Tony MaHyper-V结合远程路由访问实现一个公网IP

最新推荐文章于 2025-08-31 20:17:26 发布
转载 最新推荐文章于 2025-08-31 20:17:26 发布 · 2.0k 阅读 · 0

本文介绍如何利用Hyper-V和远程路由访问，在仅有单个公网IP的环境下搭建多个虚拟服务器，并实现外部网络对这些服务器的访问。具体步骤包括安装配置虚拟网络适配器、设置NAT映射及端口转发等。
Hyper-V结合远程路由访问实现一个公网IP
内部多个虚拟服务器的发布
现在有一台Windows Server 2008服务器有且只有一个IP地址是可以进行Internet的网络访问，现在在该服务器上安装hyper-v的角色，并且在Hyper-v上安装两台Guest OS，VM1和VM2。VM1服务器上安装的IIS，对外提供网站服务器。
以下是这个应该的基本架构图。为了使结构简单，不容出问题，所以在物理服务器的宿主机上启用远程路由访问，为内部的物理服务器提供NAT的映射。
1.安装虚拟网卡
打开设备管理器
选择操作—添加过时硬件
添加硬件向导，下一步
选择搜索并自动安装硬件
继续下一步
选择网络适配器，继续下一步
厂商选择Microsoft，网络适配器选择Microsoft Loopback Adapter
继续下一步
提示已经添加成功，完成添加硬件向导
我们可以再设备管理器中看见一个Microsoft Loopback Adapter的网络适配器
在网络连接中我们可以看见一块Microsoft Loopback Adapter的网卡
通过Hyper-V的虚拟网络管理器，我们需要虚拟一张外部的网卡，点击添加
虚拟网络设置名称为Microsoft Loopback，连接到外部并且允许管理操作系统共享
完成我们可以再网路连接中看见一张新的Microsoft Loopback网卡
设置Microsoft Loopback网卡地址为172.16.1.1/24
并且这张网卡上去掉除过TCP/IPv4所有项目
设置完成后我们查看该网卡看的详细信息
在已经安装的虚拟机上,设置网络适配器的网络,为刚才新建的网络Microsoft Loopback
完成后。我们对物理服务器添加远程访问和路由。点击添加角色
通过向导添加，点击下一步
选择网络策略和访问服务，下一步
继续下一步
这里选择路由，点击路由
弹出添加角色向导，点击添加所需的角色服务
确认后，下一步
点击安装
进行安装中
安装完成后
开始配置并且启动路由和远程访问
下一步
选择网络地址转化（NAT），下一步
选择公用接口连接到Internet，这里选择物理网卡并且是外网的地址192.168.80.67，下一步
选择启用基本的名称和地址服务，下一步
可以看见内部网络地址和子网掩码，计算机已经根据网卡的信息得出，继续下一步
点击完成后，路由和远程访问基本的配置就已经完成了。
完成后，在NAT的属性里，可以看见有一个地址分配的选项，勾选上后，表示内部的机器可以通过DHCP上网。
在虚拟机器上，我们通过ipconfig /renew，获得了地址
在物理服务器上通过IE访问虚拟机器上的Web服务器，已经成功
下边要做的是通过外部地址访问内部的这个web服务器。网络策略和访问—路由和远程访问—IPv4—NAT，我们找到外部物理网卡的链接，右键属性
选择服务和端口—Web服务器（HTTP）。也可以自己添加自己需要的端口
修改专用地址，也就是需要做端口映射的内部虚拟机器的地址
完成后，我们可以再外部的机器上用IE浏览器测试访问物理服务器的地址http://192.168.80.67，就可以得到刚才在物理服务器上访问http://172.16.1.189，一样的页面
如果内部还有其它服务器需要映射，可以安装上边的方法添加。
将 Llama 3 与 Ollama 和 Python 结合使用 使用 Ollama API 访问这一领先模型
iCloudEnd的博客
05-04 2955
Meta 最近发布的新法学硕士 Llama 3 在人工智能领域引起了轰动。例如，请查看我对下面型号的 70B 版本的评论和测试。在我的测试中，Llama 3 令人印象深刻，但它们是使用聊天界面进行的。如果您想对此模型进行编程以执行有用的任务或使用 Python 创建您自己的模型聊天界面，该怎么办？本文将向您准确展示如何使用 Ollama 来做到这一点。如果您不知道 Ollama 是什么，这是一个允许您在本地下载 Llama 3 等开源模型的网站。
使用 Python 调用 Ollama API 并调用 deepseek-r1:8b 模型
qq_35485206的博客
03-04 1374
使用 Python 调用 Ollama API 并调用 deepseek-r1:8b 模型准备工作调用 Ollama API使用generate实现多轮对话并保留对话的记忆 ollama 是一个强大的本地大语言模型工具，支持多种开源模型，例如 deepseek-r1:8b。通过 Ollama 的 API，我们可以轻松调用这...
通过python连接Ollama服务，调用本地部署Deepseek模型的API接口，方法步骤详细教学，简单实用，一起来学习吧！！！
@优快云盲敲代码的阿豪的博客
04-06 3146
本篇文章我将教会大家如何使用python代码调用Deepseek的API接口，实现AI模型的自动化启动，并进行交互式对话。windows使用Ollama本地部署Deepseek详细教学检查Ollama服务是否运行确认防火墙允许本地11434端口通信验证模型名称是否正确调整temperature参数（0.3-0.7适合技术问答）增加num_predict获取更长回复在system_prompt中明确格式要求模型未找到现象：Error: model ‘deepseek’ not found。
python调用ollamaAPI 模型名称【llama2-chinese:latest】
qq_32594047的博客
04-03 2777
【代码】python调用ollamaAPI 模型名称【llama2-chinese:latest】
Ollama API使用
最新发布
qq_38048065的博客
08-31 1301
Ollama 将大语言模型（LLM）的强大功能封装成本地 API 服务，使得开发者可以极其方便地在自己的 Python 应用中集成和使用，无需依赖云端服务。这不仅保障了数据隐私，也提供了极大的灵活性。与本地 Ollama 服务交互主要有两种方式，开发者可以根据需求选择最适合的方案。这是最基础的交互方式，能帮助我们理解 Ollama API 的底层工作原理。官方库是对 HTTP API 的优雅封装，隐藏了底层的复杂性。实时获取 token，用户体验更佳，是构建交互式应用的首选。Ollama 服务默认运行在。
在 Python 中使用 Ollama API
AllYoung_362的博客
02-16 2443
可以通过通过ollama实例化Client或来创建自定义客户端。host: 要连接的 Ollama 主机timeout: 请求超时时间所有关键字参数参见httpx.Client。
python调用ollama
yzj5464的博客
07-31 824
print(ollama("中文回答什么是人工智能"))利用langchain调用；
如何使用Python调用Ollama API？图文详细教程
weixin_45017726的博客
04-28 421
如何使用Python调用Ollama API？你可以直接用 Python、JavaScript 等主流编程语言调用 Ollama API，将其集成到你的 Web 应用、聊天机器人或者自动化脚本中。
使用 Ollama API 生成 Python 代码的实现过程
大白菜代码的博客
12-11 1008
本文介绍如何使用 Ollama API 来自动生成 Python 代码。我们将以生成一个计算数字列表总和的函数为例，展示整个实现过程。
使用Python调用Ollama的API
无风听海
05-07 576
我们定义了一个加法函数和一个减法函数，然后通过tool参数传递个qwen大模型；直接调用generate并使用deepseek-r1模型生成一段文本；使用deepseek-r1模型并调用generate；
【LLM】二、python调用本地的ollama部署的大模型
热门推荐
qq_55068938的博客
07-08 3万+
本地部署了大模型，下一步任务便是如何调用的问题，实际场景中个人感觉用http请求的方式较为合理，本篇文章也将通过http请求的方式来调用我们本地部署的大模型，正文开始。
手把手教你 AI 顾投：在 Ollama 中使用 Python 调用金融 API 服务
weixin_70955880的博客
08-16 1732
尽管Ollama本身不是一个大型语言模型（LLM）开发工具，而是一个LLM的平台。但它最近宣布了其系统中直接使用工具调用的功能，本文主要介绍了最新版本的主要更新，特别是关于功能调用的使用，并演示了如何在Ollama 中使用 Python 调用外部 API 服务。
Ollama（3）：API 交互、Python 使用
游王子og的博客
03-05 2086
你还可以创建自定义客户端，来进一步控制请求配置，比如设置自定义的 headers 或指定本地服务的 URL。通过 Client，你可以自定义请求的设置（如请求头、URL 等），并发送请求。'content': '你是谁?',},])
本地大模型5：在pycharm用python调用ollama本地大模型
weixin_74825941的博客
09-12 7850
python调用ollama本地大模型
Python 调用 Ollama 库：本地大语言模型使用详解
kdayjj966的博客
01-15 9249
是一个用于调用本地大语言模型（Large Language Models，LLMs）的 Python 库，旨在提供简单、高效的 API 接口，以便开发者能够方便地与本地的大语言模型进行交互。提供了与本地大语言模型（如 llama 或其他模型）交互的简单方法，主要是通过 API 调用模型来生成文本、回答问题等。调用模型时，可以传递一些自定义参数来调整模型的行为，比如最大生成长度、生成的温度等。如果你已经在本地训练了自定义模型，或者下载了其他模型，可以通过指定模型路径来使用它。返回结果会是模型生成的回答。
python调用ollama库详解
2201_75335496的博客
12-14 9987
python调用ollama库详解，包含： 准备Ollama软件、准备ollama库 ollama库的基本使用 ollama库的进阶使用：options参数设置、返回的json对象处理
Ollama 的代码（Python）调用
JovaZou的成长之路
03-09 3265
在人工智能蓬勃发展的当下，Ollama 以其独特的魅力崭露头角。本篇深入探讨了如何借助 Python 语言高效调用 Ollama。通过详实的代码示例和深入浅出的讲解，无论是编程新手还是经验丰富的开发者，都能从中掌握利用 Python 与 Ollama 交互的技巧，挖掘 Ollama 在文本处理、模型推理等多方面的强大潜力，开启 AI 应用开发的新篇章。
Python中使用Ollama
08-11
在 Python 中集成 Ollama 可以通过使用 `ollama` 官方提供的 Python 客户端库来实现。Ollama 是一个本地运行的大型语言模型（LLM）工具，它支持多种模型，如 Llama 2、Mistral 等，并且可以通过简单的 API 与 Python 应用程序集成。 ### 安装 Ollama Python 库 首先，需要确保你已经在本地系统上安装了 Ollama。你可以从 [Ollama 官方网站](https://ollama.com/)下载并安装适用于你操作系统的版本。 接下来，安装 Python 客户端库。Ollama 提供了一个官方的 Python 包，可以通过 `pip` 安装： ```bash pip install ollama ``` ### 使用 Ollama Python 库 安装完成后，可以使用 `ollama` 模块来调用 Ollama 的 API。以下是一个简单的示例，展示如何使用 Ollama 的 `generate` 方法来生成文本： ```python import ollama # 生成文本 response = ollama.generate(model='llama3', prompt='为什么天空是蓝色的？') # 打印响应 print(response['response']) ``` 在这个例子中，`model` 参数指定了要使用的模型（例如 `llama3`），`prompt` 参数是用户输入的提示词。Ollama 会根据提示词生成相应的文本，并返回一个包含 `response` 字段的字典。 ### 获取模型列表 如果你想查看当前可用的模型，可以使用以下代码： ```python import ollama # 获取模型列表 models = ollama.list() # 打印模型列表 for model in models['models']: print(model['name']) ``` ### 模型对话（Chat） Ollama 还支持更复杂的对话模式，允许你在多轮对话中保持上下文。以下是一个使用 `chat` 方法的示例： ```python import ollama # 开始对话 response = ollama.chat( model='llama3', messages=[ {'role': 'user', 'content': '你好，你能帮我做什么？'}, {'role': 'assistant', 'content': '你好！我可以帮助你回答问题、提供建议，甚至进行简单的创作。有什么我可以帮你的吗？'}, {'role': 'user', 'content': '你能告诉我关于机器学习的基础知识吗？'} ] ) # 打印响应 print(response['message']['content']) ``` 在这个例子中，`messages` 参数是一个包含多个对话记录的列表，每个记录都有一个 `role` 和 `content` 字段。Ollama 会根据这些对话记录生成相应的回复。 ### 错误处理 在实际应用中，建议添加错误处理逻辑，以应对可能出现的网络问题或模型加载失败等情况： ```python import ollama try: response = ollama.generate(model='llama3', prompt='为什么天空是蓝色的？') print(response['response']) except Exception as e: print(f"发生错误: {e}") ``` ### 相关问题
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
 
红包 添加红包
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