大数据学习-Hadoop

news2024/11/24 1:02:28

介绍

是 Apache 的顶级开源项目,一个分布式框架,主要功能:

  1. 分布式大数据存储——HDFS 组件
  2. 分布式大数据计算——MapReduce 组件
  3. 分布式资源调度——YARN 组件

可以通过它来构建集群,完成大数据的存储和计算

学习起来相对简单,市场占有率高,为后续的其他大数据软件学习打下基础

这里学习的是 Hadoop 开源版

HDFS

Hadoop Distributed File System,Hadoop 分布式文件系统,是一个用来存储数据的组件

可以在多台服务器上构建存储集群,存储海量数据

为什么需要分布式来存储

单台服务器无法存储太大的数据,那就把文件分成多个部分,用多台服务器存储多个部分

多台服务器还可以实现性能横向扩展,比如带宽、磁盘 IO 、CPU 运算速度等

如何管理多个服务器

中心化和去中心化

在大数据中大部分都是主从模式,这个 Hadoop 就是主从模式

基础架构

主角色:NameNode(是一个独立的进程,负责管理整个 HDFS 和 DataNode;领导)

从角色:DataNode (是一个独立的进程,主要负责存取数据;员工)

主角色辅助角色:SecondaryNameNode (是一个独立的进程,协助主角色合并元数据,这就是它唯一的作用;老板秘书)

经过后面的学习,可以这么理解吧:

  1. NameNode 负责整个集群的管理,元数据的记录和权限的审核
  2. DataNode 负责集群中文件的存储
  3. SecondaryNameNode 负责合并元数据文件(edits & fsimage)

可以在 IDEA 中下载 Big Data Tools 插件,再进行一波配置就能连接上远程的 HDFS 了,可以用图形化界面进行文件的增删改查

VMware 集群部署配置

下载好后,在 node1 上部署三个角色

另外两个 node,部署 DataNode 即可

上传 & 解压

把 Hadoop 的压缩包上传到 /export/server 中,并解压

tar -zxvf hadoop-3.3.4.tar.gz -C /export/server

构建软连接

cd /export/server

ln -s /export/server/hadoop-3.3.4 hadoop

修改配置文件

workers

这个是记录集群中哪几个服务器是从节点

把自带的 localhost 给删除

hadoop-env.sh

core-site.xml

<configuration>

    <property>

        <name?>fs.defaultFS</name>

        <value>hdfs:node1:8020</value>

    </property>

   

    <property>

        <name?>io.file.buffer.size</name>

        <value>131072</value>

    </property>

</configuration>

hdfs-site.xml

<configuration>

    <property>

        <name>dfs.datanode.data.dir.perm</name>

        <value>700</value>

    </property>

    <property>

        <name>dfs.namenode.name.dir</name>

        <value>/data/nn</value>

    </property>

    <property>

        <name>dfs.namenode.hosts</name>

        <value>node1,node2,node3</value>

    </property>

    <property>

        <name>dfs.blocksize</name>

        <value>268435456</value>

    </property>

    <property>

        <name>dfs.namenode.handler.count</name>

        <value>100</value>

    </property>

    <property>

        <name>dfs.datanode.data.dir</name>

        <value>/data/dn</value>

    </property>

</configuration>

创建数据保存的目录

把 node1 中的文件复制给另两个

cd /export/server

scp -r hadoop-3.3.4 node2:/export/server

scp -r hadoop-3.3.4 node3:/export/server

软连接

ln -s /export/server/hadoop-3.3.4 /export/server/hadoop

环境变量

在三台机器都加上这些

vim /etc/profile

export HADOOP_HOME=/export/server/hadoop

export PATH=$PATH:$HADOOP_HOME/bin:$HADOOP_HOME/sbin

source /etc/profile

为授权 hadoop 用户

为了用 hadoop 用户启动服务

用 root 在三台机器中执行

chown -R hadoop:hadoop /data

chown -R hadoop:hadoop /export

格式化 HDFS

格式化 namenode

su hadoop

hadoop namenode -format

启动

# 启动HDFS集群

start-dfs.sh

# 停止HDFS集群

stop-dfs.sh

成功标志

在 /data/nn/current 目录中有这些

启动后,输入 jps,node1 有这些,node2/3 只有 DataNode

如果无法启动,说明配置文件或者权限有问题,去看日志+问AI基本都能解决

启动后,访问这个地址,可以看到 web 管理页面(Windows 的 hosts 文件有映射)

http://node1:9870/

启动完毕后,关机,打快照,ssh 以后用 hadoop 用户登录

HDFS 操作

一键启动、停止

# 启动HDFS集群

start-dfs.sh

# 停止HDFS集群

stop-dfs.sh

单进程启停

文件系统操作命令

HDFS 的目录形式和 Linux 一样,命令名称和 Linux 几乎一样,在前面加上特定的关键字即可

创建文件夹

hadoop 会自动识别创建的目录是 HDFS 还是 Linux 的目录的

查看目录中的内容

上传文件到 HDFS 指定目录

查看 HDFS 中文件内容

下载 HDFS 文件

复制 HDFS 文件

追加/删除 HDFS 文件内容

只可以删除和追加内容,不能修改文件内容

把 localsrc 中的内容追加到 dst 文件中

移动 HDFS 文件

删除 HDFS 文件

回收站功能

第一个的 1440,表示保留时长为一天(24 * 60 = 1440 min)

第二个的 120,表示 120 分钟检查一次回收站

注意这个配置修改后会立即生效,在哪个机器进行配置,就在哪生效

web UI 操作 HDFS

但是默认情况下,只有只读权限

修改方法:

切换到 root 用户,修改 core-site.xml 文件,然后重启集群

<property>

    <name>hadoop.http.staticuser.user</name>

    <value>hadoop</value>

</property>

后面的话还会有其他的 HDFS 客户端,比这个好用

HDFS 权限

文件的权限控制和 Linux 是一样的

这个 supergroup 是启动 namenode 的用户(在本文中是 hadoop 用户)

谁启动谁就是超级用户,root 在 Linux 上超级用户,但是在 HDFS 中只是普通用户,无特权

HDFS 存储原理

把一个文件拆分为多个部分,把各自部分存到不同的服务器

在取出来时,在组装起来即可

这种方法的问题:文件大小不同,不利于管理

block 块与备份

这是文件在 HDFS 中存储的统一单位,叫 block,一个 block 默认的大小是 256 MB(可以修改)

如果有个块出问题了怎么办?这样文件取出来后是损坏的(有点像 raid 0)

解决方法:对文件进行复制,做备份,并放到不同服务器中

默认对每个块做两个备份(可修改),一个文件就有三份

大文件会有很多的 block

修改备份数

在 hdfs-site.xml 中,修改这个属性后重启集群

当然一般情况下是不用动它的

block 配置文件

默认一个 block 大小是 256 MB,一般都不用改的

临时设置备份数和 fsck 命令

这个 2,只针对本次文件上传生效

会输出很多,但都很容易看懂

元数据记录-NameNode

HDFS 中有很多的块和文件,hadoop 如何记录和整理文件和 block 之间的关系?通过 NameNode 写入的两个文件

edits 文件

NameNode 来写 edits 文件

是一个流水账文件,记录了 HDFS 中的每一次操作,还有本次操作影响的文件和对应的 block

当文件大小达到阈值,就会使用新的 edits 文件进行记录

但是这个文件会越来越大,所以会有多个 edits 文件;

还有就是因为记录的是流水账,如果前面记录了新增文件,后面又删除了,所以查找文件时,需要从头到尾遍历所有的 edits 文件,这样效率就很低

解决方法:只要最后的结果,叫做 edits 文件的合并(那这种方法和 AOF 文件一样),这样的体积就会小很多

最终得到 fsimage 文件

fsimage 文件

定期会进行 edits 文件的合并操作,如果不存在则会创建

如果之前已经存在了 fsimage 文件,会将全部的 edits 文件和已经存在的 fsimage 文件进行合并,形成新的 fsimage 文件

这样查找文件的话,主要通过 fsimage 来查询

合并时间设置

谁来进行合并

在 HDFS 架构中,NameNode 有个辅助角色:SecondaryNameNode

它就是进行数据合并的,这也是它唯一的作用,不启动它的话,文件搜索的速度会越来越慢

它通过 HTTP 获取 edits 和 fsimage,合并完成后再提供给 NameNode

HDFS 写入数据流程

  1. 客户端向 NameNode 发送写入请求
  2. NameNode 检查客户端是否具有写入权限,HDFS 剩余空间是否充足;如果都 OK,那么会返回允许写入的消息,和要写入的地址(某个 DataNode 的 IP)
  3. 客户端向指定的 DataNode 发送数据包(写入数据)
  4. 被写入数据的 DataNode,会完成数据备份的操作,并将这些数据发送给其他的 DataNode
  5. 客户端通知 NameNode 写入完毕;NameNode 向 edits 和 fsimage 文件中写入数据

HDFS 读取文件流程

  1. 客户端发送读取请求给 NameNode
  2. NameNode 允许读取,并返回该文件的 block 列表
  3. 客户端根据列表,去 DataNode 中读取文件

MapReduce

分布式计算

计算,就是根据给定的条件和数据,得出相应的结论

多台计算机一起来计算,就是分布式计算;那这就会涉及多台计算机的管理问题

分散-汇总模式

  1. 对于很大的数据,每台计算机得到一部分来进行计算
  2. 算完后,将各自的结果汇总到一台计算机中
  3. 最后由这台计算机计算出最终的结果

典型例子:人口普查,一层层统计后向上汇报

中心调度-步骤执行模式

  1. 让一个节点作为总指挥,将任务分成若干个步骤
  2. 总指挥将任务下发给多个计算机,它们执行计算

不同点:在执行完某些步骤后,不同计算机之间会进行结论的交换后,才能继续进行计算

典型例子:老板-高管-经理-部门主管-员工,这种管理模式

MapReduce 使用的是 分散-汇总模式,而更牛的框架(spark、flink 使用中心调度-步骤执行模式)

介绍

它是 Hadoop 的一个组件,用来进行分布式计算的一个框架;计算的模式:分散-汇总模式

提供了两个接口

  1. Map,提供“分散”功能,由多个服务器分布式地对数据进行处理
  2. Reduce,提供“汇总”功能,将分布式计算的结果进行汇总

可以使用高级语言实现接口,来执行相应的功能

但是现在基本都是使用 Hive 框架,它的底层是 MapReduce,所以这里只是简单介绍

简单分析执行原理

假如一个文件中有很多的单词,现在要统计每个单词出现的次数

现在有三台服务器,两台执行 Map 的任务,一台执行 Reduce 的任务

会将文件分为多个部分,每台机器统计该部分的单词数量,最后将结果交给汇总的服务器

Yarn

是 Hadoop 的一个组件,用来进行分布式的资源调度

对于多台服务器,需要有规划、统一地去调度各种硬件资源,提高资源利用率

MapReduce 是基于 Yarn 运行的,这样可以得到更好的资源利用率

核心架构

主从架构,一主多从

  1. 主角色:ResourceManger,负责集群的资源调度,协调调度各个程序所需的资源(老板)
  2. 从角色:NodeManager,负责单台服务器的资源调度(各部门经理)

一个程序过来申请资源,就先去找 ResourceManager 要资源,老大再去通知小弟

容器

Yarn 基于容器技术,实现资源的精准分配

NodeManager 预先占用一部分资源,再将这部分资源提供给程序使用;程序使用的资源上限就是容器占用资源的大小,不能突破

程序需要 4GB 内存,那 NodeManager 就先占用 4GB 内存,然后将这些内存给程序使用

辅助架构

这两个辅助角色让 Yarn 集群运行更加稳定

代理服务器-ProxyServer

在 Yarn 运行时,也会有一个 Web UI,如果在公网上就可能遭受攻击

它的作用就是减少网络攻击的可能性,提高安全性

这个推荐单独运行,不要和 Yarn 一起运行

历史服务器-JobHistoryServer

记录历史运行的程序信息、产生的日志、提供WEB UI站点供用户使用浏览器查看。

有它的原因是 Yarn 是用容器来分配资源的,如果要查看某个容器的日志,是比较麻烦的

所以就用它来统一收集并展示(浏览器)

Yarn 集群部署

ResourceManager 进程作为管理节点

NodeManager 进程作为工作节点

ProxyServer、JobHistoryServer 进程作为辅助节点

而 MapReduce 是运行在 Yarn 容器中的,所以无需独立启动进程,它也没有独立的进程,改改配置文件即可

MapReduce 配置文件

切换为 root 用户,来到 /export/server/hadoop-3.3.4/etc/hadoop 目录

修改 mapred-env.sh 文件,添加这些东西

# 设置 JDK 路径

export JAVA_HOME=/export/server/jdk

# 设置 JobHistoryServer 进程内存为 1G

export HADOOP_JOB_HISTORYSERVER_HEAPSIZE=1000

# 设置日志级别为 INFO

export HADOOP_MAPRED_ROOT_LOGGER=INFO,RFA

mapred-site.xml,添加这些东西

<configuration>

    <property>

        <name>mapreduce.framework.name</name>

        <value>yarn</value>

        <description>MapReduce 的运行框架设置为 YARN</description>

    </property> ​    

    <property>

        <name>mapreduce.jobhistory.address</name>

        <value>node1:10020</value>

        <description>历史服务器地址:node1:10020</description>

    </property> ​ ​    

    <property>

        <name>mapreduce.jobhistory.webapp.address</name>

        <value>node1:19888</value>

        <description>历史服务器web端口为node1的19888</description>

    </property> ​ ​    

    <property>

        <name>mapreduce.jobhistory.intermediate-done-dir</name>

        <value>/data/mr-history/tmp</value>

        <description>历史信息在HDFS的记录临时路径</description>

    </property> ​ ​    

    <property>

        <name>mapreduce.jobhistory.done-dir</name>

        <value>/data/mr-history/done</value>

        <description>历史信息在HDFS的记录路径</description>

    </property>

    <property>

        <name>yarn.app.mapreduce.am.env</name>

        <value>HADOOP_MAPRED_HOME=$HADOOP_HOME</value>

        <description>MapReduce HOME 设置为 HADOOP_HOME</description>

    </property>

    <property>

        <name>mapreduce.map.env</name>

        <value>HADOOP_MAPRED_HOME=$HADOOP_HOME</value>

        <description>MapReduce HOME 设置为 HADOOP_HOME</description>

    </property>

    <property>

        <name>mapreduce.reduce.env</name>

        <value>HADOOP_MAPRED_HOME=$HADOOP_HOME</value>

        <description>MapReduce HOME 设置为 HADOOP_HOME</description>

    </property>

</configuration>

YARN 配置文件

切换为 root 用户,来到 /export/server/hadoop-3.3.4/etc/hadoop 目录

修改 yarn-env.sh 文件,添加 4 行环境变量

# JDK 环境变量

export JAVA_HOME=/export/server/jdk

# HADOOP_HOME

export HADOOP_HOME=/export/server/hadoop

# 配置文件路径的环境变量

export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop

# export YARN_CONF_DIR=$HADOOP_HOME/etc/hadoop

# export YARN_LOG_DIR=$HADOOP_HOME/logs/yarn

# 日志文件的环境变量

export HADOOP_LOG_DIR=$HADOOP_HOME/logs

修改 yarn-site.xml 文件,添加这些东西

<configuration>

    <property>

        <name>yarn.log.server.url</name>

        <value>http://node1:19888/jobhistory/logs</value>

        <description>历史服务器URL</description>

    </property>

    <property>

        <name>yarn.web-proxy.address</name>

        <value>node1:8089</value>

        <description>proxy server hostname and port</description>

    </property>

    <property>

        <name>yarn.log-aggregation-enable</name>

        <value>true</value>

        <description>开启日志聚合,可以在浏览器中看到整理好的日志</description>

    </property>

    <property>

        <name>yarn.nodemanager.remote-app-log-dir</name>

        <value>/tmp/logs</value>

        <description>程序日志HDFS的存储路径</description>

    </property>

                <!-- Site specific YARN configuration properties -->

    <property>

        <name>yarn.resourcemanager.hostname</name>

        <value>node1</value>

        <description>ResourceManager设置在node1节点</description>

    </property>

    <property>

        <name>yarn.resourcemanager.scheduler.class</name>

        <value>org.apache.hadoop.yarn.server.resourcemanager.scheduler.fair.FairScheduler</value>

        <description>选择公平调度器</description>

    </property>

    <property>

        <name>yarn.nodemanager.local-dirs</name>

        <value>/data/nm-local</value>

        <description>NodeManager数据的本地存储路径</description>

    </property>

    <property>

        <name>yarn.nodemanager.log-dirs</name>

        <value>/data/nm-log</value>

        <description>NodeManager数据日志本地存储路径</description>

    </property>

    <property>

        <name>yarn.nodemanager.log.retain-seconds</name>

        <value>10800</value>

        <description>Default time (in seconds) to retain log files on the NodeManager Only applicable if log-aggregation is disabled.</description>

    </property>

    <property>

        <name>yarn.nodemanager.aux-services</name>

        <value>mapreduce_shuffle</value>

        <description>为MapReduce程序开启shuffle服务</description>

    </property>

</configuration>

把配置文件发送给其他服务器

cd /export/server/hadoop/etc/hadoop

scp * node2:/export/server/hadoop-3.3.4/etc/hadoop/

scp * node3:/export/server/hadoop-3.3.4/etc/hadoop/

一键启动停止

start-yarn.sh

stop-yarn.sh

启动历史服务器

mapred --daemon start historyserver

单独控制进程

$HADOOP_HOME/bin/yarn,此程序也可以用以单独控制所在机器的进程启停

yarn --daemon (start|stop) (resourcemanager|nodemanager|proxyserver)

查看结果 & 打快照

访问 http://node1:8088/,如果能看到页面,说明一切 OK

关机打快照,速度会很快

提交 MapReduce 的任务到 Yarn 中执行

这个倒是只需要执行命令即可,毕竟现在很少使用 MapReduce 进行计算,spark flink 的效率是它的上百倍

这里就是演示

h第三章-08-[实操]提交MapReduce任务到YARN执行_哔哩哔哩_bilibili

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1846483.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

中国计算机学会芯片大会 (CCF Chip 2024)

&#x1f31f; 中国计算机学会芯片大会(CCF Chip Conference&#xff0c;简称&#xff1a;CCF Chip) 将于&#x1f4c5; 2024年7月19日至21日在上海市松江区上海富悦大酒店召开。 &#x1f389; #CCF Chip 2024# 主题前瞻&#xff1a;"发展芯技术&#xff0c;智算芯未来&q…

树结构与算法-杨辉三角形的两种实现

什么是杨辉三角形 本文旨在讨论普通杨辉三角形的两种实现方式&#xff1a;迭代法和递归法。我们不详细讲解杨辉三角形的数学问题&#xff0c;只研究其代码实现。 杨辉三角形大致如下图&#xff1a; 杨辉三角形的规律 通过对杨辉三角形的图形分析&#xff0c;我们可以看到这几点…

CVPR最佳学生论文!1千万张图像、跨越45万+物种的超大数据集,多模态模型BioCLIP实现零样本学习

不同于传统学术领域对期刊发表的重视&#xff0c;计算机界&#xff0c;尤其是机器学习、计算机视觉、人工智能等领域&#xff0c;顶级会议才是王道&#xff0c;无数「热门研究方向」、「创新方法」都将从这里流出。 作为计算机视觉乃至人工智能领域最具学术影响力的三大顶会之…

【论文笔记】The Power of Scale for Parameter-Effificient Prompt Tuning

题目: The Power of Scale for Parameter-Effificient Prompt Tuning 来源: EMNLP 2021 模型名称: Soft-Prompt 论文链接: https://aclanthology.org/2021.emnlp-main.243/ 项目链接: https://github.com/google-research/prompt-tuning 核心&#xff1a;针对不同的任务设计不同…

基于STM32和人工智能的智能交通信号控制系统

目录 引言环境准备智能交通信号控制系统基础代码实现&#xff1a;实现智能交通信号控制系统 4.1 数据采集模块4.2 数据处理与分析4.3 控制系统4.4 用户界面与数据可视化应用场景&#xff1a;智能交通管理与优化问题解决方案与优化收尾与总结 1. 引言 随着城市化进程的加快&a…

16s功能注释--PICRUST2的安装及使用

文章目录 安装本地安装conda安装 使用一些报错 安装 本地安装 在github网址下载压缩包&#xff1a;https://github.com/picrust/picrust2/releases/tag/v2.5.2 解压后将bin目录设置到环境变量 conda安装 利用bioconda安装 conda create -n picrust2 -c bioconda -c conda-…

神经网络与模式识别课程报告-卷积神经网络(CNN)算法的应用

完整的神经网络与模式识别课程报告文档下载&#xff1a; https://wenku.baidu.com/view/393fbc7853e2524de518964bcf84b9d528ea2c92?aggId393fbc7853e2524de518964bcf84b9d528ea2c92&frcatalogMain_&_wkts_1718955412936 def get_information():方法名称: 获取资料或…

以餐厅为例,来谈谈VOC(客户之声)

VOC&#xff0c;即客户之声&#xff0c;是指通过收集和分析客户的反馈意见&#xff0c;了解他们的需求和期望&#xff0c;进而指导企业改进产品和服务。在餐厅经营中&#xff0c;VOC的应用不仅能够帮助餐厅了解顾客的口味偏好、用餐习惯&#xff0c;还能揭示服务流程中的不足和…

插件分析|Yaklang SQL Injection 检测启发式算法

背景 sqlmap作为一个老牌的成熟的SQL漏洞扫描工具&#xff0c;在SQL注入自动化检测领域独占一壁江山。而现在的SQL注入检测往往是通过被动扫描检出&#xff0c;再通过sqlmap或者手工注入的方式进行进一步的漏洞确认和利用。在这种情形下&#xff0c;我们就需要开发一款应用于被…

ATFX Connect四度加冕!荣膺2024最佳机构业务经纪商奖

近期&#xff0c;知名经纪商ATFX凭借在公益、科技、教育及媒体领域的一系列创新营销举措&#xff0c;掀起一波营销热潮&#xff0c;品牌联动效应显著。日前&#xff0c;ATFX又以实力而赢得一项新荣誉。全球知名媒体Holiston Media举办的2024环球金融大奖 (Global Forex Awards …

10个超好看的 404 页面(附源码)

今天来分享 10 个超好看的 404 页面&#xff0c;带动画效果。 代码&#xff1a;https://codepen.io/AsyrafHussin/pen/KxWRrK 代码&#xff1a;https://codepen.io/salehriaz/pen/erJrZM 代码&#xff1a;https://codepen.io/andrew-lawendy/pen/deOpMZ 代码&#xff1a;https…

如何减轻大语言模型中的幻觉?

ChatGPT、LLaMA 和 Mistral 等大型语言模型 (LLMs) 是强大的自然语言处理 (NLP) 工具&#xff0c;能够为各种应用生成流畅且连贯的文本。然而&#xff0c;他们也有一个主要缺点&#xff1a;他们倾向于产生幻觉&#xff0c;而这些事实或细节不受输入或现实世界的支持。这可能会导…

《传感器系列》温度传感器

温度传感器是一种能够测量温度并将温度信号转换为电信号或其他可输出信号的装置。 它在众多领域都有广泛应用&#xff0c;比如&#xff1a; - 工业生产&#xff1a; 用于监测生产过程中的温度&#xff0c;确保生产工艺的正常进行和产品质量的稳定。 - 智能家居&#xff1a; …

PCB设计中的via孔和pad孔

原文出自微信公众号【小小的电子之路】 在PCB设计过程中&#xff0c;经常会提到via孔和pad孔&#xff0c;下面就简单介绍一下二者的区别。 via称为过孔&#xff0c;主要起到电气连接的作用&#xff0c;用于网络在不同层的导线之间的连接。PCB设计中一般做盖油处理。 via孔 vi…

Kotlin 中的可见修饰符

Java 和 Kotlin 中的可见修饰符&#xff1a; Java&#xff1a;public、private、protected 和 default(什么都不写)&#xff1b;Kotlin&#xff1a;public、private、protected 和 internal&#xff1b; 比较&#xff1a; 对于 public 修饰符&#xff1a;在 Java 和 Kotlin 中…

Linux网络 - 再谈、详谈UDP和TCP协议

文章目录 前言预备netstatpidofcat /etc/services 一、UDP协议UDP协议端格式UDP的缓冲区基于UDP的应用层协议 二、TCP协议1.TCP协议段格式确认应答(ACK)机制三次握手疑问1 最后一次客户端发给服务端的ACK请求怎么保证服务端能够收到&#xff1f; 四次挥手疑问2 为什么挥手是四次…

openssl 命令行生成密钥对,生成hash,PSS填充签名,校验

生成密钥对 openssl genpkey -algorithm RSA -out private_key.pem -pkeyopt rsa_keygen_bits:4096 openssl rsa -pubout -in private_key.pem -out public_key.pem将源文件data.txt生成hash值&#xff08;sha-256&#xff09; openssl dgst -sha256 -binary data.txt > d…

利用LabVIEW项目管理和组织LabVIEW应用程序

如何利用LabVIEW项目管理和组织LabVIEW应用程序&#xff0c;提供了关于文件定义、磁盘上的文件组织、LabVIEW项目浏览器、交叉链接和相关资源的建议。这些推荐在开发前就应建立&#xff0c;以确保应用程序能扩展到大量VIs并适应多开发者环境。 目录 定义和识别应用程序文件 磁…

第106天:权限提升-WIN 系统AD域控NetLogonADCSPACKDCCVE 漏洞

目录 案例一&#xff1a;WIN-域控提权-CVE-2014-6324 案例二&#xff1a;WIN-域控提权-CVE-2020-1472 案例三&#xff1a;WIN-域控提权-CVE-2021-42287 案例四&#xff1a;WIN-域控提权-CVE-2022-26923 案例一&#xff1a;WIN-域控提权-CVE-2014-6324 首先先部署域控 项目…

神经阻滞术——慢性腰痛、颈痛与关节痛治疗的新选择

北京精诚博爱医院所实施的神经阻滞术是一种针对患者局部疼痛治疗手段&#xff0c;通过向特定部位注射局麻药或其他特定药物&#xff0c;来暂时性地阻断神经传导&#xff0c;进而达到减轻或消除疼痛的目的。这种疗法在慢性腰痛、颈痛或关节痛等常见疼痛疾病的治疗中&#xff0c;…