【kubernetes-the-hard-way】07-bootstrapping-etcd 引导 etcd 集群

【kubernetes-the-hard-way】07-bootstrapping-etcd 引导 etcd 集群

引导 etcd 集群

Kubernetes 组件是无状态的,并将集群状态存储在 etcd 中。 在本实验中,您将引导一个三节点 etcd 集群并将其配置为高可用性和安全远程访问。

先决条件

etcd 二进制文件和 systemd 单元文件复制到 server 实例:

scp \
  downloads/etcd-v3.4.27-linux-amd64.tar.gz \
  units/etcd.service \
  root@server:~/

本实验中的命令必须在server计算机上运行。 使用ssh命令登录到server计算机。 例子:

ssh root@server

引导 etcd 集群

安装 etcd 二进制文件

提取并安装 etcd 服务器和 etcdctl 命令行实用程序:

{
  tar -xvf etcd-v3.4.27-linux-amd64.tar.gz
  mv etcd-v3.4.27-linux-amd64/etcd* /usr/local/bin/
}

配置etcd服务器

{
  mkdir -p /etc/etcd /var/lib/etcd
  chmod 700 /var/lib/etcd
  cp ca.crt kube-api-server.key kube-api-server.crt \
    /etc/etcd/
}

每个 etcd 成员在 etcd 集群中必须有唯一的名称。 设置 etcd 名称以匹配当前计算实例的主机名:

创建 etcd.service 系统单元文件:

mv etcd.service /etc/systemd/system/

启动etcd服务器

{
  systemctl daemon-reload
  systemctl enable etcd
  systemctl start etcd
}

验证

列出etcd集群成员:

etcdctl member list
6702b0a34e2cfd39, started, controller, http://127.0.0.1:2380, http://127.0.0.1:2379, false

下一步: 引导 Kubernetes 控制平面

  • 10
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Bland-Altman 分析通常用于评估测量方法的可靠性和一致性。在 MATLAB 中实现 Bland-Altman 分析需要以下步骤: 1. 加载数据:将要比较的两个测量方法的数据导入 MATLAB。数据可以是基于文件或其他来源的。 2. 计算差异:计算两个测量方法之间的差异,并将其绘制成散点图。 3. 绘制 Bland-Altman 图:在散点图中添加平均差(Mean Difference)和两个限制线(Limit of Agreement),以确定两个测量方法的差异范围和稳定性。 4. 分析和解释结果:根据 Bland-Altman 图的结果来解释两个测量方法的一致性和可靠性。如果限制线范围较窄,则两种方法之间的一致性越高,反之则越低。 在 MATLAB 中进行 Bland-Altman 分析可以使用 Bland-Altman Plot 工具箱,此工具箱提供了一些高级功能,例如计算标准偏差、差异系数和通过 Bootstrapping 等方法计算限制线。在这里,我们可以使用 scatter 函数和 plot 函数绘制散点图和 Bland-Altman 图。例如,可以按以下方式计算并绘制 Bland-Altman 图: 1. 加载数据: data1 = xlsread('data.xlsx', 'Sheet1', 'A:A'); data2 = xlsread('data.xlsx', 'Sheet1', 'B:B'); 2. 计算差异: diff = data1 - data2; 3. 绘制散点图和 Bland-Altman 图: figure(1) scatter(mean(data1, data2), diff) hold on plot([mean(data1, data2) - 1.96*std(diff), mean(data1, data2) + 1.96*std(diff)], [mean(diff), mean(diff)], 'r') plot([mean(data1, data2) - 1.96*std(diff), mean(data1, data2) + 1.96*std(diff)], [mean(diff)-1.96*std(diff), mean(diff)-1.96*std(diff)], 'r--') plot([mean(data1, data2) - 1.96*std(diff), mean(data1, data2) + 1.96*std(diff)], [mean(diff)+1.96*std(diff), mean(diff)+1.96*std(diff)], 'r--') xlabel('Mean of methods') ylabel('Difference') title('Bland-Altman Plot') 4. 分析结果和得出结论。 总体而言,使用 MATLAB 实现 Bland-Altman 分析是相对简单的,而且提供了很多可定制化的选项,以便根据需要进行分析和解读结果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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