用Heartbeat实现HA集群


HA即高可用(high avaliable),又被叫做双机热备,用于关键性业务,简单理解就是,有两台机器A和B,正常是A提供服务,B待机闲置,当A宕机或服务宕掉,会切换到B机器继续提供服务。常用实现高可用的开源软件有heartbeat和keepalived,其中keepalived有负载均衡的功能。
图:

下面我们使用heartbeat来做HA集群,并且把nginx服务器作为HA对应的服务。

实验准备:
两台机器,都是centos6.5,网卡eth0,ip如下:
aming 192.168.31.166
aming1 192.168.31.100
两个eth1 ip如下:
aming 192.168.21.166
aming1 192.168.21.100

要弄两个网卡,在本实验中使用了同一张网卡配置不同IP,可以参考上一篇文章

下面操作1-5都是在两个机器上操作的

1.hostname设置好,分别为aming aming1
2.关闭防火墙iptables -F
关闭selinux setenforce 0
3.vi /etc/hosts //内容如下
192.168.31.166 aming
192.168.31.100 aming1

4.安装epel拓展源
yum install -y epel-release

5.两个机器上都安装heartbeat/libnet
yum install -y heartbeat* libnet nginx

6.主上(aming)配置
cd /usr/share/doc/heartbeat-3.0.4/
cp authkeys ha.cf haresorces /etc/ha.d/
cd /etc/ha.d
vi authkeys //加入
auth 3
3 md5 Hello!

chmod 600 authkeys

vi haresorces
用来指定主节点,虚拟IP,网段,网卡名字,掌控的服务
如果针对nginx 做HA
那就加入:
aming 192.168.31.110(对外提供服务的IP)/24/eth0:0 nginx(必须要把服务放到/etc/init.d/)

vi ha.cf
//改为如下内容
打开debugfile 
logfile
keepalive 表示多长时间检测一次
auto_failback on
warntime 警告时间
initdead 秒死掉了就真的死掉了
uddport 广播
baud 串口(如果要用到串口才打开)
ubast 广播形式
ucast 用IP找
ucast eth1 192.138.21.100 (这个要)
respawn hacluster /usr/lib32/heartbeat/ipfail
ping 192.168.21.1
node aming主节点
node aming1从节点


7.然后就拷贝上面三个文件给从
然后从,

8.从上编辑ha.cf
ucast eth1 改成对方的IP

9.启动heartbeat:
先主后从
service heartbeat start

10.检查测试
ifconfig 看看是否有eth1:0
ps aux|grep nginx 看看有没有进程

11.测试1
主上故意禁止ping
iptables -I INPUT -p icmp -j DROP

12.测试2
主上停止heartbeat服务
service heartbeat stop

13.测试脑裂
主从上都down掉eth1网卡
ifdown eth1

拓展学习:
关于heartbeat配置文件参考文档:http://blog/chinaunix.net/uid-20749043-id-1878328.html
heartbeat和keepalived的比较:
http://blog.csdn.net/yunhua_lee/article/details/9788433
http://zhengdl126.iteye.com/blog/1738012
DRBD工作原理和配置:http://502245466.51cto.com/7559397/1298945

转载于:https://www.cnblogs.com/ImJerryChan/p/6574264.html

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
图像识别技术在病虫害检测中的应用是一个快速发展的领域,它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分: 1. **数据收集**:首先需要收集大量的植物图像数据,这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**:对收集到的图像进行处理,以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**:从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**:使用机器学习算法(如支持向量机、随机森林、卷积神经网络等)来训练模型。训练过程中,算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**:在独立的测试集上验证模型的性能,以确保其准确性和泛化能力。 6. **部署和应用**:将训练好的模型部署到实际的病虫害检测系统中,可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**:在实际应用中,系统可以实时接收植物图像,并快速给出病虫害的检测结果。 8. **持续学习**:随着时间的推移,系统可以不断学习新的病虫害样本,以提高其识别能力。 9. **用户界面**:为了方便用户使用,通常会有一个用户友好的界面,显示检测结果,并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害,甚至在早期阶段就能发现问题,从而及时采取措施。此外,它还可以减少对化学农药的依赖,支持可持续农业发展。随着技术的不断进步,图像识别在病虫害检测中的应用将越来越广泛。
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