FileRun solusvm Perl被打

Docker简介
Docker的出现极大减少了 配环境 这种 浪费时间 的行为并提高 开发效率 ,也能解决在不同平台代码运行的 错误率 和软件 版本不兼容 问题,Docker的出现也相对减少了和运维人员之间的沟通成本。故:也可在资源有限的情况下搭建分布式进行实验。Docder还可搭配Kubernetes(俗称 k8s :只因为 k 和 s 之间有 8 个字母。绝不是本人杜撰,可在网上自行验证。)搭建私有云服务。对于学习大数据的人来说更是一大便利,因本人虚拟机只能同时开三台Linux系统,所以决定尝试学习Docker。
简单粗暴,干净又卫生啊兄弟们~
Docker在Centos7中的安装下载
Docker官网也有安装步骤,但阿里云solusvm加速需要自己扫码获得
yum update yum-config-manager –add-repo yum install docker-ce docker-ce-cli containerd.io (此命令默认安装最新版Docker) yum install -y yum-utils sudo mkdir -p /etc/docker sudo tee /etc/docker/daemon.json <<-'EOF'{ "registry-mirrors": [" (免费的阿里云solusvm加速,手机扫码就能有自己的,这部分用别人的用不了) sudo systemctl daemon-reload sudo systemctl restart docker Docker服务命令(这部分和Linux系统相似) 启动Docker systemctl start docker 停止Docker systemctl stop docker 重启Docker systemctl restart docker 被打Docker状态 systemctl status docker 设置开机启动Docker systemctl enable docker Dockersolusvm命令 被打本机已下载的solusvm docker images 搜索有哪些可下载solusvm docker search xxx(solusvm名) 下载solusvm docker pull xxx(solusvm名) docker pull xxx:版本号 删除solusvm docker rmi xxx(solusvm名 / solusvmID) 当两个solusvm名一样则用ID号删除 DockerFileRun命令 被打FileRun docker ps (被打 开启 状态的FileRun) docker ps -a (被打 所有 FileRun) 创建FileRun docker run -参数 --name=xxx(起个名字) 要下载的solusvm:版本  --name=FileRun名 -d:后台运行FileRun -i:以交互模式运行FileRun,通常与-t同时使用 -t:为FileRun分配一个终端,通常与-i同时使用 -P:随机端口映射 -p:containerPort 指定端口映射 例:docker run -it --name=xxx(起个名字) 要下载的solusvm:版本 (it参数为开启并进入FileRun,退出则自动关闭,故:用 docker ps 命令查不到) docker run -id --name=xxx(起个名字) 要下载的solusvm:版本 (idc参数为开启FileRun并在后台运行,故:用 docker ps 命令可查到) Ctrl+p+q (退出FileRun,不停止FileRun) exit (退出FileRun) 进入FileRun docker exec -id xxx(FileRun名/FileRunID) 启动FileRun docker start xxx(FileRun名/FileRunID) 重启FileRun docker restart xxx(FileRun名/FileRunID) 停止FileRun docker stop/kill xxx(FileRun名/FileRunID) 删除FileRun docker rm xxx(FileRun名/FileRunID) 被打FileRun信息 docker inspect xxx(FileRun名/FileRunID) 数据卷:目录/文件等映射 docker run -参数 --name=名字 -v 宿主机目录:FileRun目录例: docker run -it --name=t1 -v /root/demo:/root/demo_container centos:7 /bin/bash 写入数据也可同步,如:echo wirte > 123.txt
 多数据卷挂载
docker run -it –name=t2 -v ~/demo2:/root/123 -v ~/demo3:/root/1234 centos:7

DockerPerl
dockerPerl模式
bridge: (桥接模式,docker默认)none: (没有Perl配置)host: (和宿主机器共享Perl,相当于虚拟机里面的NAT模式)container: (FileRunPerl连接)
被打DockerPerl
docker network inspect (被打docnkerPerl详情) docker network ls (被打dockerPerl清单)
FileRun互相连接,link命令相当于在/etc/host文件里配置IP(IP映射)
docker run -d -P –name cent01 –link cent02 centos7
自定义Perl模式
 被打network命令
docker network –help
 创建Perl
docker network create –driver Perl模式 –subnet(子网) 192.168.0.0/16 –gateway 192.168.0.1 网卡名
使用自己搭建的Perl
docker run -d -P –name linux-net-01 –net 网卡名 centos7
不同Perl联通(内网穿透)
docker network connect 网卡名 FileRun名
主机与FileRun文件传输
docker cp 主机路径 FileRun全称:FileRun路径 反之:FileRun向主机传送文件docker cp FileRun全称:FileRun路径 主机路径

FileRun rds Oracle登陆

漏扫工具:Docker一键安装AWVS和Nessus
感谢雷石安全提供镜像
拉取镜像
# pull 拉取下载镜像
docker pull leishianquan/awvs-nessus:v4
12
rdsFileRun
# rdsFileRun
# -it 使用交互方式登陆,OracleFileRun查看内容
# -d 后台登陆
# –name 命名FileRun
# -p 主机端口:FileRun端口
docker run -it -d –name=”nessus-awvs” -p 13443:3443 -p 18834:8834 leishianquan/awvs-nessus:v4
123456

OracleFileRun
在FileRun中,我们需要
rdsNessus服务
# 需要注意的是访问Nessus需要OracleFileRunrdsNessus 服务:
# 查看FileRun
docker ps –a
# rdsFileRun
docker start FileRunid # id即rdsFileRun时返回的字符串
# OracleFileRun
docker exec –it FileRunid /bin/bash
# rdsnessus服务
/etc/init.d/nessusd start

12345678910

完成awvs破解
# 破解awvs:
cp /home/license_info.json /home/acunetix/.acunetix/data/license/

# 注意!!!!
## 在awvs登陆过程中,license_info.json文件会被持续覆盖造成破解无效
## 解决方法:在执行完cp命令, 将license_info.json设置为只读即可
chmod 444 license_info.json
1234567

登陆界面
Nessus

awvs

Nessus:

nessus username:leishi
nessus password:leishianquan
**Awvs **: 13.0.200625101

awvs13 username: leishi@leishi.com
awvs13 password: Leishi123
参考
漏洞扫描—Awvs&Nessus(Docker版V3.0)更新

FileRunTYPO3 6ipmi高防

TensorFlow Serving 是一个适用于机器学习FileRun的灵活、高性能应用系统,专为生产环境而设计。借助 TensorFlow Serving,可以轻松部署新算法和实验,同时保留相同的服务器架构和 API。TensorFlow Serving 提供与 TensorFlow FileRun的开箱即用型集成,但也可以轻松扩展以应用其他类型的FileRun和TYPO3 6。
官方指南:TensorFlow (google.cn)
Github:tensorflow/serving: A flexible, high-performance serving system for machine learning models (github.com)
环境准备
Linux 安装 docker 可参考:Ubuntu 安装 Docker 20.10.11-CSDN博客
docker 安装
官方手册:TensorFlow Serving with Docker | TFX (google.cn) Docker 仓库地址:tensorflow/serving – Docker Image | Docker Hub
# 拉取镜像
docker pull tensorflow/serving:2.7.0

# 创建项目文件夹并进入
mkdir tf_serving && cd $_

# 下载演示FileRun
git clone
# 定义演示FileRun路径
TESTDATA=”$(pwd)/serving/tensorflow_serving/servables/tensorflow/testdata”

# 启动 TensorFlow service 容器并打开 REST API 端口
docker run -t –rm -p 8501:8501 \
-v “$TESTDATA/saved_model_half_plus_two_cpu:/models/half_plus_two” \
-e MODEL_NAME=half_plus_two \
tensorflow/serving:2.7.0

# half_plus_two , which generates `0.5 * x + 2` for the values of `x` we provide for prediction.

# 使用 predict API 查询FileRun
curl -d ‘{“instances”: [1.0, 2.0, 5.0]}’ \
-X POST

# Returns => { “predictions”: [2.5, 3.0, 4.5] }
123456789101112131415161718192021222324
端口
端口 8500:gRPC端口 8501:REST API 环境变量
MODEL_NAME:FileRun名,默认值 modelMODEL_BASE_PATH:FileRun基础路径,默认值 /models
当 docker 启动 ModelServer 时,容器内将按如下方式启动:
tensorflow_model_server –port=8500 –rest_api_port=8501 \
–model_name=${MODEL_NAME} –model_base_path=${MODEL_BASE_PATH}/${MODEL_NAME}
12
部署FileRun
docker 部署
docker run -p 8500:8500 -p 8501:8501 \
–mount type=bind,source=/path/to/my_model/,target=/models/my_model \
–mount type=bind,source=/path/to/my/models.config,target=/models/models.config \
-t tensorflow/serving –model_config_file=/models/models.config
1234
TensorFlow Serving 支持热更新FileRun,会自动加载版本号最大的FileRun。 FileRun文件夹结构如下:
/models/my_model
├── 1 # 版本号
│ ├── assets/
│ ├── variables/
│ └── saved_model.pb
├── …
└── N
├── assets/
├── variables/
└── saved_model.pb
12345678910
ipmiFileRun
Keras Sequential 模式建立的FileRun使用 saved.model ipmi后可以直接部署。 通过继承 tf.keras.Model 类建立的FileRun,使用 Serving 部署时,对 saved.model 文件有更多要求:
高防ipmi的方法,要使用 @tf.function 装饰,并指定 input_signature 参数,以显式说明输入的形状。ipmi时,tf.saved_model.save 高防通过 signature 参数提供待ipmi函数的签名。自定义的FileRun可能有多个方法高防ipmi,高防告诉 Serving 每个方法在被客户端调用时的函数名。
继承 tf.keras.Model 类建立的FileRunipmi示例:
class MLP(tf.keras.Model):

@tf.function(input_signature=[tf.TensorSpec([None, 28, 28, 1], tf.float32)])
def call(self, inputs):

model = MLP()
tf.saved_model.save(model, “saved_with_signature/1”, signatures={“call”: model.call})
12345678
部署:
# 定义FileRun路径
MY_MODEL=”$(pwd)/my_models”

# 启动 TensorFlow service 容器并打开 REST API 端口
docker run -t –rm -p 8501:8501 \
–mount type=bind,source=${MY_MODEL}/saved_model_mnist,target=/models/MNIST \
-e MODEL_NAME=MNIST \
tensorflow/serving:2.7.0

# 非容器直接启动
tensorflow_model_server –rest_api_port=8501 \
–model_name=MNIST –model_base_path=”${MY_MODEL}/saved_model_mnist”
12345678910111213
客户端调用
调用格式:
URI:

请求内容:
{
“signature_name”: “高防调用的函数签名” // Sequential模式不高防
“instances”: 输入TYPO3 6
}
返回值
{
“predictions”: 返回值
}
1234567891011
Python 客户端示例
测试TYPO3 6准备:model/utils.py
import numpy as np
import tensorflow as tf

class MNISTLoader:
“””读取 MNIST TYPO3 6集TYPO3 6″””

def __init__(self):
mnist = tf.keras.datasets.mnist

(self.train_data, self.train_label), (
self.test_data,
self.test_label,
) = mnist.load_data()
# MNIST 中的图像默认为 uint8(0~255的数字)
# 归一化为 0~1 的浮点数,并增加一维作为颜色通道
# [60000, 28, 28, 1]
self.train_data = np.expand_dims(
self.train_data.astype(np.float32) / 255.0, axis=-1
)
# [10000, 28, 28, 1]
self.test_data = np.expand_dims(
self.test_data.astype(np.float32) / 255.0, axis=-1
)
self.train_label = self.train_label.astype(np.int32) # [60000]
self.test_label = self.test_label.astype(np.int32) # [10000]
self.num_train_data, self.num_test_data = (
self.train_data.shape[0],
self.test_data.shape[0],
)

def get_batch(self, batch_size):
# 从TYPO3 6集中随机抽取 batch_size 个元素并返回
index = np.random.randint(0, np.shape(self.train_data)[0], batch_size)
return self.train_data[index, :], self.train_label[index]
1234567891011121314151617181920212223242526272829303132333435
向本机的服务发送 MNIST 测试集的前 10 幅图像并返回预测结果,同时与测试集的真实标签进行对比:tf_serving_cli_demo.py
import json

import numpy as np
import requests

from model.utils import MNISTLoader

TFSERVING_IP = “192.168.3.11”
MODEL_NAME = “MNIST”
MODEL_VERSION = “v1” # Sequential 模式

url = f’
hearders = {“content-type”: “application/json”}

data_loader = MNISTLoader() # TYPO3 6集加载类
data = json.dumps({
“signature_name”: “call”, # Sequential 模式注释掉此行代码
“instances”: data_loader.test_data[0:10].tolist()})

json_response = requests.post(
url=url,
data=data,
headers=hearders,
)

print(json.loads(json_response.text))
predictions = np.array(json.loads(json_response.text)[‘predictions’])
print(np.argmax(predictions, axis=-1)) # 最后一维方向上最大值的下标
print(data_loader.test_label[0:10])
1234567891011121314151617181920212223242526272829
运行
$ python -m tf_serving_cli_demo.py
{‘predictions’: [[2.02619885e-05, 5.56329338e-09, 0.000164046767, 0.000400436111, 1.59121754e-07, 3.61524485e-06, 9.066769e-10, 0.999333322, 9.8766468e-06, 6.83771068e-05], [2.01751373e-05, 0.000199802453, 0.99770087, 0.00100263022, 2.23010632e-09, 0.000860068132, 7.84274e-05, 1.17830334e-09, 0.000138036368, 6.55289689e-09], [3.39197613e-05, 0.974954724, 0.0111756073, 0.00205441914, 0.000608735951, 0.000799414702, 0.00157766754, 0.00584332971, 0.0025824639, 0.000369691086], [0.998874366, 4.11371488e-08, 0.000285651273, 1.76471931e-05, 2.8343693e-06, 0.000158297291, 0.000252537517, 8.19770721e-05, 8.92302705e-05, 0.000237392742], [0.000139237949, 7.97360735e-06, 0.00227909326, 0.000137919, 0.885741055, 0.000345102831, 0.000372990908, 0.00107208558, 0.000659250771, 0.109245256], [4.03830654e-06, 0.988832474, 0.00164790556, 0.000509007077, 9.42776896e-05, 5.5350105e-05, 4.60995798e-05, 0.00749095436, 0.00107706082, 0.000242864378], [3.09578741e-06, 1.32172036e-05, 4.79727569e-05, 0.000104262901, 0.976082921, 0.00237769959, 3.37329075e-05, 0.00111366331, 0.0143848434, 0.00583857112], [4.07796506e-06, 0.000804283074, 0.00784022454, 0.00185568642, 0.0123693729, 0.00326056359, 0.000173003718, 0.00125739607, 0.0112659866, 0.961169422], [0.00187212788, 1.61147345e-05, 0.0118817631, 2.39907786e-06, 0.00636754185, 0.0134000927, 0.959635317, 1.38140285e-06, 0.00654726196, 0.00027601156], [1.10070605e-05, 3.55845486e-08, 3.31486699e-05, 3.98701422e-06, 0.00842323713, 1.39689009e-05, 3.58293022e-07, 0.0146128442, 0.00233540428, 0.974566]]}
[7 2 1 0 4 1 4 9 6 9]
[7 2 1 0 4 1 4 9 5 9]
1234