ssh相关

ssh登陆分两种,一种是密码登陆,一种是公钥登陆。


密码登陆:

当本地发送 ssh someuser@someip命令后,远端机器将把尝试把自己的私钥的指纹发回,用户确认该指纹和远端机官网贴出的内容一致之后,选择同意,远端机器则将自己的公钥发送给本地。此时,该公钥将被保存在本地的.ssh/known_hosts文件中。

有了该公钥之后,用户输入自己的登陆密码,ssh会用远端机器的公钥加密密码,远端机器用自己的私钥解密发现密码正确,允许登陆。


公钥登陆:

每一次输入密码都很麻烦,所以可以采用这种登录方式。

本地用户通过ssh-copy-id命令将自己的公钥发送给远端机器,其实现机制实际上就是先从本地ssh到远端机器,然后把本地的id_rsa.pub(公钥)文件追加在在远端机器的.ssh/authorized_keys文件中。

登录的时候,远程主机会向用户发送一段随机字符串,用户用自己的私钥加密后,再发回来。远程主机用事先储存的公钥进行解密,如果成功,就证明用户是可信的,直接允许登录shell,不再要求密码。


例子:github

github中,如果将机器A的公钥拷贝到某个人的github账户的ssh配置中,那么这台机器相当于就能够访问该用户能够访问的所有github repo,并且权限和该用户一致。


验证公钥指纹

github中设置了一个公钥后,再次浏览时公钥只会以指纹的方式展示,所以要检查自己机器上的公钥是否在github上存在的话需要执行这个命令

ssh-keygen -lf ~/.ssh/id_rsa.pub


ssh-agent:

1.不用重复输入密码,私钥存放内存,更加安全

如果你对你的私钥不放心,生怕别人登陆了你的机器后把你的公秘钥全部拷贝走了,也没关系,你可以在ssh-kengen的时候设置一下私钥的passphrase。

但是这样的话,即使把自己的公钥放到远端机器了,ssh时也要提醒你输入passphrase的密码,很麻烦。

所以需要使用ssh-agent命令,该命令和ssh-add配合使用。首先先要执行ssh-agent命令,然后执行ssh-add,会提示输入passphrase,该命令会用passphrase对 ~/.ssh/id_rsa(本地私钥)解密,然后加载到ssh-agent进程的内存中。

这样以后执行ssh登陆远端机器就可以不输入密码了。


2. forward私钥(猜想,有待考证)

如果有b,c,d三台机器,

b是外网的机器,比如一台跑着app的ruby或者node代码的服务器,c是跳板机,d是能访问数据库和内部API的内网机器或者类似github这样的机器。

通常的场景是d上放置b的公钥。然后通过c把b和d连接起来。这是怎么做到的呢?

首先在b上运行ssh-agent,然后从b机器ssh连接到c机器时,b内存中的私钥也会被forward到c机器上。这样在c机器访问d机器时,会使用b机器的私钥进行加密,然后d也用b机器的公钥进行解密。


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。
【4层】3100平米综合办公楼毕业设计(含计算书、建筑结构图) 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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