云计算平台构建与实验设计

云计算实训(实验1、实验2) OpenStack平台搭建 阅读详情

课程设计任务书

 

一、作业目的

    物联网的核心是应用,应用的核心是云计算。通过构建一个云计算平台,并利用这个平台设计云计算实验,将结果与普通的电脑计算比较两者的差别,感受云计算的优越性能,从而对物联网有更深刻的体验与认识。

二、作业内容及要求

    能够按照课程设计任务书按照相应的要求完成整个云计算平台的搭建,要完成这个任务,就要对云计算平台的架构和原理有一定的认识,对物联网的应用层有深入的学习,通过查阅书籍文献与网络资料去掌握相关知识,完成云平台的构建与实验的设计。

具体内容见博文

三、作业成果形式及提交要求

做出实验成果,并向验收老师展示其功能和实现原理,回答老师提出的相关问题;提交实验程序和报告。提交要求是实物验收必须得到老师的肯定,报告必须能清晰说明实验过程与原理,严谨有说服力。

四、参考文献

[1] Hadoop权威指南,清华大学出版社,2010-5-1

[2] NIST Cloud Computing Program,http://www.nist.gov/itl/cloud/

[3] Hadoop大数据处理,人民邮电出版社,2013-09-01

[4] 虚拟化与云计算,电子工业出版社,2009-10-1

[5] 走近云计算,人民邮电出版社,2009年

[6] Hadoop实战,人民邮电出版社,2011年10月

[7] Hadoop云计算实战,清华大学出版社,2012-10

目录

课程设计任务书

目录

摘要

1 绪论

  1.1 云计算概述

    1.1.1 云计算的五大核心特点

    1.1.2 云计算的三种服务模式

  1.2 Hadoop系统概述

  1.3 云计算平台搭建方法

  1.4 本次课设所用平台与搭建方法

2.云计算平台原理

  2.1 Hadoop系统原理

  2.2 ubuntu系统

3.云计算平台搭建过程 

  3.1 ubuntu系统的安装 

  3.2 Hadoop系统部署 

4.分布式云计算实验 

  4.1基于MapReduce的分布式云计算实验 

  4.2 普通PC机上的对比实验 

  4.3分布式云计算实验结果与总结 

5.课程设计总结

6.附录

摘要

物联网的核心是应用,应用的核心是云计算。从一开始学习物联网这门课开始就不断的听到云计算的介绍,并且随着学习的深入,越来越感受到云计算在物联网中的重要作用,没错,物联网的核心是应用,应用的核心是云计算。世界已经悄然进入到大数据时代,大数据的处理依靠传统手段已经捉襟见肘,随着云计算的出现,大数据的潜力才充分发掘出来,物联网也正是接着云计算的东风才能够发展到今天这种深刻改变人们生活方式的地步。

云计算是物联网的应用层,做云计算关键要学会怎么去运用物联网,为此需要查阅与云计算有关的书籍,网上牛人的笔记和国外网站的资料,亲手设计与实现分布式程序进行实验,从而直观的感受到云计算的强大与物联网的无处不在。

云计算的重要性不言而喻,物联网的发展离不开云计算,所以研究云计算的搭建与运用是具有极大的意义。

关键词:物联网  云计算 云计算平台搭建 分布式计算

1,绪论

1.1 云计算概述

在参考文献2里,NIST对云计算定义如下:云计算是一种能够通过网络以便利的、按需付费的方式获取计算资源(包括网络、服务器、存储、应用和服务等)并提高其可用性的模式,这些资源来自一个共享的、可配置的资源池,并能够以最省力和无人干预的方式获取和释放。这种模式具有5个关键功能,还包括3种服务模式和4种部署方式。

1.1.1云计算的五大核心特点:

按需自助服务(On Demand Self-Service):供应商的资源保持高可用和高就绪的状态,用户可以按需方便地自助地获得资源。

泛在的网络访问(Broad Network Access):可以通过各种网络渠道,以统一标准的机制(如浏览器,相同的API等)获取服务,但是客户端可以是多种多样的瘦客户端或富客户端(例如移动电话、笔记本电脑、PDA等)。

动态的资源池(Resource Pooling):供应商的计算资源可以被整合为一个动态资源池,以多租户模式服务所有客户,不同的物理和虚拟资源可根据客户需求动态分配。服务商需实现资源的位置无关性,客户一般不需要知道所使用的资源的确切地理位置,但在需要的时候客户可以指定资源位置(如哪个国家,哪个数据中心等)的要求。

快速弹性(Rapid Elasticity):可以迅速、弹性地提供服务,能快速扩展,也可以快速释放实现快速缩小。对客户来说,可以租用的资源看起来似乎是无限的,可在任何时间购买任何数量的资源。

可计量的服务(Measured Service):服务的收费可以是基于计量的一次一付,或基于广告的收费模式。系统以针对不同服务需求(例如,CPU时间、存储空间、带宽、甚至按用户账号的使用率高低)来计量资源的使用情况和定价,以提高资源的管控能力和促进优化利用。整个系统资源可以通过监控和报表的方式对服务提供者和使用者透明化。

1.1.2云计算的三种服务模式

云计算的三个服务模式(Delivery Models)是:SaaS、PaaS和IaaS。

SaaS:提供给客户的服务是运营商运行在云计算基础设施上的应用程序,用户可以在各种设备上通过瘦客户端界面访问,如浏览器。消费者不需要管理或控制任何云计算基础设施,包括网络、服务器、操作系统、存储,等等。

PaaS:提供给消费者的服务是把客户采用提供的开发语言和工具(例如Java、Python、.Net等)开发的或收购的应用程序部署到供应商的云计算基础设施上。客户不需要管理或控制底层的云基础设施,包括网络、服务器、操作系统、存储等,但客户能控制部署的应用程序,也可能控制运行应用程序的托管环境配置。

IaaS: 提供给消费者的服务是对所有设施的利用,包括处理、存储、网络和其他基本的计算资源,用户能够部署和运行任意软件,包括操作系统和应用程序。消费者不管理或控制任何云计算基础设施,但能控制操作系统的选择、储存空间、部署的应用,也有可能获得有限制的网络组件(例如,防火墙、负载均衡器等)的控制。

目前世界大多数互联网公司都开始布局云计算,Google,华为,BAT,亚马逊也都已经将云计算成熟运用与自己的生态系统,并产生巨大的效益。国内外关于云计算的研究都在火热的进行中。无论是收费的云计算服务还是开源云计算研究都趋于白热化,可见云计算在未来各个领域非同一般的潜力。

1.2 Hadoop系统概述

Hadoop是一个由Apache基金会所开发的分布式系统基础架构。 Hadoop实现了一个分布式文件系统(Hadoop Distributed File System),简称HDFS。HDFS有高容错性的特点,并且设计用来部署在低廉的(low-cost)硬件上;而且它提供高吞吐量(high throughput)来访问应用程序的数据,适合那些有着超大数据集(large data set)的应用程序。HDFS放宽了(relax)POSIX的要求,可以以流的形式访问(streaming access)文件系统中的数据。

Hadoop的框架最核心的设计就是:HDFS和Map Reduce。HDFS为海量的数据提供了存储,则Map Reduce为海量的数据提供了计算。

 

图1-1 HDFS文件系统结构

 

图1-2 Map Reduce工作流程

Hadoop技术已经无处不在。不管是好是坏,Hadoop已经成为大数据的代名词。短短几年间,Hadoop从一种边缘技术成为事实上的标准,不仅现在Hadoop是企业大数据的标准,而且在未来,它的地位似乎一时难以动摇。

1.3 云计算平台搭建方法

目前开源的云计算平台的搭建都要依托Linux系统,因此我们有2种办法搭建云计算平台:安装Linux系统和在其他操作系统下安装Linux虚拟机后搭建云平台。目前主流的虚拟机有:

Virtual Box

Vmware

有了Linux系统环境后就能搭建云计算平台了,几大开源云平台系统有:

Hadoop系统

Open Stack

云计算平台的搭建=Linux系统+开源云平台+SSH框架。

1.4 本次课设所用平台与搭建方法

一开始本设计采用的是虚拟机+Hadoop系统+SSH框架搭建自己的云计算平台,发现在虚拟机下的Linux系统无法下载一些系统关键应用导致云平台无法搭建,前后实验多次后直接给在纯Linux系统部署云计算平台从而成功搭建好云平台,本次课程设计所采用的搭建办法是:

Ubuntu14.04系统+Hadoop系统+SSH框架。

2,云计算平台原理

2.1 Hadoop系统原理

Hadoop是一个开源的可运行于大规模集群上的分布式并行编程框架,其最核心的设计包括:Map Reduce和HDFS。基于 Hadoop,你可以轻松地编写可处理海量数据的分布式并行程序,并将其运行于由成百上千个结点组成的大规模计算机集群上。

简单的说:Map Reduce框架的核心步骤主要分两部分:Map和Reduce。当你向Map Reduce框架提交一个计算作业时,它会首先把计算作业拆分成若干个Map任务,然后分配到不同的节点上去执行,每一个Map任务处理输入数据中的一部分,当Map任务完成后,它会生成一些中间文件,这些中间文件将会作为Reduce任务的输入数据。Reduce对数据做进一步处理之后,输出最终结果。

Map Reduce是Hadoop的核心技术之一,为分布式计算的程序设计提供了良好的编程接口,并且屏蔽了底层通信原理,使得程序员只需关心业务逻辑本事,就可轻易的编写出基于集群的分布式并行程序。从它名字上来看,大致可以看出个两个动词Map和Reduce,“Map(展开)”就是将一个任务分解成为多个子任务并行的执行,“Reduce”就是将分解后多任务处理的结果汇总起来,得出最后的分析结果并输出。

适合用 Map Reduce来处理的数据集(或任务)有一个基本要求:待处理的数据集可以分解成许多小的数据集,而且每一个小数据集都可以完全并行地进行处理。

想要彻底了解Hadoop系统的原理是十分困难的,由于篇幅有限,知识水平也不高,我只能描写其大概面貌,本次课程设计的核心是学习搭建与运用云计算平台,没有足够的时间与精力去完全了解Hadoop的原理,在这里我们不妨就理解为:

Hadoop系统=HDFS分布式文件系统+Map Reduce运算机制。

这样就能很好的明白它们的大致关系,有助于对后面实验的理解。

 

图2-1 Hadoop系统架构

2.2 Ubuntu系统

本次课程设计所使用的Linux系统是ubuntu14。

Ubuntu(乌班图)是一个以桌面应用为主的Linux操作系统,其名称来自非洲南部祖鲁语或豪萨语的“Ubuntu”一词,意思是“人性”、“我的存在是因为大家的存在”,是非洲传统的一种价值观,类似华人社会的“仁爱”思想。Ubuntu基于Debian发行版和GNOME桌面环境,而从11.04版起,Ubuntu发行版放弃了Gnome桌面环境,改为Unity,与Debian的不同在于它每6个月会发布一个新版本。Ubuntu的目标在于为一般用户提供一个最新的、同时又相当稳定的主要由自由软件构建而成的操作系统。

LTS 是 Ubuntu 的长期支持版,因此 Ubuntu 14.04 支持周期长达 3-5 年。因此 Ubuntu 14.04 是追求稳定的用户和企业的最佳选择。所以本次课程设计选择ubuntu14.04LTS版本完全能够应付云平台搭建与相关实验的任务。

图2-2 ubuntu14.04LTS系统

3,云计算平台搭建过程

3.1 Ubuntu系统的安装

去Ubuntu官网下载好对应版本的系统镜像,并用虚拟光驱软件加载镜像,选择安装Ubuntu系统,一路点击继续后大约10来分钟就可以安装好Ubuntu系统了。

3.2 Hadopp系统部署

修改机器名:

打开/etc/hostname文件,将/etc/hostname文件中的Ubuntu改为你想取的机器名。这里我取“s15“。重启系统后才会生效。

安装ssh服务:

在terminal窗口中输入:Sudoa apt-get install open ssh-server

建立ssh无密码登录本机

在terminal窗口中输入:

ssh-keygen -t dsa -P '' -f ~/.ssh/id_dsa   

 cat ~/.ssh/id_dsa.pub >> ~/.ssh/authorized_keys

得到如下图说明操作正确:

 

图3-1 建立ssh无密码登录本机

登录local host:

在terminal窗口中输入:bin/start-all.sh

安装Hadoop :

下载Hadoop 安装包并解压,打开Hadoop/conf/Hadoop.sh文件,配置conf/Hadoop.sh:找到#export JAVA_HOME=...一行,去掉#,然后加上本机JDK的路径。

打开conf/core-site.XML文件,加入如下代码:

<configuration>  

<property>    

  <name>fs.default.name</name>    

  <value>hdfs://localhost:9000</value>     

 </property>    

</configuration>  

打开conf/map red-site.XML文件,编辑如下:

<configuration>    

     <property>     

      <name>mapred.job.tracker</name>    

      <value>localhost:9001</value>     

     </property>    

    </configuration>    

打开conf/masters文件和conf/slaves文件,添加secondary的主机名,作为单机版环境,这里只需填写local host就Ok了。

到这里Hadoop系统就部署完毕了。调用bin/start-all.sh 命令即可以启动Hadoop,用JSP命令查看系统状态,出现如下信息说明系统部署成功:

 

图3-2 用jsp命令查看系统状态

4,分布式云计算实验

 云平台已经搭建完毕,那么这只是第一步,关键还得学会怎么用它,为了能够体现云计算与普通PC机计算能力的差异我特意为本次课设设计了一个专门用于对比的实验程序。

云计算的能力在于飞速处理大数据,为了模拟大数据,在一个TXT文本中循环写入了七百多万单词,为了便于写入这么多单词,在TXT文本中填充了7094304个“for”来模拟大数据。

接下来分别设计一个用于分布式计算的Map Reduce程序和在普通PC机上运行的JAVA程序,该程序的功能是统计一个文本中的单词数量,并输出整个程序运行耗费时间。对比两个程序在两个环境中的运算耗费时间即可比较出二者的差异。

4.1 基于Map Reduce的分布式云计算实验

用于分布式计算的程序核心设计如下:

public static void main(String[] Argus) throws Conception {
           Date d = new Date();
  	  long begintime = d.getTime();
JobConf conf = new JobConf(WordCount.class);
conf.setJobName("wordcount");
   conf.setNumMapTasks(3);
conf.setNumReduceTasks(2);	    
      conf.outspokenness(Text.class);
conf.outclass(Inequitable.class);
   	conf.setMapperClass(Map.class);
conf.setCombinerClass(Reduce.class);
conf.setReducerClass(Reduce.class);
conf.setInputFormat(TextInputFormat.class);
conf.setOutputFormat(TextOutputFormat.class);	JobClient.runJob(conf);
                Date d2 = new Date();
        	long endtime = d2.getTime();
       	 System.out.println("用时:");
       	 System.out.print(endtime-begintime);
      	         System.out.println(" 毫秒"); }

其中 Date d1,d2用于捕获程序运行开始和结束的时间其时间差即为程序运算所耗费的时间;conf.setNumMapTasks(3)设置分布式运算时所以的map数量为3个,conf.setNumReduceTasks(2);设置运算中所以的reduce数量为2个,其他的设置为配置Map Reduce的其他必要参数,在这里对本实验无影响就不解析了。

想要利用云平台来为我们做计算服务还要把写好的Map Reduce程序进行编译,打包成库文件,然后将模拟大数据的TXT文档提交到HDFS空间,执行以下命令就能启动云计算了:

bin/Hadoop as -put input/ input 把文件提交到HDFS空间

bin/hadoop jar WordCount.jar WordCount input output 启动云计算

得到的结果如下:

 

图4-1 云计算实验结果

可以看到输出结果为单词”for”7094304个,耗时49882毫秒。

4.2 普通PC机上的对比实验

在普通PC机上运行的对比实验程序十分简单,就是对一个文本进行读取,然后逐行识别出单词进行统计,其实现过程与Map Reduce程序中统计单词部分所实现的功能一样,详情参见附录。

该程序在非分布式云计算环境中的实验结果如下:

 

图4-2 普通PC机实验结果

可以看到输出结果为单词”for”也是7094304个,耗时259973毫秒。

4.3 分布式云计算实验结果与总结

从两个对比实验中我们非常清楚的看到同样都是统计7094304个单词的运算普通PC机程序耗费了259973毫秒,而分布式云计算只用了49882毫秒,分布式云计算比普通的计算快了足足5倍有余,并且由于计算速度受服务器好坏的影响,这个数据也只是在我的破电脑上的结果,如果在更强大的服务器上运行那就会有更大的差距。

本设计做的这个对比实验虽然简陋,但是麻雀虽小,五脏齐全,同样能够很好的对比出两种运算的优劣。除此之外,在相关的文献查看过程中发现云计算在数据越大优越性越能体现出来。事实上真正搭建好的集群式云计算平台对于上GB的大数据都是秒内完成的,这就是云计算的强大!

经过这次实验可以看出,云计算有足够的能力处理物联网中庞大的数据,在万物互联中产生的无数的数据就可以用云计算技术加以综合分析从而来更好的服务于物联网。

 5, 课程设计总结

本次课程设计总的来说进行的还是很顺利的,一开始在本设计中采用主流的虚拟机加开源云平台的方法进行云平台搭建,但是在反复试了多种办法后都失败了,之后选择直接安装Ubuntu系统来搭建云平台,后来回想起来这果然是个聪明的决定,因为在纯Linux系统下部署云平台的所有操作都进行的十分顺利没有出现任何意外。

部署云平台进行的十分顺利从而有了更多的时间来学习和设计对比实验。本以为这个对比实验不就是写一个普通的统计单词的JAVA程序嘛,后来才知道提交到云计算平台的程序结构是有一定语法结构的,并且需要在程序代码中手动设置Map Reduce的各项参数,如果不学一学Map Reduce程序的相关知识根本没法写出一个简单的Map Reduce程序,于是借阅了《Hadoop大数据处理》和《Hadoop权威指南》等书籍,学习了几天后才出步了解Map Reduce程序的基本结构和语法,设计的对比实验程序也就顺利出炉了。

普通的PC机计算能力统计了七百多万个单词整整耗费了约4分钟的时间,当用云计算来做这个运算时真正的被它的处理速度震撼到了,它竟然只用了不到50秒!第一次真正直观体验到到云计算的强大就在这一刻开始了!

后来又做了更多的实验,发现数据越大,两种处理方法的对比也就越明显,怪不得现在主流的互联网公司都要部署云计算,没有这么强大的计算能力,世界与日俱增的大数据怎么处理的过来呢!

6,附录

Map Reduce程序:

import java.util.*;
import java.io.IOException;
import java.util.Iterator;
import java.util.StringTokenizer;

import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapred.FileInputFormat;
import org.apache.hadoop.mapred.FileOutputFormat;
import org.apache.hadoop.mapred.JobClient;
import org.apache.hadoop.mapred.JobConf;
import org.apache.hadoop.mapred.MapReduceBase;
import org.apache.hadoop.mapred.Mapper;
import org.apache.hadoop.mapred.OutputCollector;
import org.apache.hadoop.mapred.Reducer;
import org.apache.hadoop.mapred.Reporter;
import org.apache.hadoop.mapred.TextInputFormat;
import org.apache.hadoop.mapred.TextOutputFormat;
import java.text.SimpleDateFormat;
public class WordCount {

	public static class Map extends MapReduceBase implements //map
			Mapper<LongWritable, Text, Text, IntWritable> {
		private final static IntWritable one = new IntWritable(1);  
		private final Text word = new Text();
		@Override
		public void map(LongWritable key, Text value,
				OutputCollector<Text, IntWritable> output, Reporter reporter)
				throws IOException {
			String line = value.toString();
			StringTokenizer tokenizer = new StringTokenizer(line);  //读取文本内容
			while (tokenizer.hasMoreTokens()) {      //对每个MAP开始各自计数
				word.set(tokenizer.nextToken());
				output.collect(word, one);
			}
		}
	}

	public static class Reduce extends MapReduceBase implements  //Reduce
			Reducer<Text, IntWritable, Text, IntWritable> {
		@Override
		public void reduce(Text key, Iterator<IntWritable> values,
				OutputCollector<Text, IntWritable> output, Reporter reporter)
				throws IOException {
			int sum = 0;
			while (values.hasNext()) {
				sum += values.next().get();   //将所有MAP记得数相加
			}
			output.collect(key, new IntWritable(sum));  //汇总
		}
	}
	public static void main(String[] args) throws IOException {
		// TODO Auto-generated method stub
              Date d = new Date();
  	     long begintime = d.getTime();	
		JobConf conf = new JobConf(WordCount.class);
		conf.setJobName("wordcount");
		
		//设定MAP数	
		conf.setNumMapTasks(3);
		//设定REDUCE数
		conf.setNumReduceTasks(2);
		// 设定输出的key和value类型
		conf.setOutputKeyClass(Text.class);
		conf.setOutputValueClass(IntWritable.class);
		// 设定各个作业的类
		conf.setMapperClass(Map.class);
		conf.setCombinerClass(Reduce.class);
		conf.setReducerClass(Reduce.class);
		// 设定输入输出的格式
		conf.setInputFormat(TextInputFormat.class);
		conf.setOutputFormat(TextOutputFormat.class);
		FileInputFormat.setInputPaths(conf, new Path(args[0]));
		FileOutputFormat.setOutputPath(conf, new Path(args[1]));
		JobClient.runJob(conf);
                Date d2 = new Date();
        	long endtime = d2.getTime();	
       		 System.out.println("用时:");
       		 System.out.print(endtime-begintime);
      	         System.out.println(" 毫秒");
 

用于对比的统计单词程序:import java.io.File;

import java.io.FileNotFoundException;
import java.util.Scanner;
 import java.util.*;
import java.text.SimpleDateFormat;
public class Readtxt {
    public static void main(String[] args) {
        Date d = new Date();
  	long begintime = d.getTime();	
	int count = 0;
        try {
            Scanner in = new Scanner(new File("testtxt.txt"));
  
            while (in.hasNext()) {
                String str = in.next();
                splitt(str);
                count++;   
            }
        } catch (FileNotFoundException e) {
            e.printStackTrace();
        }
        System.out.println("这个文本内单词的个数是:"+count);
        Date d2 = new Date();
        long endtime = d2.getTime();	
        System.out.println("用时:");
        System.out.print(endtime-begintime);
        System.out.println(" 毫秒");
    }
    public static void splitt(String str){
        String strr = str.trim();
        String[] abc = strr.split("[\\p{Space}]+");
        for(int i=0;i<abc.length;i++)
	{
	System.out.println(abc[i]);
		}
    }
     
}

 

hnu云计算个人实验报告——实验六 3. 在Mobaxterm中开启New session,选择RDP协议,填写虚拟机的IP地址、Linux系统用户和密 码,其中IP地址必填,用户名和密码可以不输入。b. 您的讯息显示了吗?2. 注销登录,返回SDDM显示器管理登录界面 用户登录后,在菜单中选择注销,退出桌面环境,TTY1是否能返回到图形登录界面?10. 在前面的步骤中,您更改了配置文件,然后注销并登录以激活新设置。4. 注销登录,返回GDM显示器管理登录界面 用户登录后,在菜单中选择注销,退出桌面环境,TTY1是否能返回到图形登录界面? 阅读详情

相关推荐

云计算实验-虚拟化和容器技术综合实验

(1)通过docker commit的方式制作新的ubuntu镜像,新镜像的名称为:自己的姓名_ubuntu。要求在新镜像中,更新软件列表、安装vim和net-tools工具。(2)使用Dockerfile的方式构建新的镜像,要求与题(1)相同。a)查看在kvm中创建的所有的虚拟机。3.查看ubuntu版本的详细信息。(1)获取Ubuntu镜像并启动Ubuntu容器。(4)删除某个正在运行的容器。(2)查看正在运行的容器;c)停止正在运行的虚拟机。(3)查看所有的容器;b)启动创建的虚拟机。

LenMonLy的博客 2312

云计算上机实验一

云计算实验一

helloBanksy的博客 1750

云计算与大数据融合:构建精准营销平台的技术全解析

云计算的优势云计算提供按需、自助、可扩展的计算资源和存储空间,用户无需关心硬件设施的维护与管理,能够专注于应用开发和数据分析。弹性扩展:根据实际需求,自动增加或减少计算资源,降低资源浪费。低成本:企业只需为实际使用的资源付费,避免了昂贵的硬件和运维成本。高可用性:通过分布式架构实现高可用和灾难恢复。云计算与大数据的融合为精准营销平台的构建提供了技术保障,使得企业能够更高效地收集、存储、处理和分析客户数据,从而实现个性化营销、提高营销效果。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 1550

云计算实验

文章目录1.准备工作1.1 安装虚拟机 1.准备工作 1.1 安装虚拟机

一个人走的博客 4191

OpenStack 云计算平台搭建与管理:计算、存储与网络服务配置

OpenStack 最初由 Rackspace 和 NASA 于 2010 年发起,经过多年的发展,已经成为全球范围内广泛使用的开源云计算平台。它采用模块化架构设计,由多个相互独立又协同工作的服务组件构成,每个组件负责特定的功能,如计算、存储、网络、身份认证等。这种架构使得用户可以根据实际需求灵活选择和组合组件,构建符合自身业务需求的云计算平台。Nova(计算服务):Nova 是 OpenStack 的计算核心组件,负责虚拟机实例的生命周期管理,包括创建、启动、暂停、删除等操作。

数字魔方操控师的博客 1647

云计算系统平台

“云计算”,一种将计算、存储、网络、应用服务等多种功能集成到一起的计算和存储方式。“云计算”是近年来信息技术和经济社会发展的新理念,它的发展以互联网为基础,以云计算为核心,以开放共享为特征,成为推动经济社会发展、提高社会生产力、促进科技创新、实现全面可持续发展的重要动力。

戴子雯的博客 2072

云计算课设(一)

可视化窗口、容错机制 import docker import sys import tkinter import tkinter.messagebox import random import paramiko import tkinter.font as tkFont from PIL import Image, ImageTk from tkinter import ttk import os import re import datetime import threading import ti

assassinAKL的博客 1294

云原生技术实践:OpenStack与K8S如何构建高效的云计算管理平台

在数字化转型的浪潮中,云计算作为关键支撑技术,正以前所未有的速度推动着各行各业的变革。云原生技术,作为云计算领域的一股强大力量,正逐步重塑着云计算管理平台的面貌。本文将深入探讨OpenStack与Kubernetes(简称K8S)这两种主流的云原生技术,以及它们如何携手构建高效的云计算管理平台。

Yori_22的博客 1040

基于open stack构建私有云计算平台

本文分析了锐科企业现状及私有云建设需求,对比了CloudStack和OpenStack两种主流开源云平台,最终选择OpenStack作为企业私有云解决方案。详细介绍了基于OpenStack T版本的私有云平台架构设计、网络拓扑结构、部署准备工作、认证服务配置等关键步骤。在成功搭建私有云平台后,进行了云主机部署企业私有云网盘(OwnCloud)的测试,验证了平台的可用性。文章为企业私有云建设提供了完整的技术方案和实施路径,包括操作系统配置、组件安装、数据库设置等具体操作细节,具有较强的实践指导价值。

m0_73485055的博客 1290

云计算课件搭建实战:架构体系、平台选型与实验设计

云计算已成为IT基础设施的核心形态,理解其架构体系是从业者的基本功。从基础设施层到平台层、应用层,IaaS、PaaS、SaaS的边界与责任共担模型,构成了云计算教学的底层逻辑。同时,弹性伸缩、对象存储、边缘计算等能力,让成本优化和故障演练成为可操作的实践场景。在教学中,无论选择阿里云还是AWS,关键是通过对比映射掌握通用原理,并用实验验证知识。结合AI平台服务、鸿蒙设备上云等新趋势,一套可落地的云计算课件应包含理论主线、实验手册和评估库,并能持续迭代。本文围绕云计算架构体系与平台选型,讲解如何设计实验、绑定

weixin_29224529的博客 260

hadoop 分布式云计算 课程设计报告

这个是我 课程设计的报告 大神们想要的自己下载吧 。 。。 呵呵

Java基于云计算的在线教育平台设计与开发

随着互联网技术的快速发展和普及,在线教育已经成为了一种重要的教育方式。云计算技术以其强大的计算和存储能力,为在线教育平台提供了坚实的基础。基于Java的云计算在线教育平台设计与开发,旨在通过先进的技术手段,提升在线教育的教学质量和管理效率,打破地域和时间的限制,为全球范围内的学习者提供更加便捷和高效的学习机会。开发语言:Java框架:springbootJDK版本:JDK1.8服务器:tomcat7数据库:mysql数据库工具:Navicat11。

QQ1039692211的博客 1645

ais信号接收设备_国内首款基于软件无线电技术的AIS基站投入测试使用

星网宇达子公司北京凯盾环宇科技有限公司经过多年的潜心研发,成功研制出国内首台基于软件无线电(SDR)的CATON 9011 AIS基站。该基站采用软件无线电技术,利用软件数字技术代替传统的模拟电路,大大的降低了模拟器件的使用率,提高了基站的可靠性和使用年限。CATON 9011 AIS基站研制依据ITU-R M.1371-5、IEC 62320-1、IEC 61162-1等国际标准,兼容...

weixin_29057163的博客 2335

目前,有哪些云计算平台,值得我们选择

  由于云计算技术范围很广,目前各大IT企业提供的云计算服务主要根据自身的特点和优势实现的。目前主要有以下几个平台:   (1)Google的云计算平台   Google的硬件条件优势,大型的数据中心、搜索引擎的支柱应用,促进Google云计算迅速发展。Google的云计算主要由MapReduce、Google文件系统(GFS)、BigTable组成。它们是Google内部云计算基础平台的3个...

多智时代的博客 1万+

保姆级教程:用Ansible 2.9自动化配置华为ENSP路由器(附Cloud连接避坑指南)

本文提供了一份详细的Ansible 2.9与华为ENSP路由器自动化配置教程,涵盖环境搭建、网络连通性配置、Playbook开发及典型问题排查。特别针对Cloud连接常见问题提供避坑指南,帮助运维工程师快速掌握网络自动化技能,提升工作效率。

weixin_42561476的博客 376

使用ST-LINK烧录stm32教程说明

使用ST-LINK烧录stm32

qq_34426854的博客 1万+

典型云计算平台介绍

(1)Google 的云计算平台     Google的硬件条件优势,大型的数据中心、搜索引擎的支柱应用,促进Google云计算迅速发展。Google的云计算主要由MapReduce、Google文件系统(GFS)、BigTable组成。它们是Google内部云计算基础平台的3个主要部分。Google 还构建其他云计算组件,包括一个领域描述语言以及分布式锁服务机制等。Sawzall是一种建立在M

Reoname的专栏 2484

Transformer 时间序列预测实战

Transformer 时间序列预测实战

机器学习深度学习业余选手 745

云:构建云计算的核心技术与平台

   在读书笔记:让云触手可及,微软云计算实践指南中讲的是微软对云计算的理解以及在云计算方面的研发成果,我看了金蝶中间件有限公司奉继承博士在中国云计算标准化论坛中的一个演讲稿:构建云计算的核心技术与平台--金蝶中间件的云计算策略与解决方案,觉得不错,所以整理一下金蝶对云计算的理解以及在云计算方面的研发成果与大家分享一下,看看国内云计算的发展吧。 视角 从技术的角度、从软件企业的角度、从厂商的角...

weixin_33717298的博客 195

PCL点云算法与项目实战案例汇总(长期更新)

本专栏将深入探讨PCL(点云库)的基础算法,旨在帮助读者掌握点云处理的核心技术。内容涵盖点云的采样、过滤、配准、分割等基础操作,并结合实际案例,展示这些算法在工程中的应用。无论你是初学者还是有一定经验的开发者,都能通过本专栏加深对PCL的理解,提升在三维数据处理领域的技能。

纵马踏花向自由 3010

基于DNN神经网络的多输入多输出数据回归预测(附带Matlab代码)

假设我们的输入数据包含n个特征,输出数据包含m个特征。在本文中,我们将介绍如何使用DNN(深度神经网络)实现多输入多输出数据回归预测,并提供相应的Matlab代码。需要注意的是,上述代码中的DNN模型是一个简化的示例,您可以根据实际任务的复杂程度和要求进行相应的调整和优化。综上所述,我们介绍了如何使用DNN神经网络实现多输入多输出数据回归预测,并提供了相应的Matlab代码。函数对DNN模型进行训练,其中输入数据需要转置,以适应网络的输入要求。最后,我们使用训练好的模型对测试数据进行预测,并打印预测结果。

DevWizard的博客 1070
上一篇: 什么是opencv
下一篇: 基于百度接口的手机无广告浏览器设计
sac761
博客等级 码龄12年 303粉丝 113原创
评论 4
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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