aptakube使用
安卓抓包(微信小程序)
我的手机是Android10,需要将证书从用户移动到系统,但是MT管理器和RE管理器和adb,移动都会挂载失败,然后网上去搜索后,才知道,Android10对于/system目录只有读的权限。
解决方法:用magisk的模块movecert(https://github.com/Magisk-Modules-Repo/movecert),我的magisk版本为25.2,本地安装一直报unzip error,我就放弃直接用magisk安装,然后找到一个magisk的模块,可以代替magisk安装,FoxMagiskModuleManager(https://github.com/Fox2Code/FoxMagiskModuleManager)。可以在我分享的网盘链接下载链接:https://pan.baidu.com/s/1U_g536YICT3q-bcdMROzbg
提取码:xzcc。
安装方法:1.安装apk,2.将zip adb push 到手机,3.打开apk,安装zip,重启手机,4.打开加密与凭证,就可以看到证书移动到系统里了
参考:
linux配置代理
Dockerd 代理
在执行docker pull时,是由守护进程dockerd来执行。因此,代理需要配在dockerd的环境中。而这个环境,则是受systemd所管控,因此实际是systemd的配置。
sudo mkdir -p /etc/systemd/system/docker.service.d
sudo touch /etc/systemd/system/docker.service.d/proxy.conf
在这个proxy.conf文件(可以是任意*.conf的形式)中,添加以下内容:
1 | [Service] |
pod公网出口ip自定义
阿里云pod绑定固定出口ip
开启eip功能
https://help.aliyun.com/document_detail/200610.html?spm=a2c4g.443632.0.i4#section-jp3-5or-n4s
1 | spec: |
只支持1个pod挂载,并且可以通过公网访问容器内服务 或者给2个容器,不同的ip组成高可用
以下介绍为Pod配置公网IP的具体操作:
- 弹性公网IP支持为指定Pod配置出公网IP。具体操作,请参见为Pod挂载独立公网EIP。
- 公网NAT网关支持为一组Pod配置相同出公网IP。具体操作,请参见配置Terway网络下节点级别网络和为Pod配置固定IP及独立虚拟交换机、安全组。
自签证书
生成证书
1 | # ⽣成根证书私钥 |
openresty lua 使用
简单例子
wrk压测工具使用
wrk 是一种现代 HTTP 基准测试工具,能够在单个多核 CPU 上运行时产生大量负载。它将多线程设计与可扩展的事件通知系统(如 epoll 和 kqueue)相结合。
基本用法
这运行基准测试 30 秒,使用 12 个线程,并保持 400 个 HTTP 连接打开。
1 | wrk -t12 -c400 -d30s http://127.0.0.1:8080/index.html |
-c, –connections:保持打开状态的 HTTP 连接总数
每个线程处理 N = 连接/线程
-d, –duration: 测试持续时间,例如 2 秒、2 米、2 小时
-t, –threads:要使用的线程总数
-s, –script: LuaJIT 脚本,见 SCRIPTING
-H, –header: 添加到请求的 HTTP 标头,例如 “用户代理:wrk”
–latency:打印详细的延迟统计信息
–timeout:如果在时间内没有收到响应,则记录超时
这段时间。
基于PaddleServing的 PaddlePaddle+PaddleOCR服务化部署(k8s)
官方文档
https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.6/deploy/pdserving/README_CN.md
https://github.com/PaddlePaddle/Serving/blob/v0.8.3/doc/Latest_Packages_CN.md
PaddlePaddle是一个深度学习框架,提供了丰富的深度学习模型和工具,可以让用户快速构建、训练和部署深度学习模型。PaddlePaddle 支持多种编程语言,包括 Python、C++等,同时还提供了丰富的数据集和工具集,例如预训练模型、模型优化工具等。PaddlePaddle 可以用于各种深度学习应用,包括计算机视觉、自然语言处理、推荐系统等。
PaddleServing 则是一个用于部署深度学习模型的开源服务器,它可以将训练好的深度学习模型转换为可以被部署到生产环境中的格式,例如 HTTP API、Docker 容器等。PaddleServing 支持多种深度学习框架,包括 TensorFlow、PyTorch 等,同时还提供了丰富的功能,例如模型优化、量化、调参等。PaddleServing 可以帮助用户快速构建深度学习应用程序,并方便地进行部署和扩展。