新闻详情

新闻详情

首页 / 资讯中心 / 详情

9.23作业

发布时间:2026/11/6 22:12:50来源:尧图网络
9.23作业
作业一LVM 实操 企业需求 服务器新增 3 块 20G 硬盘使用 LVM 创建 40G 逻辑卷挂载到指定业务目录。需求 1使用 3 块 20G 新硬盘创建 LVM。2创建 40G 逻辑卷并挂载到 /data。3配置开机自动挂载。4在 /data 中创建测试文件验证读写正常。5模拟磁盘空间不足再新增 20G 硬盘将 LVM 扩容 20G。6扩容后验证 /data 容量是否增加。作业提交要求 ① 提交 操作步骤 关键命令截图 ② 必须包含LVM 创建、/data 挂载、自动挂载、扩容 20G、扩容结果验证。 ③ 截图需清晰能够看到命令和执行结果。 作业二RAID 理论 企业场景 公司服务器需要根据不同业务对性能、数据安全、磁盘利用率的要求选择合适的 RAID 级别。需求分别用自己的语言说明以下 RAID RAID 0 RAID 1 RAID 5 RAID 10 每种 RAID 必须回答 4 个问题 1基本概念它是怎么工作的RAID 0:数据分散到俩块硬盘上工作没有任何备份RAID 1:最少俩个硬盘才能工作俩块硬盘保存的数据是一模一样的一个主盘还有一个类似备份RAID 5:数据分散写入各个盘同时在不同盘上分布存放奇偶校验信息校验信息分散在所有磁盘不单独占用一块盘。一块盘故障时靠剩下盘的数据 校验位可以算出丢失的数据RAID10:先做 RAID1 镜像组再把多组 RAID1 做 RAID0 条带。硬盘数量必须是偶数最少 4 块盘。先两两镜像保证冗余再跨镜像组分片读写提升速度。2优点解决了什么问题RAID 0:速度快磁盘利用率高RAID 1:有冗余任意一块硬盘坏另一块完整保留全部数据数据安全性高RAID 5:成本比 RAID1 低单盘损坏不会丢数据RAID 10:读写性能很强同时拥有镜像冗余可以容忍多块硬盘损坏3缺点有什么不足RAID 0任意一块硬盘损坏全部数据直接丢失风险极高RAID 1:写数据要同时写两块盘成本高RAID 5:最多只能坏 1 块盘如果一块盘损坏重建期间压力很大重建过程中再坏一块盘数据全部丢失RAID 10:空间利用率只有 50%硬盘成本高至少 4 块盘。4企业场景适合用在什么业务环境RAID 0对读写性能要求极高、数据不重要不能存放重要数据RAID 1:数据重要、对可靠性优先读写压力不大的业务RAID 5:读多写少预算有限数据需要保护RAID 10:数据极其重要的业务注意作业要求不能直接复制课本或网上答案必须用自己的语言描述。 最后增加一项 总结如果你是一名企业运维人员在不同生产环境中你会如何选择 RAID 0、1、5、10为什么 提交要求理论描述 企业场景 自己的理解。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/6 6:37:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/6 0:32:51

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/6 1:10:54

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/6 17:25:36

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/6 14:29:05

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/6 14:29:07

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉