ntp 服务:Server dropped: Strata too high

本文介绍了一种解决ntpdate同步过程中出现的'Serverdropped:Stratatoohigh'错误的方法。通过修改ntpd服务端配置文件/etc/ntp.conf,并添加特定的server及stratum配置,可以有效解决此问题。

1.通过ntpdate -d 服务端IP,显示Server dropped: Strata too high

vi /etc/ntp.conf

在ntpd服务端的配置中添加

server 127.127.1.0 fudge

127.127.1.0 stratum 8 

重启ntpd服务就可以了

service ntpd restart

转载于:https://www.cnblogs.com/tylzzh/p/9068393.html

ntpdate -d 192.168.111.207 2 Jan 08:36:45 ntpdate[11339]: ntpdate 4.2.8p12@1.3728-o (1) Looking for host 192.168.111.207 and service ntp host found : 192.168.111.207 transmit(192.168.111.207) receive(192.168.111.207) transmit(192.168.111.207) receive(192.168.111.207) transmit(192.168.111.207) receive(192.168.111.207) transmit(192.168.111.207) receive(192.168.111.207) 192.168.111.207: Server dropped: strata too high server 192.168.111.207, port 123 stratum 16, precision -24, leap 11, trust 000 refid [INIT], root delay 0.000000, root dispersion 0.000565 transmitted 4, in filter 4 reference time: (no time) originate timestamp: 83abd89d.1c4953d7 Fri, Jan 2 1970 8:36:45.110 transmit timestamp: 83abd8a4.2213fc95 Fri, Jan 2 1970 8:36:52.133 filter delay: 0.03000 0.02815 0.02829 0.02829 0.00000 0.00000 0.00000 0.00000 filter offset: -7.02316 -7.02405 -7.02403 -7.02406 0.000000 0.000000 0.000000 0.000000 delay 0.02815, dispersion 0.00011 offset -7.024050 2 Jan 08:36:52 ntpdate[11339]: no server suitable for synchronization found从机配置为:# =========================== # 客户端基本配置 # =========================== driftfile /var/lib/ntp/ntp.drift logfile /var/log/ntp.log # =========================== # 默认访问限制 # =========================== restrict default nomodify nopeer noquery restrict 127.0.0.1 restrict ::1 # =========================== # 使用局域网服务器单播同步时间 # =========================== server 192.168.111.207 iburst 主机配置为:# =========================== # 服务器基本配置 # =========================== driftfile /var/lib/ntp/ntp.drift logfile /var/log/ntp.log # =========================== # 默认访问限制 # =========================== restrict default nomodify nopeer noquery restrict 127.0.0.1 restrict ::1 # =========================== # 使用本地硬件时钟作为时间源(离线方案) # =========================== server 127.127.1.0 fudge 127.127.1.0 stratum 10 # =========================== # 局域网访问允许 # =========================== restrict 192.168.111.0 mask 255.255.255.0 nomodify notrap
最新发布
09-02
### 解决共线性导致变量被丢弃的问题 在统计建模过程中,当自变量之间存在高度共线性时,可能导致某些变量无法提供额外的信息量而被模型自动排除。这种现象通常发生在回归分析中,尤其是多元线性回归模型。以下是针对此问题的一些解决方案: #### 1. **特征选择** 通过减少具有高相关性的变量数量来降低共线性的影响。可以计算每一对变量之间的皮尔逊相关系数,并移除那些与其他变量高度相关的冗余变量[^3]。 ```python import pandas as pd from sklearn.feature_selection import VarianceThreshold def remove_collinear_features(df, threshold=0.8): corr_matrix = df.corr().abs() upper_triangle = corr_matrix.where(pd.np.triu(corr_matrix, k=1).astype(bool)) to_drop = [column for column in upper_triangle.columns if any(upper_triangle[column] > threshold)] return df.drop(columns=to_drop) data = pd.DataFrame(...) # 假设这是输入数据框 cleaned_data = remove_collinear_features(data) ``` #### 2. **正则化方法** 引入Lasso(L1正则化)或Ridge(L2正则化),它们能够有效应对多重共线性的情况。特别是Lasso可以通过将不重要变量的系数缩减至零从而实现内置的特征选择功能[^4]。 ```python from sklearn.linear_model import Lasso lasso = Lasso(alpha=0.1) lasso.fit(X_train, y_train) print("Selected features:", X_train.columns[lasso.coef_ != 0]) ``` #### 3. **主成分分析 (PCA)** 利用降维技术如主成分分析转换原始空间中的变量到一组新的无关联维度上表示的数据集。这种方法虽然解决了共线性问题,但也可能损失部分解释能力[^5]。 ```python from sklearn.decomposition import PCA pca = PCA(n_components='mle', svd_solver='full') X_reduced = pca.fit_transform(X_scaled) explained_variance_ratio = sum(pca.explained_variance_ratio_) ``` 尽管上述引用主要涉及区块链领域内的 Stratum 协议相关内容[^1][^2],但其并未直接提及如何处理机器学习或者统计学里的共线性问题。因此以上建议基于一般性原则给出了解法。
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