虚拟机的图形和命令版的安装教程以及快照的生成

kvm(安装部署+新建虚拟机+常用命令) libvirt: 使用最多的KVM虚拟化管理工具和应用程序接口,即通过libvirt调用KVM创建虚拟机, libvirt是KVM通用的访问API,其不但能管理KVM,还能管理VMware、Xen、Hyper-V、 virtualBox等虚拟化方案。virt-manager: 图形界面管理工具,其底层也是调用libvirt API来完成对虚拟机的操作,包括虚拟机的 创建、删除、启动、停止以及一些简单的监控功能等。–location /kvm/iso/centos7.iso \ #系统安装iso路径。 阅读详情

cp 虚拟化的使用
为了节省能源,所以才用的虚拟机,虚拟机的散热问题是最难解决的,制冷很重要

图形安装虚拟机的步骤

virt-manager

选择左上角的“电视机”图标,选择Localinstall… 然后Forward

在这里插入图片描述

添加"镜像"路径,choose Volume

在这里插入图片描述
在这里插入图片描述

NEW VM 添加名字并勾选对号 finsh

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

选择分配内存和cpu的大小

在这里插入图片描述

选择分配硬盘大小

在这里插入图片描述

添加磁盘 Virto 改完点击左上角“对勾”

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

选择最下方的 Server with GUI

在这里插入图片描述

编辑 DATE & TIME 选择上海
KEYBOARD 选择English
LANUAGE SUPPORT 选择简体中文
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
命令安装虚拟机的步骤

vim vm_install.sh

添加以下信息:如图所示
在这里插入图片描述

注意喽:换行符\后面不能有空格,正常应该为橙色,有空格就会变成黑色

直接在真机的shell当中输入 sh vm_install.sh 虚拟机名字,就可以看到虚拟机
在这里插入图片描述

 virsh list 查看虚拟机的工作状态

在这里插入图片描述

virsh destroy desktop 关闭desktop虚拟机
virsh list --all 列出所有存在的虚拟机
virsh start server 开启server虚拟机

在这里插入图片描述***##虚拟机的快照##
快照的原理:看的时候看的是文件,写的时候写的在快照上写的,有问题的话我可以将快照换一个
为什么要生成快照
虚拟机坏了不可恢复,要重新装,比较麻烦,不可逆
照片处理,我们所使用的虚拟机是一张照片 ,不是一个真正的虚拟机
使用的时候给真正的虚拟机照相处理即可
快照是可逆的***
生成快照:

在真机的root下 cd /var/lib/libvirt/images/, 为了后期使用相对路径
ls 查看该路径下的文件 ,查看虚拟机的硬盘信息 ,看是否有xuniji.qcow2

在这里插入图片描述

qemu-img   create -f  qcow2 -b /var/lib/libvirt/images/generic.qcow2  /var/lib/libvirt/images/nodel.qcow2
ls  查看会生成node1.qcow2

在这里插入图片描述

和安装虚拟机一样的,在里边找到node1,就可以打开了 虚拟机的 reset 就是将快照删除,再照一张新的
-f 格式
-b 备份

像安装虚拟机一样的方法打开New VM 再选择 Import existing disk images
这样虚拟机的快照就做好啦

在这里插入图片描述

generic 为yyh的快照

用编写脚本的方式生成虚拟机的快照

vim vm_snap.sh 编辑脚本

#!/bin/bash
cd /var/lib/libvirt/images
qemu-img create -f qcow2 -b $1.qcow2 $2.qcow2 $1:虚拟的名字 $2:建立的快照的名字
virt-install
–name $2 \
–ram 1024
–vcpus 1
–disk /var/lib/libvirt/images/$2.qcow2,bus=virtio \ 快照的硬盘信息
–network bridges=br0,model=virtio \ 快照的网络信息
–import &> /dev/null &导入快照的路径,并且将输出重定向输出到垃圾桶,将该进程在后台运行

在这里插入图片描述

打开New VM 再选择 Import existing disk images 保存
sh vm_snap.sh $1 $2
$1为虚拟机的名字
$2为快照的名字
linux下虚拟机的安装、虚拟机快照及虚拟机的恢复 1.安装虚拟机:    virt-manager--->电脑---->local install media(ios image or CDROM)利用镜像安装--->Browe--->Browse Local-->选择镜像所在地址---->默认ram=1024,cpus=1--->disk=9GB--->修改虚拟机名字---->finish ... 阅读详情

相关推荐

Linux-脚本安装、快照、重置虚拟机

断剑重铸之日 骑士归来之时!!!     系统虚拟机管理 1.虚拟机的安装 这里使用CD启动安装好再使用硬盘启动(选择第三个使用网络引导协议)在这里我给虚拟机命名为annie 虚拟机的硬盘内存给8GB就行(安装一个有完整图形的虚拟机至少需要4.8个GB)   虚拟机小灯泡点进去再boot options中将cd调整为第一启动项(原来硬盘为第一启动项 但是此时硬盘为空白 没有

andre_riven的博客 4294

Centos7安装KVM

1.查看系统版本 [root@localhost data]# cat /etc/redhat-release CentOS Linux release 7.6.1810 (Core) 2.查看是否支持虚拟化 [root@localhost ~]# cat /proc/cpuinfo |grep -E 'vmx|svm' 3. 查看是否加载KVM [root@localhost ~]# lsmod | grep kvm kvm_amd 2177212 0 kvm

qq_37312316的博客 420

【Linux运维】虚拟机安装及卸载图形化界面 & 克隆虚拟机

安装虚拟机图形化界面: 方法一:直接下载一个含有图形化界面的镜像,安装好 方法二:在已经安装好的不带有图形化界面的虚拟机中联网自动下载图形化界面的软件,并自动安装好(注意一定是联网才能下载) 步骤一:检查虚拟机是否联网: 如果没有联网,可以参考这篇优秀的博客进行联网:https://blog.youkuaiyun.com/make_1998/article/details/98302235 步骤...

Ariel_欢 4766

KVM安装/libvirt没有启动成功找不到/var/run/libvirt/libvirt-sock

KVM安装/libvirt没有启动成功找不到/var/run/libvirt/libvirt-sock

weixin_44002901的博客 2943

Linux下虚拟机的快照详解

虚拟机的快照是什么? 定义:    1.磁盘“快照”是虚拟机磁盘文件(VMDK)在某个点及时的副本,系统崩溃或系统异常,你可以通过使用恢复到快照来保持磁盘文件系统和系统存储。    2.操作快照是虚拟机做一个备份然后新生成一个系统,生成这个系统你可以做测试用,然后可以还原快照变回原来的系统. 图解: 为什么要使用虚拟机的快照 1.虚拟机坏了不可恢复,要重新装,比较麻烦,操作不可逆。快照是可逆的。...

weixin_43936969的博客 2595

告别版本过低提示!微信3.9登录修复与聊天记录无缝迁移全攻略

本文详细解析了微信3.9版本过低提示的根源,并提供了完整的修复方案和聊天记录迁移指南。通过专用修复工具绕过版本检测,以及新旧版本聊天记录目录对比,帮助用户实现无缝迁移。特别提醒备份重要数据,确保操作安全。

weixin_42535461的博客 3181

linux系统下虚拟机的管理以及虚拟机的安装

安装虚拟机

qq_36016375的博客 556

UE5 Metahuman与Blender手动绑定:ARKit面部动画实战对比

面部动画是角色动画领域的核心技术,其核心原理在于通过驱动面部骨骼或混合形状来模拟真实肌肉运动,从而赋予数字角色生命力。这项技术的价值在于极大地提升了虚拟角色的表现力与沉浸感,广泛应用于游戏开发、影视制作、虚拟现实和实时交互应用。在技术实现路径上,开发者常面临工业化集成方案与高度自定义方案的选择。本文聚焦于使用行业标准的ARKit 52个面部混合形状数据,深度对比了虚幻引擎Metahuman的工业化流程与Blender手动绑定方案在视觉保真度、工作流效率、性能开销和扩展性上的差异,为不同项目规模与技术需求的团

weixin_33901926的博客 449

qemu-kvm虚拟化使用挂载盘符所出现的问题及解决办法

这是常见的 KVM Libvirt 错误之一。此错误通常在更改 Libvirt 默认存储目录的路径]后发生。重新启动Libvirt。

烂小鱼的博客 1238

【智能体】零代码实战:Coze多智能体协作开发全流程解析

本文详细解析了Coze平台的多智能体协作开发全流程,从入门指南到实战技巧,帮助用户零代码构建高效AI团队。通过模块化设计和专业分工,多智能体系统能显著提升任务处理速度和准确率,适用于客服、内容创作、教育培训等多个场景。文章还提供了性能优化和常见问题解决方案,助力开发者快速掌握Multi-Agent技术。

weixin_29239279的博客 336

别再让电池充不满!用CN3791芯片设计太阳能充电电路,这几个调试坑我帮你踩了

本文详细解析了使用CN3791芯片设计太阳能充电电路时的常见调试问题及解决方案。从RCS电阻的选择到MPPT电压偏差的修正,再到线路损耗和温度补偿的优化,提供了全面的避坑指南。通过实测数据和优化方案,帮助工程师提升锂电池充电效率,确保太阳能充电电路的稳定性和可靠性。

weixin_42528191的博客 244

KVM虚拟化

1. 什么是云计算? 云计算是一种按量付费的模式!云计算的底层是通过虚拟化技术来实现的! 2. 云计算的服务类型 IAAS 基础设施即服务 虚拟机 ecs openstack PAAS 平台即服务 php,java docker容器 SAAS 软件即服务 企业邮箱服务 cdn服务 rds数据库 开发+运维 3. 为什么要用云计算 小公司:10台 20w+ idc 5w + 100M 10...

weixin_45367149的博客 472

Qlib数据获取避坑指南:从CSV导入到自定义数据源的完整解决方案

本文详细解析了Qlib数据获取的完整解决方案,从CSV导入到自定义数据源,涵盖了股票数据处理的关键技巧和常见陷阱。特别针对Qlib平台的数据格式要求和复权处理提供了实用指南,帮助量化投资者高效整合Wind等第三方数据源,确保数据质量与模型性能。

weixin_29047919的博客 306

第14节 CentOS7虚拟机安装及界面图形化

1. 掌握CentOS虚拟机安装过程; 2. 了解配置IP的方法; 3. 后续将在此基础上部署LANMP环境。

Fighting_hawk的博客 1万+

ABAP CDS Time Functions 全面解析:用 TIMS_IS_VALID 护航时刻字段的正确性

摘要:本文深入解析ABAP CDS时间函数TIMS_IS_VALID的应用,重点介绍其在企业系统时间字段校验中的关键作用。文章指出无效时间数据会导致业务流程混乱,而CDS层校验能有效减少重复逻辑。详细说明TIMS类型格式要求、空值处理规则,并提供两种工程实现方案:在CDS视图中直接派生校验列,或通过ABAP SQL在内存表中批量验证。最后给出可直接运行的代码示例,包括一个ABAP报表演示内存表验证,以及一个CDS View Entity实现系统时间自动映射与校验,帮助开发者在业务场景中快速落地时间校验功能。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 194

北斗导航 | ChatGPT之RTK、RTD、ARAIM算法原理及程序代码(ChatGPT看你怎么回答,附部分代码)

ChatGPT之RTK、RTD、ARAIM算法原理及程序代码

尘世冰封的专栏 3679

虚拟机管理及快照生成

虚拟机的复制与恢复 复制虚拟机其实就是复制他的硬盘和硬件信息 /var/lib/libvirt/images/xxxx.qcow2 ##硬盘的储存路径 /etc/libvirt/qemu/xxxx.xml ##硬件信息文件存储路径 例如想要复制远程主机中名为test的虚拟机 我们则需要复制他的硬盘和硬件信息 scp root@ip:/var/lib/libvirt/images/test....

fighting 1378

matlab 质心重合法实现点云配准【2026最新版】

质心重合法是将源点云和目标点云的质心重合,以此缩小两点云集之间的平移误差,从而为下一步粗配准提供更好的初始位置姿态。

点云侠的博客 510

虚拟机Linux安装图形化界面

红帽命令行运行图形界面 1.登录虚拟机 2.挂载光盘 命令: 1.挂载光盘到/mnt/目录下。 mount /dev/cdrom /mnt/ 2. 创建opt/package/目录。 mkdir /opt/package/ 3.将mnt目录下的所有文件拷贝到/opt/RH/。 cp -rf /mnt/* /opt/package/ (这一步,回车后需要等待一会才会出现输入栏) 3.配置本地yum源 1.切换到/etc/yum.repos.d/目录 cd /etc/yum.repos.d/ 2.vi

qq_56599584的博客 1万+

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

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")

Linux下虚拟机管理(虚拟机的命令,安装,恢复,快照)

##1.虚拟机管理命令 virt-manager ##打开虚拟机管理器 virsh list ##显示正在运行的虚拟机 virsh list --all ##查看所有虚拟机 virsh start desktop ##打开 virsh shutdown desktop ##正常关闭虚拟机 virsh destroy desktop ##强行关闭 virt-viewer desktop ...

Zhangxu0606的博客 1191

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

Linux-KVM虚拟机的创建和快照命令

KVM:Kernel-based Virtual Machine的简称,是一个开源的系统虚拟化模块,自Linux 2.6.20之后集成在Linux的各个主要发行版本中。安装虚拟机脚本:虚拟机的安装可以通过virt-manager管理工具新建,也可以使用命令来创建。图形界面创建和其他场上的虚拟化产品并无太大差异,这里我们使用命令创建虚拟机:通过命令创建,我们将命令写入文件保存为一个.sh脚本文件,以...

xin1889的博客 4192

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

虚拟机上安装图形界面版Ubuntu安装教程

前言: 系统安装教程不是唯一的哦!要学会变通的思维。以下就是我的安装过程,仅供参考。过程可能略有麻烦,但是当作笔记留给自己和大家看看吧! 过程:一共分为三部分, 第一部分设置虚拟机的硬件配置; 第二部分安装操作系统; 第三部分设置网络,修改系统上的基本设置。 第一部分,创建新的虚拟机。 按照引导,点击下一步即可 版本上可以选择14 关键一部,这里要选择“稍后安装操作系统” 这里要选择勾选linux系统 注意设置自己要安装的操作系统的版本 设置虚拟机的名称

qq_43575090的博客 2175

Redhat如何生成虚拟机快照

** Redhat如何生成虚拟机快照 ** 在虚拟机安装过程中,硬盘文件.qcow2是最主要的,要是没了硬盘文件,虚拟机就挂了,为了防止手残,不小心删除这个硬盘文件,可以进行虚拟机快照。 虚拟机快照,就是以虚拟机为模板创建一个新的虚拟机。 我们可以对这个虚拟机将进行一系列的操作,既不会破坏原来的虚拟机,而且如果一不小心将虚拟机快照弄坏了,还可以根据原虚拟机创建出新的快照,也可以重置虚拟机。快照与母...

weixin_43734271的博客 937

Kali 2020.2虚拟机安装及安装后配置教程(图文小白版)

Kali虚拟机安装2020图文版,有图有真相,欢迎各位小白食用。如有疑问或建议欢迎留言讨论。

羽路星尘的博客 1万+

虚拟机-安装与使用(详细教程)

虚拟机-下载与安装前言一、虚拟机1.VMware2.Virtualbox二、VMware 的下载三、VMware 的安装四、验证是否安装成功五、运行 VMware六、VMware 上安装其它操作系统1. 安装 Windows 102. 安装 CentOS-Linux3. 安装 Kali-Linux七、安装过程时遇到的问题八、总结 前言 最近学习 elastic search ,但是 es 所需的内存比较大,我服务器带不动,虽然也使用了 w............

xhmico的博客 13万+

Linux基础命令,虚拟机快照

Linux基础命令+虚拟机快照相关知识

2302_80244431的博客 3661
上一篇: Linux下的网络配置
下一篇: Linux最实用的域名解析(两种方法)及dhcp动态网络设定,虚拟机的管理和复制
小杨118709
博客等级 码龄8年 141粉丝 138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