7、自动化权限控制与主机防火墙配置

自动化权限控制与主机防火墙配置

1. 测试 sudoers 策略

1.1 编辑 greeting.py 文件

为了测试 bender 的权限,可以使用 sudoedit 对 Greeting 应用程序进行小修改。之前设置的 sudoers 策略允许开发者组的成员使用 sudoedit 命令编辑 /opt/engineering/greeting.py 文件。该命令可让用户使用任何编辑器编辑文件,并且在编辑前会复制文件,以防出现问题。

在实际生产系统中,通常不会直接在主机上编辑文件,而是编辑受版本控制的版本,并通过自动化工具更新为最新版本。这里介绍这种方法是为了测试 sudoers 策略。

以 bender 身份登录后,输入以下命令编辑 greeting.py 文件:

bender@dftd:~$ sudoedit /opt/engineering/greeting.py

该命令会打开 Nano 文本编辑器(Ubuntu 的默认编辑器)。在 hello() 函数中找到如下代码行:

return "<h1 style='color:green'>Greetings!</h1>"

将标题标签内的 Greetings! 文本改为 <

先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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