱动ADF4351信号源（附Verilog SPI代码）

本文详细介绍了如何使用Alinx黑金开发板（Spartan-6 FPGA）驱动ADF4351信号源，包括硬件连接、Verilog SPI代码实现及系统调试。通过实战指南，帮助开发者快速掌握FPGA控制ADF4351芯片的技术，适用于射频信号源设计和学习应用。

weixin_30335575的博客 628

Linux系统下/proc/meminfo详解

/proc/meminfo Explained "Free," "buffer," "swap," "dirty." What does it all mean? If you said, "something to do with the Summer of '68", you may need a primer on 'meminfo'. T

wzb56的资料库 9760

硬件工程师入门进阶，一文搞懂，看这篇就对了

每家公司的datasheet都有严格的规范，及独特的风格，有时候还会穿插一些原理性的介绍，比如ADI公司的一些ADC/DAC器件资料里面，还会包含AD/DA转换的原理性讲解内容，Datasheet既可以是我们设计上的好帮手，也是学习的好资料。在出货量大的产品中，尽量减少物料种类，比如开头说的，1%的电阻不得不用，那么5%的替换成1%的，物料种类就减少一种，量就大了，能不能争取更优的价格呢？如果说前面学的是内功，那这一关，是招式、是工具的使用，原理图和PCB设计都有对应的工具，教程也很多，且比较容易上手。

一路带飞的博客 5万+

/proc/meminfo 详解

/proc/meminfo Explained "Free," "buffer," "swap," "dirty." What does it all mean? If you said, "something to do with the Summer of '68", you may need a primer on 'meminfo'.The entries in t...

weixin_33694172的博客 482

【FDTD运行引擎错误解决方法】

我用的是2024R1版的FDTD，第一次安装好的时候点“RUN”可以正常运行，后来不知道什么问题就无法运行了。我从网上找相关的解决办法，并未找到，将软件卸载重装，重启等方法都没有解决，后来在官网按照提示解决了，我把官网提供的方式和我的情况相结合，提供一个解决方式。提示：以下是本篇文章正文内容，下面案例可供参考最后说一下两个MPI和Local computer（不使用MPI）的区别使用MPI进行仿真可以显著提高计算速度和效率，特别是对于大规模和复杂的仿真任务，但需要额外的设置和配置。（多线程并行计算）

m0_57410975的博客 8176

【matlab】MATLAB 变量详解与应用

在 MATLAB 中，变量可以通过赋值操作进行定义。例如，要定义一个名为xx = 10;在这个例子中，我们创建了一个名为x的变量，并将其赋值为 10。需要注意的是，MATLAB 是一种动态类型语言，因此不需要显式地声明变量的类型。变量名必须以字母开头。变量名可以包含字母、数字和下划线。变量名区分大小写。不要使用 MATLAB 中的关键字（如forif等）作为变量名。

小吴同学的博客 2214

/proc/meminfo的理解&vmtouch使用介绍&内存碎片整理

/proc/meminfo的理解和vmtouch使用介绍和内存碎片整理介绍

暗推中... 5116

Hermes Agent Windows安装教程：本地智能体离线部署实战

本地智能体（Local Agent）是一种运行在用户设备端、无需云端依赖即可响应自然语言指令并自动化执行任务的轻量级AI运行时框架。其核心原理基于配置驱动的任务监听与脚本调用机制，通过服务化驻留实现持续响应能力，技术价值在于保障数据隐私、规避API调用限制、适配内网及老旧系统环境。典型应用场景包括财务报表自动整理、科研仪器数据归档、IT资产变更通知等Windows桌面自动化需求。本文聚焦Hermes Agent这一主流开源实现，围绕Windows平台特有的服务注册、权限模型、杀软拦截、中文路径与YAML编码

weixin_34411563的博客 433

Linux下/proc/meminfo参数MemTotal、MemFree、MemAvailable说明

使用cat /proc/meminfo查看结果如下 # cat /proc/meminfo MemTotal: 102724 kB MemFree: 8404 kB MemAvailable: 34336 kB Buffers: 4588 kB Cached: 22740 kB SwapCached: 0 kB Active: 17916 kB Inactive:

wgl307293845的博客 6173

SIWAVE+ADS提取PCB走线寄生参数

本文将介绍一种很适合PCB走线提取寄生电感等参数的方法，即是通过SIWAVE将PCB走线的S参数提取出来，再通过ADS将S参数转换成电感、电容值。

sinat_15150363的博客 1765

058、时域降噪（Temporal Denoise）：运动补偿与递归滤波在视频降噪中的应用

本文深入探讨了时域降噪（Temporal Denoise）技术在视频处理中的应用。作者通过车载环视项目案例，揭示了空域降噪的局限性，提出利用帧间信息进行降噪的核心思路。文章详细解析了递归滤波和运动补偿两大关键技术，指出递归滤波简单但易产生拖影，而运动补偿通过计算运动矢量解决此问题。作者还分享了多帧降噪方案的优势与算力挑战，并总结了噪声模型匹配、运动矢量一致性等实战调优经验。最后强调时域降噪需要与空域降噪平衡，指出调试工具的重要性，提出"在保证运动区域无鬼影的前提下追求信噪比"的实践原则，体现了算法复杂度与效

zzfmlxs的博客 93

查看 linux 系统信息

综上所述，Linux系统提供了多种方式来查看GPU信息，包括命令行工具和图形界面程序。根据具体的显卡型号和需求选择合适的命令，可以有效地了解GPU的状态和性能。综上所述，通过这些命令，可以方便地查看Linux系统的基本信息、硬件配置、内存使用、进程状态、网络连接等各方面的详细信息。这可以提供关键的系统配置和状态信息，帮助用户和管理员对系统进行监控、诊断和优化。这些工具不仅能够显示GPU的基本信息，还能显示实时的使用状态和性能数据。对于不同的显卡品牌和型号，有不同的具体命令可以使用。

lijian2017的博客 3333

利用Dify平台打造大学生专属AI模拟面试助手：从零到精通的完整指南

在这个充满竞争的就业市场中，拥有一个24小时在线的AI面试教练无疑是大学生求职路上的秘密武器。通过本文的指导，你已经掌握了使用Dify平台构建专业级模拟面试助手的全套技能。从环境部署、模型选择，到Prompt设计、知识库集成，再到高级功能开发和效果优化，我们一步步打造了一个能够适应不同岗位、提供专业反馈的智能面试系统。无论是技术岗的算法问答，还是咨询业的案例分析，或是外企的英语面试，你的定制助手都能提供针对性训练。更重要的是，这个方案具有极强的可扩展性。

专注于编程、AI、人工智能等多个领域内容研究和分析 2794

linux 查看系统信息命令

uname -a # 查看内核/操作系统/CPU信息# head -n 1 /etc/issue # 查看操作系统版本# cat /proc/cpuinfo # 查看CPU信息# hostname # 查看计算机名# lspci -tv # 列出所有PCI设备# lsusb -tv # 列出所有USB设备# lsmod # 列出加载的内核模块# env # 查看环境变量资源# free -m # 查看内存使用量和交换区使用量# df -h # 查看各分区使用情况。

2401_86940371的博客 1万+

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

Linux系统信息的查看

本篇文章介绍查看Linux系统信息的命令，包括IP地址信息，系统端口信息，系统进程信息，系统磁盘信息，系统网络IO信息。

pyc68的博客 6612

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目，保存在这里方便以后使用直接下载

linux如何查看系统信息

查看linux系统版本信息（Oracle Linux、Centos Linux、Redhat Linux、Debian、Ubuntu） 一、查看Linux系统版本的命令（3种方法） 1、cat /etc/issue，此命令也适用于所有的Linux发行版。 　　[root@S-CentOS home]# cat /etc/issue 　　CentOS release 6.5 (Final) 　　Kernel \r on an \m 2、cat /etc/redhat-release，这种方法只适合Red..

manongxianfeng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")

Linux系统信息查看命令详解

输出：Linux server1 5.4.0-135-generic #152-Ubuntu SMP Wed Nov 23 20:19:22 UTC 2022 x86_64 x86_64 x86_64 GNU/Linux。ps -o pid,user,%mem,%cpu --sort=-%mem | head # 按内存使用排序。du -h --max-depth=1 /home # 查看/home下每个用户目录大小。：进程状态（S=休眠，R=运行，Z=僵尸，D=不可中断休眠）

weixin_74616654的博客 1184

linux 查看系统信息

查看linux的系统信息，一般包含硬盘、内存、cpu，相应命令行如下：

u011269801的专栏 348

Linux 基础命令-系统信息查看

在 Linux 中，通过各种命令可以轻松查看和监控系统的运行状态和硬件配置。这些命令涵盖了从操作系统信息、CPU、内存到磁盘、网络的所有方面，为系统管理员和开发者提供了强大的工具来分析和维护系统。熟练掌握这些命令不仅有助于系统故障排查，还能帮助进行系统优化。

Flying_Fish_roe的博客 4177

linux查看系统信息命令

[转贴] linux查看系统信息命令整理一些linux系统一些常用的系统信息查看命令.: d! G9 }- p! {  Y" Y; Z- G0 B, @3 n$ @/ Y$ L9 U　　有些在freebsd下也能用…+ e1 C: q; m; s" F: L3 Q: y Q  X7 ^* i! r& n6 I, d# `2 I# _4 B z

我是个程序员 818

LINUX系统信息查看

LINUX系统资源信息状态查看

欲罢不能的疼痛℡ 357

Linux系统信息查看命令全攻略

该表格总结了常用的 Linux 命令，用于查看系统信息。通过 uname -a 和 cat /etc/os-release 可以获取系统版本信息；lscpu 和 cat /proc/cpuinfo 用于查看 CPU 信息；free -h 和 cat /proc/meminfo 提供内存使用情况；df -h 和 lsblk 显示磁盘信息；ip a 和 hostname -I 用于查看网络配置；uptime 和 top/htop 显示系统运行状态和资源使用情况；journalctl -x 和 dmesg 则用于

爱的叹息的专栏 973

LInux查看系统信息命令

查看处理核信息cat /proc/cpuinfo |grep “model name” && cat /proc/cpuinfo |grep “physical id”Linux下可以在/proc/cpuinfo中看到每个cpu的详细信息，此命令是在/proc/cpuinfo文件下查看model name和 physical id通过Physical Proces...

Cou1d的博客 1829

linux 查看系统信息命令；查看NAS内存的运行频率

root@client Desktop]# firewall-cmd --get-active-zones 列出当前被系统使用的域。[root@client Desktop]# firewall-cmd --get-default-zone 查看火墙默认生效的域。[root@client Desktop]# firewall-cmd --get-zones 查看默认的规则。firewall-cmd --zone=public --list-all查看public域里面的信息。

namekong8的博客 3731
上一篇： Android/Linux 内存监视
下一篇： 用find命令查找最近修改过的文件
点赞 0
评论 0
书签 书签 0
sharp2wing
sharp2wing
博客等级 码龄19年 5粉丝 89原创
+ 关注
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