- 综合排序
- 最热优先
- 最新优先
- 来自专栏皮振伟的专栏
qemu-nbd技术分析
本文先提供使用qemu-nbd修改镜像文件的方法，再分析qemu-nbd的实现。 分析： 1，qemu-nbd 使用qemu-nbd之前，需要先确认当前环境上是不是支持linux nbd： ls /dev/nbd*来确认是不是已经支持nbd了。 modinfo nbd命令来确认nbd模块是不是在当前环境中已经存在。 modprobe nbd nbds_max=64命令用来加载nbd模块，后面的参数nbds_max=64是为了告诉linux默认生成64个nbd device。 qemu-nbd -c /dev/nbd0 ubuntu-server.qcow2命令是让/dev/nbd0连接到ubuntu-server.qcow2上。
7.4K60发布于 2018-04-09 - 来自专栏三木的博客
NBD-网络块设备
本地操作系统必须是linux，而且要支持Linux内核NBD驱动，并且能够运行本地客户端进程。安装NBD可被用来进行远程存储和备份，而且能用来在地球的任意一个角落虚拟地传送物理设备。 ? 图1.NBD在本地客户端代表远程资源 NBD有一些UNIX系统组件的经典特征：简单、小巧、多功能。文件系统能被挂载到NBD上（图1），而且NBD设备也能够用来组成冗余磁盘阵列（RAID）。 NBD与NFS在一个端口上的写传输速率比较 挂载到NBD上的Linux EXT2文件系统，缓冲区大小接近1.5KB，其性能赶得上默认条件下的NFS。 NBD因为使用TCP而不是UDP作为传输协议而具有很好的恢复力。TCP包含它固有的一致性以及恢复机制，因而比UDP协议庞大。但对NBD来说，TCP的开销会被它节省的重新传输和校正码所需带宽抵消。 NBD连接随后会被重新修复，A上的分区X将会重新和NBD镜像Y保持同步。主服务器RAID-1设备会被重新调度，NBD镜像也会重新从属于它。邮件服务将会以默认的配置恢复。
2.3K90发布于 2018-02-07 - 来自专栏运维一切
让k8s使用nbd挂载ceph的块存储 原
rbd内核挂载 nbd挂载的方式 优缺点：rbd内核更新速度跟不上nbd和librbd的更新速度，imageFormat=2的很多特性rbd内核都不支持，另外从稳定性上来说，nbd模块+librbd的方式比较老牌了 k8s在处理rbd store的执行器上,rbd和rbd-nbd都是同时支持的，但是代码上没有这个开关，只有在里面做了一个是否安装rbd-nbd的依赖判断，look this: // Check if "nbd") if err ! 更多，rbd.ko需要同时依赖ceph.ko libceph.ko，nbd的方式nbd.ko是大多数内核默认支持的，librbd仅仅是个本地库而已。 另外rbd-nbd尽可能使用L版的，J版的rbd-nbd好像代码只实现了基本功能，很多参数不支持，这会导致k8s对nbd的一些报错。
2.4K50发布于 2019-04-19 - 来自专栏运维小路
kvm-案例(找回数据)
方法2 使用nbd方式 1.加载nbd内核 #加载nbd内核 [root@localhost ]# lsmod | grep nbd [root@localhost ]# sudo modprobe nbd [root@localhost ]# lsmod | grep nbd nbd 73728 0 2.使用nbd挂载磁盘 #具体路径和名字以现场为准 [root@ localhost ]# qemu-nbd -c /dev/nbd0 /data/image/kvm31.202.qcow2 [root@localhost nbd]# ll /dev/nbd0* brw-rw ---- 1 root disk 43, 0 Nov 12 23:43 /dev/nbd0 brw-rw---- 1 root disk 43, 1 Nov 12 23:43 /dev/nbd0p1 brw-rw 3.扫描pv [root@localhost nbd]# pvscan PV /dev/nbd0p2 VG centos lvm2 [<19.00 GiB / 0 free] Total
37400编辑于 2024-11-18 - 来自专栏WalkingCloud
如何恢复故障KVM虚拟机qcow2磁盘镜像文件LVM分区中的数据
接下来进入正题 如何恢复故障KVM虚拟机qcow2磁盘镜像文件LVM分区中的数据 方法一、使用qemu-nbd工具挂载KVM虚拟机的磁盘镜像文件 1. 首先检查当前系统的kernel对NBD模块的支持（NBD:network block device），并加载nbd驱动 Fedora32默认带nbd驱动，CentOS7系统需要手动编译 modinfo nbd 手动加载nbd驱动 modprobe nbd max_part=16 lsmod | grep nbd ? 2、将qcow2镜像映射为网络块设备(nbd) qemu-nbd -c /dev/nbd0 /var/lib/libvirt/images/YF_OS.qcow2 ll /dev/nbd0* ? 3、挂载nbd设备 lsblk lsblk -f 挂载 mount /dev/mapper/vg_centos-lv_data /kvm_data/ ? ?
2.9K63发布于 2020-10-10 - 来自专栏DrugScience
文献阅读-MsbA的变构抑制机制研究
CH2B缺失与NBD的链接，CH1A也没有与NBD形成正常的链接，升高的NBD与两个CH分离，与TMD decoupled TBT1结合细节： 两种TBT1分子一起形成了LPS的非有序模拟物，与LPS TBT1结合后，TMD2（TM1.A、TM2.A、TM3.A和TM6.A）发生变化： TM6.A移动到内部空腔中心，并将连接的NBD.A拖向中心轴。 表现为非对称性，其中一个NBD相对于另一个升高。 G247增加NBD间间隔，并防止MsbA闭合。 G247使NBD间距离增加约13Å。 G247结合的MsbA中NBD间距离的增加预计会降低NBD二聚化效率和ATP酶活性。 TBT1 通过模拟 LPS底物，来增加 NBD区域之间的距离从而激发酶活。
68210编辑于 2023-03-24 - 来自专栏sql与spec性能
虚拟机磁盘挂载，本地映射
本地映射可以通过创建qcow2镜像qemu-img create -f qcow2 test.qcow2 10Gmodprobe nbd [part=8]可以看到多了很多/dev/nbd设备 qemu-nbd -c /dev/nbd0 test.qcow2 #映射到本地 mkfs.ext4 /dev/nbd0 mount /dev/nbd0 /media/nbd0 #挂载到文件系统 umount /media /nbd0 qemu-nbd -d /dev/nbd0 #取消挂载
88100编辑于 2024-01-25 - 来自专栏运维
Jewel版本Ceph集群功能性能测试
p=717 http://elf8848.iteye.com/blog/2089055 测试目标 使用rbd映射挂载块存储并测试性能 使用rbd-nbd映射挂载条带块存储并测试性能 使用s3brower 1000+0 records in 1000+0 records out 4194304000 bytes (4.2 GB) copied, 39.1407 s, 107 MB/s 二、使用rbd-nbd rbd-nbd支持所有的新特性，后续map时也不需要disable新特性，但是linux内核默认没有nbd模块，需要编译内核安装，可以参考下面链接https://blog.csdn.net/miaodichiyou [root@idcv-ceph0 3.10.0-862.6.3.el7.x86_64]# lsmod |grep nbd nbd 17554 5 4、使用 rbd-nbd映射image [root@idcv-ceph0 ~]# rbd-nbd map test_pool/testimage17 /dev/nbd0 [root@idcv-ceph0 ~]#
1.4K20发布于 2018-11-14 - 来自专栏素质云笔记
用户增长 - BG/NBD概率模型预测用户生命周期LTV（二）
概率模型预测用户生命周期LTV（二） 用户增长——Cohort Analysis 留存分析（三） 1 理论 1.1 BG / NBD概率模型介绍 数据运营36计(六)：BG/NBD概率模型预测用户生命周期 BG/NBD模型又称为贝塔几何/负二项模型，BG/NBD 是一个经典模型改进型，详细的数学论证参见：A Note on Deriving the Pareto/NBD Model and Related Expressions BG/NBD模型是用于描述非契约客户关系情境下重复购买行为。 NBD和BG/NBD模型只对客户存续时间和交易次数进行建模，并不涉及客户未来交易所带来的现金价值。 参考文献： BG-NBD MODEL FOR CUSTOMER BASE ANALYSIS IN PYTHON 数据运营36计(六)：BG/NBD概率模型预测用户生命周期LTV，Python实现 使用数据
2K31编辑于 2021-12-07 - 来自专栏DeepHub IMBA
基于Dyna-Q强化学习的智能营销系统：融合贝叶斯生存模型与Transformer注意力机制的电商客户重参与策略优化
BG/NBD模型基于历史订单时间序列估算每个客户的再购买概率，而Transformer模型则接收客户的近期行为序列、状态特征和候选优惠券信息，预测投放该优惠券的净利润。 2、贝叶斯生存模型：BG/NBD框架 BG/NBD模型在本系统中扮演"客户忠诚度评估器"的角色。通过分析客户购买的频率和新近度特征，模型输出客户在给定未来时间窗口内再次下单的概率。 BG/NBD模型不考虑优惠券价值，仅关注客户返回概率；Transformer模型始终考虑优惠券价值，但不估计客户生存概率；Dyna-Q算法依赖两者的组合：BG/NBD提供参与概率，Transformer 系统集成实现 系统实现将BG/NBD生存分析、Transformer注意力模型和Dyna-Q强化学习算法整合为一个完整的工作流程。 生存模型训练 系统首先构建BG/NBD生存模型作为客户活跃度评估的基础。
42010编辑于 2025-08-20 - 来自专栏分布式存储
ceph 分布式存储-块存储(RBD)搭建
deep-flatten dmesg image uses unsupported features: 0x40 不支持特性 0x40 = 64，也就是不支持特性 journaling #rbd-nbd 用户态 yum install kmod-nbd yum install rbd-nbd sudo rbd-nbd map test_pool/test_image RBD特性解析 RBD支持的特性 $ rbd unmap test_pool/test_image 2.6 格式化块设备镜像 $ sudo mkfs.ext4 /dev/rbd1 # sudo mkfs.xfs -f /dev/nbd0
4.5K20发布于 2020-07-20 - 来自专栏Windows技术交流
腾讯云cvm自定义镜像共享给Lighthouse报错"镜像不支持Cloudinit"
问题现象：CVM自定义镜像共享给Lighthouse报错"镜像不支持Cloudinit" 从下图中的2012标准版大概能猜到是老镜像，因为2012标准版下掉很久了 至少2013-2017年的镜像应该都是老的NBD ，不是新的带光驱的cloudbase-init镜像 报错原因：原机器最后一次重装系统（一般查流程记录时过滤instance_reinstall、instance_launch就行）所用镜像或其父镜像是NBD
63110编辑于 2024-03-13 - 来自专栏Windows技术交流
了解早年的腾讯云Windows老镜像特征，改造成新镜像
1927302 http://mirrors.tencentyun.com/install/cts/windows/Drivers.zip 5、没有光驱、网络初始化程序是QcloudService的这种叫NBD （自研safe镜像请忽略这条） 6、安装监控组件，参考https://cloud.tencent.com/document/product/248/6211 （自研safe镜像请忽略这条） 7、确保是NBD 镜像（网络初始化程序是zipconfig_service或QCloudService，且设备管理器里面没有光驱，这样的镜像是NBD镜像），如果已经有QCloudService，也再安装一次QCloudService ，以备不时之需 12、安装补丁 13、多重启几次，确保没有因为安装补丁而出现异常 14、补丁应用成功、无其他异常后，再关机做个快照3，以备不时之需 15、对快照3进行快照转镜像，用这个优化后的、最终的NBD document/product/213/30000 ②对服务器关机 ③联系后端调用vs流程指定参数'targetInstanceInitType': 'cloudinit' 进行冷迁移 ④上步完成后，开机，nbd
2.9K10编辑于 2025-02-27 - 来自专栏数据STUDIO
利用 RFM 和 CLTV 进行客户价值分析
使用 BG-NBD 和 Gamma-Gamma 子模型进行 CLTV 预测 虽然传统的 CLTV 计算依赖于平均值和假设，但更先进的技术（如 BG-NBD（Beta-几何/负二项分布）和 Gamma-Gamma 以下是使用 BG-NBD 和 Gamma-Gamma 子模型预测 CLTV 的示例： 首先，我们导入生命周期库，它提供了拟合和使用 BG-NBD 和 Gamma-Gamma 模型所需的功能，并将客户数据加载到 # 拟合 BG-NBD 模型 # bgf = BetaGeoFitter(penalizer_coef=0.001) bgf.fit(cltv_df[ 'frequency' ], Gamma-Gamma 模型用于隐式估计预期未来收入，利用客户观察到的交易行为和 BG-NBD 模型参数。 # 使用 BG-NBD 和 GG 模型计算 CLTV # cltv = ggf.customer_lifetime_value(bgf,
66710编辑于 2024-07-24 - 来自专栏IT大咖说
VMware业务系统迁移上云方案
在物理云主机内通过内部API，创建临时中转机器，并创建具有系统盘属性的云盘，把挂载的U闪盘当作本地盘，通过qemu-nbd，将U闪盘的系统盘和数据盘分别远程挂载到创建的中转机的两块云盘上（系统盘与数据盘 # yum install epel-release # yum install ntfs* ⑤编译安装NDB 安装NBD可被用来进行远程存储和备份，NBD的驱动程序在本地客户端模拟了一个块设备，比如一个磁盘或者是一块磁盘分区 具体过程如下：使用qemu-nbd的远程磁盘挂载，将U闪盘的数据盘，直接挂载到云盘上。然后将云盘卸载，挂载到对应的客户机器上去。 ①在物理云服务器上将U闪盘的磁盘镜像挂载到nbd的特定端口 # qemu-nbd -r -t -v -f qcow2 -p 5000 web-sdc.qcow2 // 注：5000为端口号，web-sdc # qemu-img convert nbd://10.23.xx.xx:5000 /dev/vdc // 注：10.23.xx.xx为物理服务器内网IP地址，/dev/vdc为新创建的云盘。
3.7K20发布于 2020-12-29 - 来自专栏网络安全技术点滴分享
Linux发行版切换技术全解析
顺便说一下，关键是使用nbd程序挂载虚拟机的磁盘镜像。你确实需要加载nbd模块，如果你有它作为模块，然后使用nbd导出它。从那里，你得到一个可以像任何其他设备一样挂载的设备。 我再次使用nbd将文件从新虚拟机复制到真实的根驱动器。然后我不得不再次完成绑定/挂载/chroot/重新安装的步骤。它启动了吗？它确实启动了。有一些小问题，主要是由于自我造成的问题。
17310编辑于 2025-10-06 - 来自专栏Ceph对象存储方案
Ceph 在 Windows平台下的支持
WNBD基于windows内核驱动，支持基于TCP/IP传输的标准NBD协议，可以实现和Linux NBD服务的兼容，同时也提高更高速率的本地用户和内核通道模式。 CephFS部分 ?
3.4K30发布于 2021-07-20 - 来自专栏Lansonli技术博客
云原生（三十四） | Kubernetes篇之平台存储系统实战
krbd options refer # https://docs.ceph.com/docs/master/man/8/rbd/#kernel-rbd-krbd-options # For nbd options refer # https://docs.ceph.com/docs/master/man/8/rbd-nbd/#options # mapOptions: lock_on_read krbd options refer # https://docs.ceph.com/docs/master/man/8/rbd/#kernel-rbd-krbd-options # For nbd options refer # https://docs.ceph.com/docs/master/man/8/rbd-nbd/#options # unmapOptions: force
1K131编辑于 2022-07-14 - 来自专栏机器学习入门与实战
SVM、随机森林等分类器对新闻数据进行分类预测
从数据库中抽取与某支股票相关的所有新闻文本 将贴好标签的历史新闻进行分类训练，利用训练好的模型对实时抓取的新闻文本进行分类预测 * 新闻爬取（crawler_cnstock.py，crawler_jrj.py，crawler_nbd.py 配好运行环境以及安装MongoDB，最好再安装一个MongoDB的可视化管理工具Studio 3T 先运行run_crawler_cnstock.py，run_crawler_jrj.py，run_crawler_nbd.py
2.9K40发布于 2019-11-20 - 来自专栏HsuHeinrich
基于BG/NBD概率模型的用户CLV预测
基于BG/NBD概率模型的用户CLV预测 小P：小H，我们最近想预测下用户的生命周期价值，有没有什么好的方法啊？ 小H：简单啊，用户每月平均花费用户平均寿命。 ，那好吧，有个BG/NBD概率模型可以依据用户的RFM进行预测 如果你想知道用户是不是流失了呢？还有多少付费潜力呢？在未来某段时间是否会再次购买呢？BG/NBD概率模型都可以解决。 这个模型实际只依赖RFT进行训练和预测，虽然大多数消费数据的概率分布服从假设，但是在使用时应该结合业务数据进行预测效果验证，毕竟和钱相关的任务都是很重要的，不可含糊～ 共勉～ 参考 用户增长 - BG/NBD ] 如何计算用户生命周期价值（CLV）[2] 使用lifetimes进行客户终身价值（CLV）探索[3] 官方案例演示[4] lifetimes官方文档[5] 参考资料 [1] 用户增长 - BG/NBD
96330编辑于 2023-08-10
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号