网站维护-rsync工具常用选项和同步

本文介绍了rsync工具的常用选项,包括用于数据备份的命令格式和各种同步选项,如 `-a`, `-v`, `-l`, `-p`, `-o`, `-g`, `-D`, `-t`, `-P`, `-z`, `-delete` 和 `-exclude`。同时,讨论了rsync数据同步的两种方式:通过ssh和通过服务的方式,并提到了rsyncd.conf配置文件在服务同步中的作用。stat命令的部分提到了atime, mtime和ctime的含义。" 40922563,2029101,U-Boot 开机Logo实现与问题排查,"['嵌入式开发', 'Linux驱动', 'U-Boot']
摘要由CSDN通过智能技术生成

rsync工具常用选项

数据备份对象:

系统、服务文件(配置文件、脚本、日志、上传的附件等)—工具(tar、cp、scp、rsync)
数据库文件(关系型数据库(MySQL/MariaDB等)、非关系型数据库(Redis、MongoDB等))—工具(mysqldump、xtrabackup)
备份原则:根据业务的实际情况(业务重要性、业务量、磁盘空间、网络状况等因素),定好备份的频率,备份文件保存的位置(本地、异地),备份文件保存的周期

rsync命令:

rsync [OPTION] … SRC DEST #从本地到远端,两边做了密钥认证免登录
rsync [OPTION] … SRC [user@]host:DEST #从本地到远端
rsync [OPTION] … [user@]host:SRC DEST #从远端到本地
rsync [OPTION] … SRC [user@]host::DEST #“::” 表示通过ip/port的方式拷贝同步
rsync [OPTION] … [user@]host::SRC DEST
-a 包含-rtplgoD
-r 同步目录时要加上,类似cp时的-r选项
-v 同步时显示一些信息,让我们知道同步的过程
-l 保留软连接
-L 加上该选项后,同步软链接时会把源文件给同步
-p 保持文件的权限属性
-o 保持文件的属主
-g 保持文件的属组
-D 保持设备文件信息
-t 保持文件的时间属性
-P 显示同步过程,比如速率,比-v更加详细
-u 加上该选项后,如果DEST中的文件比SRC新,则不同步
-z 传输时压缩
-delete 删除DEST中SRC没有的文件
-exclude 过滤指定文件,如-exclude “logs”会把文件名包含logs的文件或者目录过滤掉,不同步,要过滤多个目标需要使用多个-exclude

常用搭配:
rsync -avL /etc/passwd root@192.168.85.128:/tmp/passwd.bak
rsync -avL -e “ssh -p 2233” /etc/passwd root@192.168.85.128:/tmp/passwd.bak #通过ssh方式同步

rsync数据同步的两种方式

1 通过ssh方式同步
2 通过服务的方式同步
rsyncd.conf 配置文件配置
在这里插入图片描述
rsyncd.conf 配置文件说明
在这里插入图片描述

stat命令

在这里插入图片描述

atime:最近一次查看、访问文件的时间
mtime:最近一次修改文件内容的时间
ctime:最近一次修改文件本身属性的时间(inode信息:文件的大小、属主、属组、权限)

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