Flume实例二 | 监控服务器Lynis日志上传远端hbase | 联级 | avro

如何根据芯片手册时序图编写驱动程序 如何根据芯片手册时序图编写驱动程序 对于电子开发者来说,刚刚拿到一个芯片,常用的芯片可以参考网上的例程来做深入了解,对于一个不常用的芯片来说,Datasheet几乎是使用芯片的唯一的资料,所以根据Datasheet时序图写出对应的驱动程序就尤为重要。 本文根据一个简单的例子来阐述根据时序图来编写对应的程序过程。旨在讲解对于初学者应该怎么利用芯片的时序图编写符合要求的底层驱动程序(老鸟请跳过)。 下载芯片的Datasheet,(个人常用http://www.21icsearch.com/)如.. 阅读详情

联级agent

采集资产漏洞扫描日志/var/log/lynis.log,agent端agent.properties,大数据端hbase.properties。
启动两个采集服务,客户端start-agent.sh和大数据端start-h.sh

创建hbase表

create 'T_WARNING_LYNIS', {NAME => 'BASIC_INFO', VERSIONS => 3, BLOCKCACHE => false, COMPRESSION => 'SNAPPY'}, SPLITS => ['1','2','3','4','5','6','7','8','9','10']

创建目录

  • 客户端create.sh
mkdir -p /home/dataFlume/data_lynis/checkpoint
mkdir -p /home/dataFlume/data_lynis/datadir
mkdir -p /home/dataFlume/data_lynis/backup_checkpoint
  • 大数据端create-h.sh
mkdir -p /home/hadoop/dataFlume/data_lynis/checkpoint
mkdir -p /home/hadoop/dataFlume/data_lynis/datadir
mkdir -p /home/hadoop/dataFlume/data_lynis/backup_checkpoint

客户端flume配置

  • agent.properties
#list all the compents of this agent 
type_agent.sources = r1
type_agent.sinks = k1
type_agent.channels = c1
#10.lynis
# list the properties of source
type_agent.sources.r1.type = exec
type_agent.sources.r1.command = tail -F /var/log/lynis.log | sed -u "s/^/$HOSTNAME /g"
type_agent.sources.r1.shell = /bin/bash -c

# list the properties of channels
type_agent.channels.c1.type = file
type_agent.channels.c1.checkpointDir = /home/dataFlume/data_lynis/checkpoint
# Using multiple directories on separate disks can improve file channel peformance
type_agent.channels.c1.dataDirs = /home/dataFlume/data_lynis/datadir
type_agent.channels.c1.useDualCheckpoints = true
type_agent.channels.c1.backupCheckpointDir = /home/dataFlume/data_lynis/backup_checkpoint

# list the properties of sinks
type_agent.sinks.k1.type = avro
type_agent.sinks.k1.hostname = master
type_agent.sinks.k1.port = 16080
type_agent.sinks.k1.compression-type = deflate
type_agent.sinks.k1.batch-size = 16

# link the flow
type_agent.sources.r1.channels = c1
type_agent.sinks.k1.channel = c1

其中tail -F /var/log/lynis.log | sed -u "s/^/$HOSTNAME /g"后面得sed用于在每行行首添加HOSTNAME

  • start-agent.sh
nohup flume-ng agent -n type_agent -c $FLUME_HOME/conf -f $FLUME_HOME/conf/Inventory/Lynis/agent.properties &
  • 记得服务sh文件执行权限
chmod -R 744 start-agent.sh
  • 运行命令
nohup ./start-agent.sh 1>out.log 2>&1

大数据端

  • hbase.properties
#list all the compents of this agent 
type_hbase.sources = r1
type_hbase.sinks = k1
type_hbase.channels = c1
#10.lynis
# list the properties of source
type_hbase.sources.r1.type = avro
type_hbase.sources.r1.bind = 0.0.0.0
type_hbase.sources.r1.port = 16080
type_hbase.sources.r1.threads = 10
type_hbase.sources.r1.compression-type = deflate

# list the properties of channels
type_hbase.channels.c1.type = file
type_hbase.channels.c1.checkpointDir = /home/hadoop/dataFlume/data_lynis/checkpoint
# Using multiple directories on separate disks can improve file channel peformance
type_hbase.channels.c1.dataDirs = /home/hadoop/dataFlume/data_lynis/datadir
type_hbase.channels.c1.useDualCheckpoints = true
type_hbase.channels.c1.backupCheckpointDir = /home/hadoop/dataFlume/data_lynis/backup_checkpoint

# list the properties of sinks
type_hbase.sinks.k1.type = hbase2
type_hbase.sinks.k1.serializer = org.apache.flume.sink.hbase2.RegexHBase2EventSerializer
type_hbase.sinks.k1.columnFamily = BASIC_INFO
# first regex expression
#type_hbase.sinks.k1.serializer.regex = ([^ ]*) ([0-9]*-[0-9]*-[0-9]*) ([0-9]*:[0-9]*:[0-9]*) (Warning|Suggestion): (.+)
#type_hbase.sinks.k1.serializer.colNames = DST_IP,YMD,TIME,TYPE,INFO
type_hbase.sinks.k10.serializer.regex = ([^ ]*) ([0-9]*-[0-9]*-[0-9]*) ([0-9]*:[0-9]*:[0-9]*) (Warning|Suggestion): (.*?) \\[test:(.*?)-(.*?)\\] \\[details:(.*?)\\] \\[solution:(.*?)\\]
type_hbase.sinks.k10.serializer.colNames = DST_IP,YMD,TIME,TYPE,INFO,TEST,TEST_ID,DETAIL,SOLUTION

type_hbase.sinks.k1.table = T_WARNING_LYNIS

# link the flow
type_hbase.sources.r1.channels = c1
type_hbase.sinks.k10.channel = c1
  • start-h.sh
nohup flume-ng agent -n type_hbase -c $FLUME_HOME/conf -f $FLUME_HOME/conf/Inventory/Lynis/hbase.properties &
  • 记得服务sh文件执行权限
chmod -R 744 start-h.sh
  • 运行命令
nohup ./start-h.sh 1>out.log 2>&1
pscad IEEE标准系统搭建说明 pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。 立即下载

相关推荐

【笔记6】SP3485自动收发电路设计分析

则TXD路为1,MOS管导通,2/3引脚为0,芯片实际上事与愿违的进入了接收模式。但是,由于我们采用单根双绞线与上位机通信,在数据发出去前数据线上没有任何信号传输,所以AB处于高阻态,进而受到R1下拉与R2上拉的影响,差分信号为1,所以输出1;此外,RXD内路也被上拉,485总线B端上拉,A端下拉。此时TXD由于没有数据传输,所以一直处于1的状态,因而MOS管导通,2/3引脚为0,芯片处于正常接收状态。总而言之就是,RE#与 DE只能有一个是1,1代表微控制器向外发送,0代表微控制器接收。

Haytham233的博客 3145

Ubuntu安装flume

本文介绍使用 Flume 1.11.0 在两台 worker 节点上配置日志采集任务,将本地文件通过 Spooldir Source 采集后写入 HDFS。通过配置 Java、Hadoop 依赖及 Spool-to-HDFS 任务,分发 Flume 至 worker 并创建目录,测试文件放入后验证数据成功写入 HDFS,最终改为后台运行。整个过程不依赖 YARN,适用于分布式日志采集场景。

qq_43592674的博客 90

实战指南:彻底清除TIA Portal卸载后遗留的SQL Server WinCC实例

本文详细介绍了如何彻底清除TIA Portal卸载后遗留的SQL Server WinCC实例,解决重新安装时的冲突问题。通过控制面板排查、注册表验证、安全卸载操作流程和注册表深度清理等步骤,确保完全移除残留组件,避免系统崩溃。文章还提供了安装环境重建策略和预防措施,帮助工程师高效管理西门子自动化软件。

weixin_30482181的博客 405

最新大数据毕业设计选题推荐-基于大数据的歌曲流媒体寿命与分发数据可视化分析-大数据-Spark-Hadoop-Bigdata

本文介绍《基于大数据的歌曲流媒体寿命与分发数据可视化分析》系统,采用Hadoop+Spark进行数据存储与处理,结合Django/Spring Boot后端与Vue+Echarts前端,实现音频特征、歌曲寿命、分发渠道等多维度数据分析与可视化。系统涵盖数据清洗、聚合统计、大屏展示等功能,完整呈现歌曲生命周期与渠道影响,为毕业设计提供可落地的大数据实战案例。

IT研究室的博客 22

在MCUXpresso上通过J-link烧写KW45

背景: KW45B是nxp 的ble npi产品,其使用的IDE为MCUXpressso或者IAR,MCUXpressso有一些bug,但是由于MCUXpressso阅读查找代码相对IAR容易,所以我经常使用的MCUXpressso进行开发。当然IAR也有其优势,比如编译、烧写速度相对MCUXpressso更快,是比较通用的一个平台,而MCUXpressso是NXP独有的。 Kw45有两种烧写方式,一是使用MCUlink,二是使用Jlink。NXP ble 产品线提供的IDE资料里有最新的15.0版本的

weixin_41889258的博客 2859

VisualStudio2022配置CGAL

vs2022和vs2017安装配置boost没什么区别,只需要注意boost的msvc得是14.3的,这玩意跟visualstudio版本挂钩的。压缩包解压,得到下面这两文件,然后把auxiliary这个文件挪到CGAL-5.6里面就行了。我用cgal读取一个stl模型,并输出相关信息(想可视化的话需要安装Qt,不想装Qt也可以装VTK)然后下载下面这两个压缩包。照着下面的截图填就完事了。

weixin_43850909的博客 1171

最新大数据毕业设计选题推荐-基于大数据的厄瓜多尔沿海气象数据可视化分析-大数据-Spark-Hadoop-Bigdata

本文介绍《基于大数据的厄瓜多尔沿海气象数据可视化分析系统》,采用Hadoop+Spark实现数据存储与计算,结合Django/Spring Boot后端与Vue+ECharts前端,完成风场、气压等要素的多维度可视化。系统支持数据查询、统计分析与交互展示,适用于气象科研与教学实践,提供双语言版本及完整源码,助力大数据技术在区域气象分析中的应用探索。

IT研究室的博客 234

YOLOv11 改进 - 注意力机制 | 空间增强注意力SEAM(Spatially Enhanced Attention Module)提升遮挡场景检测鲁棒性

本文介绍了分离与增强注意力模块(SEAM)在YOLOv11中的结合应用。SEAM模块旨在增强面部特征学习能力,特别是处理面部遮挡问题。它采用多头注意力机制强调面部区域、抑制背景区域,第一部分使用深度可分离卷积减少参数并学习通道重要性,通过1x1卷积增强通道联系,利用两层全连接网络融合通道信息,经指数归一化后作为注意力权重与原始特征相乘。我们将SEAM集成到YOLOv11的检测头中,并进行相关注册和配置。实验表明,该方法有助于提升模型检测性能。

魔改工程师的博客 1666

Hadoop环境部署

本文记录 Hadoop 集群部署实操步骤,并针对 Hadoop 原生安全短板,梳理大数据集群常见安全风险与防护要点。

2401_88667659的博客 292

后仿真中《SDF反标必懂连载篇》之 <INTERCONNECT/IOPATH> 到底反标电路路径是哪里

对于SDF INTERCONNECT ENTRY 描述,我们在之前的文章有详解。读万卷书,行万里路。实践很重要。今天,搞一下SDF INTERCONNECT / IOPATH 延迟数据信息,究竟反标的是哪一路径延时?究竟在电路上一段段如何表现出延迟现象的呢?

那么菜的博客 2135

C#使用OpenCvSharp+微信模型识别多个二维码

本文介绍了一个基于OpenCvSharp和微信开源二维码检测器的多二维码识别项目。该项目通过C# WinForm实现,主要功能包括:加载图片、识别图片中的多个二维码并显示识别结果。核心代码使用了OpenCvSharp.WeChatQRCode类,通过预训练的caffe模型(detect.prototxt/detect.caffemodel和sr.prototxt/sr.caffemodel)进行二维码检测和解码。识别结果包括每个二维码的编号、内容及位置信息。项目适用于批量二维码识别场景,部署简单,识别效果良

遇见--专栏 123

最新大数据毕业设计选题推荐-基于大数据的二手车价格影响因素分析与可视化-大数据-Spark-Hadoop-Bigdata

本文介绍《基于大数据的二手车价格影响因素分析与可视化》系统,采用Hadoop+Spark进行数据清洗与分析,结合Django/Spring Boot后端与Vue+ECharts前端,实现品牌、车龄、里程等多维度价格影响因素的统计与可视化。系统支持多平台数据接入,提供直观的数据分析入口,助力二手车定价研究,兼具技术实践与应用参考价值。

IT研究室的博客 170

[SV]SystemVerilog状态机实现案例

本文介绍了SystemVerilog中状态机的实现方法。首先使用枚举类型定义状态(TOP_HIB、TOP_BG、TOP_LDO、TOP_NOR),然后通过三个主要任务实现状态机:1)格式化现态寄存器处理状态转换;2)描述状态转移条件,包括计时器和稳定时间判断;3)基于当前状态和输入信号确定次态。状态机在时钟边沿或复位时更新状态,实现了从休眠到正常工作状态的转换逻辑,包含电源稳定时间检测等关键功能。

元直的博客 2021

最新大数据毕业设计选题推荐-基于大数据的电力网格稳定性仿真数据可视化分析-大数据-Spark-Hadoop-Bigdata

本文介绍《基于大数据的电力网格稳定性仿真数据可视化分析系统》,采用Hadoop+Spark实现仿真数据分布式存储与计算,结合Django/Spring Boot后端、Vue+ECharts前端,完成数据看板、稳定态势、功率扰动、响应弹性等七大功能模块。系统通过Spark SQL聚合分析指标,实现电力网格稳定性可视化,适用于毕业设计与项目实战,支持多语言版本及源码获取。

IT研究室的博客 265

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

大数据与应用服务赛题复现-Hadoop搭建

grep -E 'master|slave' /etc/hosts # 三节点解析(别用 tail,文件末尾是 IPv6 行)若赛规要求保留口令校验,赛后在 master 执行 sudo rm /etc/sudoers.d/90-dubhe 回退。# ⑤ 验证(★ 循环里的 ssh 必须加 -n,ssh 未加 -n 会读走 bash -s 的剩余 stdin)② ssh master / slave1 / slave2 三条命令均无需密码返回主机名。

lightningyang的博客 441

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

最新大数据毕业设计选题推荐-基于大数据的电影评分与热度数据可视化分析-大数据-Spark-Hadoop-Bigdata

本文介绍《基于大数据的电影评分与热度数据可视化分析系统》,采用Hadoop+Spark构建大数据处理链路,结合Django/Spring Boot后端与Vue+ECharts前端,实现电影评分、热度数据的采集、清洗、分析与可视化。系统支持高分影片管理、评分分布、热度传播趋势等多维度展示,提供可运行、可扩展的毕业设计参考,涵盖完整技术栈与源码,助力学生掌握大数据项目全流程开发。

IT研究室的博客 291

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

# WPF ContextMenu 控件详解与使用—WPF 中的控件(8)--上下文菜单控件(ContextMenu)

`ContextMenu`(上下文菜单控件,右键快捷弹出)是 WPF 中最常用的弹出式交互控件之一,以浮层形式展示一组操作命令,用户右键点击关联控件时触发显示。它继承自 `MenuBase`(间接继承 `ItemsControl`),核心由 `MenuItem`(菜单项)和 `Separator`(分隔线)组成,支持嵌套子菜单、图标、复选、命令绑定、自定义样式等能力。

yunmaowu0917的博客 277

最新大数据毕业设计选题推荐-基于大数据的电子竞技生物特征与表现数据可视化分析-大数据-Spark-Hadoop-Bigdata

本文介绍《基于大数据的电子竞技生物特征与表现数据可视化分析》系统,采用Hadoop+Spark进行数据存储与计算,结合Django/Spring Boot后端、Vue+ECharts前端,实现电竞选手生理指标、操作表现与环境负荷的多源数据整合与可视化。系统涵盖数据管理、统计分析、实时看板等功能,支持Python/Java双版本,具备完整技术链路与可扩展性,适用于教学实践与项目开发参考。

IT研究室的博客 405

大数据与应用服务赛题复现-JDK 与 Hadoop 安装配置

Ubuntu 默认的 127.0.1.1 映射会让 NameNode/RM 绑到回环,务必加 rpc-bind-host/http-bind-host/bind-host=0.0.0.0。若 java -version 显示 11.x,说明有其它 profile 覆盖,执行 sudo update-alternatives --set java /usr/local/jdk/bin/java。若误执行,必须同时清空所有 DataNode 的 /usr/local/data/data 再启动;

lightningyang的博客 175

WPF 依赖注入 + 信使实战:Autofac 构造函数注入 + WeakReferenceMessenger 跨窗口通信(下篇)

/ 在框架基础消息之上,也支持自定义消息类型// 在框架基础消息之上,也支持自定义消息类型 public class DataValueIsObject : ValueChangedMessage < Person > {// 自己扩展 } }// 自己扩展是框架内置的消息基类,"值发生变化"语义,Value属性就是携带的数据。这里传的是Person对象——消息可以携带任意引用类型,不必是字符串。View(XAML 绑定)

2501_94699871的博客 243

ubuntu安装hadoop系统

本文详细介绍了基于VMware克隆虚拟机搭建三节点Hadoop分布式集群的全过程:使用同一Ubuntu镜像克隆出master、worker1、worker2三台虚拟机,依次配置主机名、固定IP(如192.168.82.10/11/12)、SSH服务及免密登录,确保节点间网络互通。随后安装Java,下载配置Hadoop并分发至各节点,最终初始化启动集群,验证其存储与计算功能,实现高效的大数据环境部署。

qq_43592674的博客 342

最新大数据毕业设计选题推荐-基于大数据的供应链库存缺货与成本数据可视化分析-大数据-Spark-Hadoop-Bigdata

本文介绍《基于大数据的供应链库存缺货与成本数据可视化分析》系统,采用Hadoop+Spark处理海量数据,结合Python+Django与Java+Spring Boot后端,Vue+ECharts实现可视化。系统涵盖库存、缺货、成本三大分析模块,通过数据清洗、聚合计算与图表展示,帮助用户直观掌握供应链运营状况。适用于毕业设计、项目实战及数据分析学习,提供完整源码与多技术栈支持,具备可扩展性与教学价值。

IT研究室的博客 159

C# WPF 控件模板详解:ControlTemplate、ContentPresenter 与 TemplateBinding

本文详解WPF中ControlTemplate的使用,从基础概念入手,对比Style与ControlTemplate的区别,通过实例展示如何自定义按钮外观。重点讲解ContentPresenter内容呈现、TemplateBinding实现属性联动,并结合模板触发器实现悬停、按下等交互效果,附可运行代码,适合进阶开发者掌握控件外观定制技巧。

C#,机器视觉,上位机开发 397

ubunte安装hbase

本文介绍在 master 节点部署 HMaster、两台 worker 节点部署 HRegionServer,基于 Hadoop 3 和现有 ZooKeeper、HDFS 集群安装 HBase 2.5.16 的完整流程。重点包括环境检查、下载解压、配置 hbase-env.sh 与 hbase-site.xml、分发至 worker 节点、设置环境变量、启动集群及验证读写功能。通过 start-hbase.sh 启动后,可通过 Web 界面或 Shell 检查状态并创建表测试数据存取,确保集群正常运行。

qq_43592674的博客 128

HBase vs Cassandra:宽表 NoSQL 选型终极对比与压测

宽表 NoSQL 是大数据存储的"老钱"——在 HDFS、Kafka、实时数仓之外,但凡涉及"海量结构化记录、按主键毫秒读写、要水平扩展",HBase 和 Cassandra 总会被摆上选型桌。两者同源 Google BigTable,却走了完全不同的架构路线:HBase 扎根 Hadoop 生态、主从架构、强一致;Cassandra 走 Amazon Dynamo 路线、P2P 无主、可调一致性。本文从架构根本差异讲起,逐维度对比数据模型、一致性、读写路径、扩展性、运维成本,给出一套基于真实压测(单集群

雨1986的博客 810

Flink 学习日志 03:自定义一个SourceFunction,完成对Redis中数据的读取

本文介绍了在Flink中自定义SourceFunction读取Redis数据的完整流程:通过Jedis客户端连接WSL2中的Redis服务,编写RedisSource实现循环读取所有Key-value并逐条输出,结合Thread.sleep()实现每秒一条的流式效果。关键步骤包括环境准备、添加Jedis依赖、配置IDEA运行时加载provided依赖,并注意生产环境中应避免使用阻塞的keys *,改用scan命令。最终实现动态读取、实时打印,验证了Flink与Redis的数据集成能力。

木木的学习笔记 425
上一篇: Centos | 添加环境变量 | /etc/profile ~/.bashrc ~/.bash_profile区别
下一篇: C语言 | * 与 &
stone_fall
博客等级 码龄9年 230粉丝 256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