设置互信信息 首先添加rac2节点 依次点击 SSH Connectivity ,填写 oracle 密码，最后点击setup，安装程序会自动建立两节点互信 如之前建立过互信需勾选 reuse private and publick key选项
解压 p13390677_112040_Linux-x86-64_3of7.zip 文件提取grid安装文件
需求：四台Linux主机,IP地址为192.168.10.10/11/12/13,配置登录用户的互信 1.各节点ssh-keygen生成RSA密钥和公钥
一般使用scp远程拷贝操作时，需要输入目标服务器的用户名和密码，这个时候可以做linux服务器之间ssh互信配置， 这样在多个linux服务器之间做操作时就可以免密登陆。
公钥认证的基本思想 对信息的加密和解密采用不同的key，这对key分别称作private key（私钥）和public key（公钥），其中，public key存放在欲登录的服务器上，而private key为特定的客户机所持有。当客户机向服务器发出建立安全连接的请求时，首先发送自己的public key，如果这个public key是被服务器所允许的，服务器就发送一个经过public key加密的随机数据给客户机，这个数据只能通过private key解密，客户机将解密后的信息发还给服务器，服务器验证正
之前在《记录一则Linux SSH的互信配置过程》、《Vertica 7.1安装最佳实践（RHEL6.4）》中，都分别提到了配置ssh互信的方法，本文在此基础上进一步整理配置ssh互信的方法，目的是将步骤尽可能的简化，从而更加适合在较大规模的集群中对ssh互信进行快速配置。
阿里云95块钱买的ECS要到期了，续费的话需要1000多。想了想服务器上也没啥重要的东西，于是趁着腾讯云折扣，花了288买了个三年的CVM。CVM就是一个云虚拟机，这里就暂且叫它服务器。
在MySQL搭建MHA高可用架构的时候，需要打通master、slave、以及mha manager之间的ssh互信，通常情况下，运维人员需要手动打通ssh互信，在自动化构建的过程中很不方便。如果可以使用自动化的脚本打通服务器之间的ssh互信，对自动化运维会有很大的帮助。
在N多年前，搭建Oracle RAC环境的时候，其中有一项非常艰巨的任务就是配置节点服务器的互信关系，每次到了这个部分的时候就有点晕，因为文件需要在两个节点间拷过来，拷过去。 每次到了这个部分，就需要打开我的攻略笔记，然后严格按照上面的步骤来完成。到了OCM考试的时候，当时Oracle是提供了一个建立互信关系的脚本，直 接运行即可。搭建的过程省事不少。到了11g的RAC搭建中，在检查项中有一个就是建立互信关系，只需要在界面上点击即可完成。可见互信关系的建立过程是 越来越简化了。 当然回到工作环境中
只需要在管理机上安装，推荐使用 yum install ansible。 被管理机上需要有python环境。
之前写了一篇介绍 Ansible 的文章 ，今天回顾看来写的有些匆忙，一些具体的操作步骤都没有讲明白，不利于读者复现学习。最近又申请了一个几百台机器的环境，正好借此机会把如何在离线环境中使用 Ansible 详细记录一下。
最近是沉迷于TiDB，无法自拔，从TiDB集群部署到集群压测、高可用测试、再到参数调优，最后到线上业务从MySQL迁移到TiDB，整个过程下来，感觉整个学习成本还是比较高，不管是TiDB还是分布式数据库，要学习的内容还是非常的多；本文主要分享生产环境部署TiDB v5.0.3版本集群过程，供大家参考学习；
前言 上篇文章我们介绍了使用pacemkaer+corosync实现简单的nginx高可用， 这篇文章我们介绍如何使用pacemaker+corosync实现MySQL高可用， 并且此次我们手动编辑配
lsof -i:[port] netstat -anp |grep [port]
您或许听说过区块链。但如今网络上的很多内容，如果不结合一些参考资料的话就会难以理解。然后，我就在想“如果有人向我问起区块链，我是否能够跟他讲述清楚？”。如果您也遇到同样的问题，那么这篇文章适合您。 问题 任何技术只有在解决了某个业务问题时才有用，区块链也不例外。区块链可以解决多个问题。 📷 信任 当两方履行一份协议时，有一些方面需要灵活处理。但是，只有相互信任，交易才能高效执行。如果您同意以某个价格从我这里购买 X 个小部件，而且我们已建立信任，则交易会顺利进行。如果缺乏信任，交易通常会变得很复杂，而严重时
前言 基于Keepalived实现LVS双主高可用集群。什么是Keepalived呢，keepalived观其名可知，保持存活，在网络里面就是保持在线了， 也就是所谓的高可用或热备，用来防止单点故障的发生。本文将详细讲述Keepalived工作原理及高可用解决方案的实现。 相关介绍 Keepalived简介 Keepalived采用VRRP(virtual router redundancy protocol，虚拟路由冗余协议)热备份协议，以软件的方式实现linux服务器的多机热备功能。VRRP是针对路由器
在概率论和信息论中，两个随机变量的互信息（Mutual Information，简称MI）或转移信息（transinformation）是变量间相互依赖性的量度。不同于相关系数，互信息并不局限于实值随机变量，它更加一般且决定着联合分布 p(X,Y) 和分解的边缘分布的乘积 p(X)p(Y) 的相似程度。互信息(Mutual Information)是度量两个事件集合之间的相关性(mutual dependence)。互信息最常用的单位是bit。
其中 p(x,y) 是 X 和 Y 的联合概率分布函数，而p(x)和p(y)分别是 X 和 Y 的边缘概率分布函数。
原理 双向,顾名思义,双方互通,此处的意思是多台 linux 两两免密登录.双向比单向多了些操作,单向只需把某一个linux的公钥发送给其他linux即可,而双向要实现集群中的每一台机器都保存其他所有 …
对于两个随机变量，MI是一个随机变量由于已知另一个随机变量而减少的“信息量”（单位通常为比特）。互信息的概念与随机变量的熵紧密相关，熵是信息论中的基本概念，它量化的是随机变量中所包含的“信息量”。
环境：HP-UX 11.31 + GI 11.2.0.4 + Oracle 11.2.0.4 背景：本文只对HP-UX平台安装11g RAC环境过程中，针对一些跟Linux平台有差异的地方进行简单记录备忘。 关于安装部署11g RAC的完整过程可参考：http://www.cnblogs.com/jyzhao/p/4679203.html
聚类算法的理想结果是同一类别内的点相似度高，而不同类别之间的点相似度低。聚类属于无监督学习，数据没有标签，为了比较不同聚类模型的好坏，我们也需要一些定量的指标来进行评估。根式是否提供样本的标签信息，相关的指标可以分为以下两大类
近些年的顶会，出现了一部分利用互信息取得很好效果的工作，它们横跨NLP、CV以及graph等领域。笔者最近也在浸淫（meng bi）这一方向，在这里和大家简要分享一些看法，如有雷同，不胜荣幸。
波哥想了一下确实双向互信这个场景是存在的，也是普遍的。那么就顺手优化了一下这个脚本。
那么什么是互信息呢？变量x与变量y之间的互信息，可以用来衡量已知变量x时变量y的不确定性减少的程度，同样的，也可以衡量已知变量y时变量x的不确定性减少的程度。
在CentOS 7系统中，服务器之间实现互信一般使用SSH协议。SSH协议（Secure Shell）是一种网络协议，用于在不安全的网络中提供安全的加密通信和身份验证。通过SSH协议，可以在本地主机上执行命令，然后将结果传输回远程主机。
熵可以从随机变量状态需要的平均信息量角度理解, 也可以从描述统计力学中无序程度的度量角度理解.
AI 科技评论按：深度学习的发展带给人工智能领域的影响可谓是革命性的，然而该领域目前还存在很多未解决的问题，其中就包括不可解释性等问题。而希伯来大学计算机科学家和神经学家Naftali Tishby 等人提出的「信息瓶颈」理论，则尝试来解决神经网络的一系列问题，自提出以来便一直受到 AI 界的广泛关注。IBM 研究院也开展相关研究来分析这一理论，以期能够解决神经网络中的某些问题，相关成果发表在 IBM 研究院官网博客上，AI 科技评论编译如下。
最近几篇论文都提出了学习一个默认的减轻认知负担的default policy；就像人默认情况直走即可，特殊情况才需要调整：有人，有车，有拐弯等；特殊情况就是decision states，这些情况下面需要重新决策切换行动的方式，要停下还是拐弯等；
关于相似性以及文档特征、词特征有太多种说法。弄得好乱，而且没有一个清晰逻辑与归类，包括一些经典书籍里面也分得概念模糊，所以擅自分一分。
Variational Discriminator Bottleneck: Improving Imitation Learning, Inverse RL, and GANs by Constraining Information Flow.（ICLR 2019高分论文） 首先讲一下需要了解的知识： A.信息瓶颈 他的原理是，在信息传播过程中，设置一个瓶颈，通过这个瓶颈的信息是有限的，然而仅用这些有限的信息还要完成分类或者回归的任务，所以流过瓶颈的这些“有限的信息”肯定是最重要，少而精的。通过信息瓶颈，可以获取到重要特征。 B.互信息 三种理解1)互信息度量 x 和 y 共享的信息。2）y的发生给x的不确定度的减少，也就是x如果发生能够带来的信息量减少了。就好比扔骰子，y是扔出偶数，x是扔出6。原本x能带来的信息量比发生y后要多，而这部分减少的信息量叫做互信息。3）如下图所示，A和B的交，I（X，Y）表示为互信息。
生活中、工作中，有时候总需要随机生成一些字符串，如果只是一两条还好，多了就不容易搞…… 对于开发人员可能没什么问题，但对于不是程序员的我们应该怎么做呢？ 答案很简单，一个Shell脚本就能实现
主要是基于图深度学习的入门内容。讲述最基本的基础知识，其中包括深度学习、数学、图神经网络等相关内容。该教程由代码医生工作室出版的全部书籍混编节选而成。偏重完整的知识体系和学习指南。
最大信息系数 maximal information coefficient (MIC)，又称最大互信息系数
--initial-advertise-peer-urls http://192.168.1.17:2380 \
TSINGSEE青犀视频的各个平台都能支持前端设备通过WiFi、4G、网线的方式接入网络，其中，WiFi传输对网络范围及网络稳定性要求较高，因此在场景应用中，较为常见的还是网线和4G传输。
在意识层面上，智能体并不在像素和其他传感器的层面上进行预测和规划，而是在抽象层面上进行预测。因为语义相关的比特数量（在语音中，例如音素、说话者的身份、韵律等）只是原始信号中总比特数的一小部分，所以这样可能更合适。
继上篇的介绍了特征筛选中的TF-IDF与信息增益后，本篇继续介绍卡方检验和互信息。
MIC 即：Maximal Information Coefficient 最大互信息系数。 使用MIC来衡量两个基因之间的关联程度，线性或非线性关系，相较于Mutual Information（MI）互信息而言有更高的准确度。MIC是一种优秀的数据关联性的计算方式。本篇文章将会详细介绍MIC的算法原理，优缺点以及Python的具体实现方式，并给出一个可视化方案。
本文利用信息论中的信息瓶颈（这边可以理解为互信息，文中用到的都是互信息）理论结合因果推断中的因果图，来对推荐系统进行纠偏。纠偏的背景就不过多介绍了，简而言之就是，反馈和推荐之间关系，以及热门和冷门item对推荐的影响。具体案例可以看前几篇纠偏相关文章。
oracleAllSilent_$(date +"20%y%m%d%H%M%S").log
有失真信源编码的数学模型如下图所示，将编码过程看成信息经过有扰信道传输的过程。信道输出 Y 即为编码输出。
国标GB视频平台/视频云存储/安防监控EasyCVR视频汇聚平台基于云边端智能协同，支持海量视频的轻量化接入与汇聚、转码与处理、全网智能分发、视频集中存储等。在视频监控播放上，TSINGSEE青犀视频安防监控汇聚平台可支持1、4、9、16个画面窗口播放，可同时播放多路视频流，也能支持视频定时轮播。为了便于用户二次开发、调用与集成，我们也提供了丰富的API接口供用户使用。
最近IDC上架了一批hadoop大数据业务服务器，由于集群环境需要在这些服务器之间实现ssh无密码登录的相互信任关系。具体的实现思路：在其中的任一台服务器上通过"ssh-keygen -t rsa"产生公私钥文件，然后将公钥文件拷贝成authorized_keys文件，最后将它的.ssh目录下的文件全部批量拷贝到其他服务器的/root/.ssh目录（即当前用户家目录的.ssh）下即可。这批hadoop服务器的ssh端口默认都是22，密码默认都是kevin123456，ip列表如下: 192.168.10.2
熵的概念比较晦涩难懂。但是，我们还是想最大化的用容易理解的语言将它说明白。尽量不要让这部分知识成为大家学习的绊脚石。
【导读】专知于11月24日推出胡老师的基于信息理论的机器学习报告系列教程，大家反响热烈，胡老师PPT内容非常翔实精彩，是学习机器学习信息理论不可多得的好教程，今天是胡老师为教程的第三部分（为第四章内容）进行详细地注释说明，请大家查看！ ▌概述 ---- 本次tutorial的目的是，1.介绍信息学习理论与模式识别的基本概念与原理；2.揭示最新的理论研究进展；3.从机器学习与人工智能的研究中启发思索。由于时间有限，本次只是大概介绍一下本次tutorial的内容，后续会详细介绍每一部分。 胡老师的报告内容分为三
支持多台主机进行互信，创建一个 sshhostList.cfg 文件，将需要配置互信的主机IP写入：
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
对象存储
云直播
