putty for X11 forwarding

1. install Xming && Xming-fonts

2. sed -i 's/#X11Forwarding no/X11Forwarding yes/g' /etc/ssh/sshd_config
    stopsrc -s sshd && startpsrc -s sshd 

3. run XLaunch.exe or Xming.exe (XLaunch.exe can be used as mutilwindow)

4. run putty 
   Enable X11 forwarding
   X display location -> localhost:0


5. /usr/java6/bin/jconsole


Reference:
http://www.cs.nctu.edu.tw/help/xming.html
http://www.math.umn.edu/systems_guide/putty_xwin32.html

转载于:https://my.oschina.net/l1z2g9/blog/106437

Windows环境下远程Linux系统实战指南:Putty+UltraVNC+X11转发 UltraVNC是一款广泛应用于IT领域,支持Windows平台的免费远程桌面共享和远程控制软件。它允许用户通过网络连接到远程计算机,并可以进行屏幕控制、文件传输、语音交谈等操作。相比于其他远程桌面软件,UltraVNC的突出特点在于其轻量级和灵活性,它具备以下主要功能:远程桌面共享:用户能够实时查看和控制远程计算机的桌面,就像坐在远程计算机面前一样操作。文件传输:支持在本地和远程计算机之间直接传输文件,提高工作效率。加密与安全性:提供可选的加密连接,保障数据传输的安全。 阅读详情

相关推荐

STM32控制气泵和电磁阀实现

2、mos管的选型:mos管选择主要注意两个参数即可,一是导通的电流,二是耐压值,并且常用NMOS管,根据要求,气泵和电磁阀供电电压为12V,所以选择的mos管耐压值要大于12V,这里选用耐压值为30V的MOS管,并且导通电流为5.8A,如下图。1、气泵和电磁阀的开和关均为开关量,实现控制方法有多种,比如继电器,但是继电器动作有噪声且体积较大,更好的方法为使用mos管。使用STM32控制气泵和电磁阀的开和关,气泵和电磁阀的供电电压为12V。最终实现单片机控制气泵和电磁阀的开和关。

jacklood的博客 1万+

在windows上使用PUTTY,Xming设置X11 forwarding(通过SSH远程连接图形界面)

在windows上使用PUTTY,Xming设置X11 forwarding 原文链接:http://blog.sina.com.cn/s/blog_13a26718a0102v3bg.html  如果你想在windows上用PuTTy通过SSH远程连接图形界面或者X应用,那么这篇博文将帮助你一步一步实现这个目的。   一般如果我们的操作系统是linux,那么我们只用写一条命令就可以轻松搞...

iSelenium 5354

实战解析:在.NET中实现Dify API流式请求与响应的完整方案

本文详细解析了在.NET应用中对接Dify API时实现流式请求与响应的完整方案。针对传统后端“接收完才返回”的痛点,文章提供了基于ASP.NET Core的实战代码,通过配置HttpCompletionOption.ResponseHeadersRead和手动Flush响应流,构建高效的中转管道,确保AI回复能够像ChatGPT一样实时逐字推送到前端,显著提升用户体验。

weixin_29267307的博客 296

putty enable X11

Putty, you need to install xserver on your Windows, then in Putty configuration, checkConnection->SSH->X11->Enable X11 forwarding.

honey_yyang的专栏 1384

Ubuntu Server 24.04 安装 (超详细)

本文介绍最小化安装 Ubuntu Server的详细过程。

炀炀的专栏 1万+

【OpenClaw从入门到精通】第10篇:OpenClaw生产环境部署全攻略:性能优化+安全加固+监控运维(2026实测版)

本文聚焦OpenClaw从测试环境走向生产环境的核心痛点,围绕“性能优化、安全加固、监控运维”三大维度展开实操讲解。先明确生产环境硬件/系统选型标准,再通过硬件层资源管控、模型调度策略、缓存优化等手段提升响应速度(实测响应效率提升50%+);接着从网络、权限、数据三层构建安全防护体系,集成火山引擎安全方案拦截高危操作;最后落地TenacitOS可视化监控与Prometheus告警体系,配套完整故障排查清单和虚拟实战案例。全文所有配置、代码均经实测验证,兼顾新手入门实操性和进阶读者的生产级部署需求。

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 3443

X11 Forwarding using Xming and PuTTY

2019独角兽企业重金招聘Python工程师标准>>> ...

weixin_34023982的博客 159

基于四旋翼模型的火箭型无人机视线角保持控制仿真设计

本文针对火箭型无人机的视线角保持控制问题展开研究。基于四旋翼动力学模型,通过改造设计了一种摄像头朝上安装的特殊无人机系统,用于追踪空中目标。文章详细推导了坐标系定义、运动学和动力学方程,重点分析了摄像头安装与视线几何关系,建立了目标运动模型和视线向量计算方法。通过解算期望姿态角,实现了使机体Z轴始终对准目标的控制目标。仿真结果表明,该系统能有效完成视线角保持任务,为空对空监视等应用场景提供了可行方案。~~~~~

huanghm88的专栏 143

X11 forwarding详解:用PuTTY中文版实现远程图形界面访问

X11 forwarding是一项强大的功能,它允许用户通过PuTTY中文版在本地计算机上访问远程服务器的图形界面应用程序。这项技术通过SSH协议安全地传输X11图形数据,让用户能够像操作本地程序一样使用远程服务器上的GUI应用,极大提升了远程工作的便利性。 ## 什么是X11 forwarding? X11 forwarding(X11转发)是SSH协议的一项扩展功能,它能够将远程服务器上运

gitblog_00598的博客 932

mongodb在游戏开发领域的优势

目前游戏服务器使用mysql作为数据库的较多,然而,使用mongodb来作为存储层,在某些方面比mysql更为方便和适合。

littleschemer的博客 1701

从传感器到执行-智能家居 Agent 的感知-决策-执行闭环

本文提出了一种面向智能家居的感知型Agent架构,通过"感知-决策-执行"的闭环系统实现智能化控制。感知模块整合多源传感器数据,决策模块基于规则或机器学习模型生成控制策略,执行模块完成设备操作。系统能够实时监测环境参数和用户状态,自动调节温度、照明等设备,提升家居舒适度。该架构可扩展为多模态感知与强化学习相结合的智能系统,为智慧家居发展提供技术基础。

一键难忘的博客 1123

matlab linux x11 display,Xming安裝 + X11-Forwarding使用

在 Linux 下執行GUI 通常需要兩個部份來完成,因此就來簡單說明一下這兩部份的相關設定。Xming介紹Xming 是一個在Microsoft Windows 操作系統上運行X Window System 的自由軟件。Xming 的主要功能是通過在Linux平台上通過交叉編譯的方法,實現了跨越操作系統對X GUI的表現。可用於在Windows運行Linux的程序(需要在本地Windows上運行...

weixin_26831583的博客 1120

Autosar CAN 网络管理标准文档

Autosar CAN 网络管理标准文档

蚂蚁小兵 926

X11-forwarding

1、为什么需要远程GUI服务 当运行一些数据挖掘、机器学习或者仿真程序时,往往希望看到图表、统计结果、仿真效果图;当在交叉编译环境中,完成程序开发。如果这些程序或者开发环境安装在服务器中,而服务器处于性能和效率的原因没有安装图像化桌面,此时我们通过一些工具,实现远程使用GUI程序。 2、原理介绍 2.1 X协议 Linux 本身是没有图形化界面的,图形化界面系统在 Linux 中只是一种应用程序。...

weixin_30588827的博客 1475

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

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")

SSH + X11 forwarding + X-Deep/32

通常我在管理Linux 时都会使用到SSH 直接透过桌机去连接,如果真的非得用到x-window 时我会使用VNC(Virtual Network Computing) 来当作远端的连线,但老实说VNC(Virtual Network Computing)并不是很安全. 前几天看到一个同事采用的是SSH + X11 forwarding 再加上x-win32 ,就可以在windows 的桌机

hxh129的专栏 3977

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

CentOS6通过ssh x11 forwarding远程执行GUI程序

CentOS 通过ssh x11 forwarding远程执行GUI程序

司马沉潇的专栏 1872

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。

putty如何连接xlaunch_使用putty + ssh 登陆 X11

Use of X11 on Windows MachinesNOTE: The tools supported at the lab to provide X-11 on Windows systems have changed. Due to security and maintenance concerns, PC-XWare is no longer supported. Users are...

weixin_31198993的博客 410

远程显示(操作) 服务器 GUI 程序(图形化界面) (基于 X11 Forwarding + Centos + MobaXterm)

在做 数据分析(数据挖掘 或 机器学习)的时候,我们经常需要绘制一些统计相关的图表,这些统计、绘图的程序常常是跑在服务器上的,可是服务器出于性能和效率的考虑,通常都是没有安装图形化界面的,于是这些统计、绘图的程序在服务器上压根儿就跑不起来,或者无法直接显示出来,这就很尴尬了!这里咪博士教大家,如何通过 MobaXterm 和 X11 Forwarding 远程显示服务器上的图形化界面(GUI 程序

咪博士的博客 3813

远程显示(操作) 服务器 GUI 程序(图形化界面) (基于 X11 Forwarding + Centos + MobaXterm)...

在做 数据分析(数据挖掘 或 机器学习)的时候,我们经常需要绘制一些统计相关的图表,这些统计、绘图的程序常常是跑在服务器上的,可是服务器出于性能和效率的考虑,通常都是没有安装图形化界面的,于是这些统计、绘图的程序在服务器上压根儿就跑不起来,或者无法直接显示出来,这就很尴尬了!这里咪博士教大家,如何通过 MobaXterm 和 X11 Forwarding 远程显示服务器上的图形化界面(G...

weixin_38168786的博客 2532

PuTTY+Xming实现X11的ssh转发

需求分析 实验环境 配置步骤 1 需求分析 有些Linux程序还是不能全然离开窗体环境,或者说离开后操作不方便。当中Oracle就是这样一个程序。其工具程序大多数能够在纯命令行静默运行,如 OCI。DBCA,NetCA等,可是工作在图形界面时更加方便。为此,须要...

aoe41606的博客 234

linux网络配置putty,PuTTY配置详解

平时我用putty远程到LINUX上,会在上面写些QT测试程序,可是GUI程序在LINUX主机上,需要通过一定手段将界面传送到本地,这就需要在Windows上装上X SERVER以实现远程 使用GUI程序。这里我描述下基本原理,和Putty和LINUX端的配置。基本原理:LINUX下的OpenSSh具有X转发功能,将LINUX主机的X程序通过SSH的管道转发给客户端,于是当putty(或Secur...

weixin_39850143的博客 1824

xming Connection->SSH->X11,勾选Enable X11 forwarding的选项

博客分类: Linux            最近碰到一个问题,需要修改一下jconsole里面的一些变量,但是tomcat部署在远程的Linux上面,如果去安装VNC或者其他什么的,比较花时间,所以就用了X11。         X11也叫做X window系统,是一种位图显示的视窗系统,是unix以及OpenVMS上建立用户界面的标准包和协议。      X window系统

middilestep的专栏 2107

[转载]How To Set Up And Use X11 Forwarding On Linux And Mac

原文地址:http://www.tomsitpro.com/articles/how-to-use-x11-forwarding,2-843.html X11 forwarding can be useful when a GUI is required, especially for system and configuration tools that don't have a CL

沉溺的专栏 1679

【转帖】远程显示(操作) 服务器 GUI 程序(图形化界面) (基于 X11 Forwarding + Centos + MobaXterm)...

远程显示(操作) 服务器 GUI 程序(图形化界面) (基于 X11 Forwarding + Centos + MobaXterm) https://zhuanlan.zhihu.com/p/31012874 尝试了下 xming 今天有点晚了 改天在尝试下这个 MobaXterm 在做 数据分析(数据挖掘 或机器学习)的时...

weixin_30564785的博客 862

Putty+Xming在Windows端显示Linux图形化界面GUI

一、Linux配置 apt-get install openssh-server 二、Windows 下载并安装Xming客户端 http://sourceforge.net/projects/xming 完了之后出现sshd的字样表明服务器开启成功。 安装并启动, 无需配置 下载并安装putty http://the.earth.li/~sgtatham/putty/la...

itgoyo的博客 1万+

centos7 安装图形界面_Centos7使用ssh进行x11图形界面转发

SecureShell (SSH)是一种加密协议,可以在不安全的网络上安全地传输数据。X11- forwarding是一个安全的shell特性,它允许通过现有的SSH shell会话转发X11连接,用于在服务器上运行X11程序,而ssh-client通过用户的X11-server显示图形窗口。Secure Shell (SSH)是一种加密协议,可以在不安全的网络上安全地传输数据。X11...

weixin_39975744的博客 1405
上一篇: vs.php 调试程序出错
下一篇: 关于Cisco3560跟其他品牌交换机水土不服的解决方案
weixin_33728708
博客等级 码龄11年 5472粉丝 1452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  | 博主筛选后可见
 
 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