Linux——iscsi共享硬件

之前说过共享文件,但是共享文件的局限性很大,遇到了大容量的文件就会出现传输速度慢的情况。
因为客户端在连接服务器的时候,是使用客户端的文件系统连接服务端文件系统,传送的时候也是将客户端输入的东西先转换成2进制,之后再由服务端的2进制转换成输入的东西,往硬盘里面存的时候会再转换为2进制,这样做会浪费大量资源。所以将硬件直接共享出去就可以省去大量繁琐的步骤。
解决方式是将服务端的硬盘共享出去,共享方式是iscsi

服务端

首先建立一个分区

fdisk   /dev/vdb
yum install targetcli -y 
systemctl start target 
targetcli

打开之后ls可查看共享硬件当前的信息

接下来进行填加

1./backstores/block create zjj:storage1 /dev/vdb        
2.iscsi/ create iqn.2017-12.com.example:storage1        
3.iscsi/iqn.2017-12.com.example:storage1/tpg1/acls create iqn.2017-12.com.example:zjjkey            
4.iscsi/iqn.2017-12.com.example:storage1/tpg1/luns create /backstores/block/zjj:storage1            
5.iscsi/iqn.2017-12.com.example:storage1/tpg1/portals create 172.25.154.2               

1.在/backstores/block下创建一个分区,来源是/dev/vdb。名字随便,硬盘是你刚刚创建出来的那个。创建一个设备名字。

2.在iscsi中创建一个iqn,作用是标记哪一个域名的地址可以访问,域名要反写。创建一个共享硬件的名字

3.创建一个密码(密码,一般是密文,这里是明文)

4.对密码加密

5.配置target监听IP和端口(默认在所有接口IP的3260/tcp监听)

这里写图片描述
接下来开放端口3260

firewall-cmd --permanent --add-port=3260/tcp
firewall-cmd --reload

客户端

yum install iscsi-initiator-utils.i686 -y
systemctl start iscsi
iscsiadm -m discovery -t st -p 172.25.254.154
iscsiadm -m node -T iqn.2017-12.com.example:storage1 -p 172.25.254.154 -l    ##登陆

这里写图片描述
编写(改成密码)服务器端的那个密码是来源于共享硬件acls下的那个文件

vim /etc/iscsi/initiatorname.iscsi 

完成之后就可对这个共享设备进行分区,挂载,使用
设置开机自启动

vim /etc/fstab

这里写图片描述

_netdev(设置他为网络挂载,就是说先进行网络服务的启动再进行挂载)

删除(客户端)

iscsiadm -m node -T iqn.2017-12.com.example:storage1 -p 172.25.254.1 -u
iscsiadm -m node -T iqn.2017-12.com.example:storage1 -p 172.25.254.1 -o delete

退出共享硬件的使用

删除共享硬件

删除(服务端)

targetcli
clearconfig confirm=true

这里写图片描述

之后还可以将硬件通过LVM的方式共享出去,以实现可随时调控大小的共享磁盘。
但首先要进行清除

rm -rf /var/lib/iscsi/send_targets/*
rm -rf /var/lib/iscsi/nodes/*

也可用树形图的方式删除

yum install tree -y 
tree /var/lib/iscsi

这里写图片描述
之后创建LVM即可
LVM的创建方式
使用和上面相同的方法将磁盘共享出去。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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