Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >私人云盘搭建手记(三)

私人云盘搭建手记(三)

作者头像
简单并不简单
发布于 2020-02-17 06:38:13
发布于 2020-02-17 06:38:13
2.6K00
代码可运行
举报
运行总次数:0
代码可运行

哈喽!各位小伙伴大家好呀!

上期已经讲到能内网访问你的私人云盘了,

而有云主机的朋友应该外网也能通过IP访问了。

本期就继续完善私人云盘。

写在前面

使用家庭宽带的用户,大多都没有外网IP,本期就来聊聊怎么使用反向代理,让你的私人云盘能在外网访问,反向代理其实还有很多用途,感兴趣可以去搜索引擎查一查。

本系列内容中所有使用到的系统和工具,

可以在公众号回复关键字“私人云”获取到下载地址。

反向代理实现外网访问

如果你不想注册域名,只是想能外网访问就好了,那小编推荐你使用ngrok的反向代理服务,国内大概有两三个提供免费服务的网站,小编觉得逐梦工作室提供的免费ngrok服务很不错,期间小编因为出现问题,还联系过网站管理员,管理员小哥哥很快就帮小编处理了问题,点赞!

网站的官网是:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
http://ngrok.zmide.com

进入后直接点击开始使用,然后点击Linux64位下载。

下载完成后,得到一个压缩包,此时,登陆进入宝塔面板,点击“文件”,点击“www”目录,然后把压缩包上传进去并解压。

解压后得到一个文件夹,如果你觉得文件夹名太长,可以改短一点,看你喜好。

解压完成后,使用putty登陆服务器,然后使用cd命令进入到刚才解压的软件目录。

登陆到服务器以后,输入以下命令回车,然后进入到软件目录。

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
cd /www/zm_ngrok_linux_64
#这里的zm_ngrok_linux_64就是刚才解压出来的默认目录名,
#如果你更改过,就换成你更改的目录名       

由于小编没有更改文件夹的名字,所以文件名较长,接下来就是启动反向代理。

复制以下命令,到putty窗口执行

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
./ngrok -config=ngrok.cfg -subdomain test 80

( test 是你连接注册的的域名前缀,如果连接失败可以换个前缀,这个前缀需要你自己设置,只要没人使用,你就能使用。 )

如果开启成功,就可以使用( http://test.durl.ga/ )域名来访问你本机的 127.0.0.1:80 的服务。

成功后就会显示如下界面。

这时,千万不要关闭putty的窗口,回到宝塔面板,点击网站,然后点击设置。

把刚刚创建的域名添加进去。

(注意:如果你更换了域名,也一定记得在这里添加新更改的域名,否则会无法访问到你的网站)

然后关闭设置窗口,打开软件商店,点击已安装,找到Apache,点击设置,重启。(一旦添加了新的域名,也要记得重启Apache服务,这样才能应用成功。)

重启完成后,打开浏览器,输入你刚刚创建的域名,小编这里测试用的是“http://test.durl.ga/”,稍等一会,就能访问到你的私人网盘了。

到这里,私人云盘就实现外网访问了,虽然使用的ngrok服务提供的二级域名,但是好在省事。

有认真阅读的小伙伴应该注意到了,小编刚才说千万不要关闭putty的窗口,为什么呢?因为一旦关闭,ngrok的服务就会停止,那总不能一直开着吧?好在有一个工具,能让其后台运行。

screen这个命令就可以让程序后台运行。

现在回到putty窗口,现在可以看到刚才访问测试的域名后,程序有log记录,此时我们先按“Ctrl+c”退出ngrok程序,回到命令行窗口。

然后输入命令:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
yum install screen

回车后开始安装,看到以下界面时,输入“y”然后回车。

安装完成后回到命令输入界面,此时就可以使用screen命令了。

输入

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
screen -S ngrok

注意:S,是大写,是大写,是大写!ngrok只是个名称你想改啥都行。

回车后创建一个名叫ngrok的窗口,然后再重新启动ngrok软件。

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
./ngrok -config=ngrok.cfg -subdomain test 80

注意,其中的test只是测试,如果你正式使用一定创建一个自己的名称。

启动ngrok后,使用快捷键“Ctrl+a+d”退出当前窗口,这时,ngrok程序就在后台默默运行了,这时屏幕也有提示。

想再次回到ngrok程序窗口,输入

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
screen -ls

这个命令可以查看所有使用screen创建的后台程序。

从图中可以看到这里只有一个程序在后台,此时输入

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
screen -r

就可以回到程序窗口,如果你有多个后台程序,可以输入

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
screen -r 程序id

图中的“3338”就是程序ID,输入命令回车后就能回到这个程序的窗口。

如果想程序继续后台运行,就再按一次快捷键“Ctrl+a+d”就可以啦!

当你回到命令行窗口时,就可以关闭putty了,因为ngrok程序已经在后台运行,不会因为你关闭窗口而退出了。

结语

只需要外网访问的朋友,到这里就算是圆满完成任务啦!而还想进一步折腾域名和https的,咱们下期继续!

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-02-04,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 电脑网络小帮手 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
CIKM'23 美团 | DCIN:考虑点击item上下文信息的CTR预估方法
大多数点击率模型聚焦于用户行为建模来提高准确性,往往仅关注与用户发生点击交互的item本身,而忽略被点击item附近同样被展示的其它选品(称为item的上下文),因此导致性能较差。如下图,常见模型只考虑高亮的item本身,忽略了list中同时被展示的其它3个item。为解决这个问题,本文提出了深度上下文兴趣网络(DCIN, Deep Context Interest Network),在构建CTR模型时兼顾考虑item上下文信息,并在离线和在线评估中都取得不错的提升。
秋枫学习笔记
2023/09/11
9780
CIKM'23 美团 | DCIN:考虑点击item上下文信息的CTR预估方法
深度网络CTR建模
CTR预估是现如今的搜索、推荐以及广告中必不可少的一部分,CTR预估的目标是预估用户点击给定item的概率。经过这么多年的发展,CTR预估算法得到了较大的改进,从开始的线性模型LR,发展到带有特征交叉的FM算法,随着深度网络的发展,CTR预估也逐渐发展到如今的基于深度模型的CTR预估,期间出现了较大一批成功在业界得到广泛应用的算法模型,如Wide & Deep,DeepFM,DIN,DIEN等等。
felixzhao
2022/12/30
6550
SIGIR 2021 | 广告系统位置偏差的CTR模型优化方案
美团到店广告平台算法团队基于多年来在广告领域上积累的经验,一直在数据偏差等业界挑战性问题不断进行深入优化与算法创新。在之前分享的《KDD Cup 2020 Debiasing比赛冠军技术方案与广告业务应用》一文[4]中,团队分享了在KDD Cup比赛中取得冠军的选择性偏差以及流行度偏差的解决方案,同时也分享了在广告业务上偏差优化的技术框架。
美团技术团队
2021/07/09
1.2K0
SIGIR 2021 | 广告系统位置偏差的CTR模型优化方案
深度兴趣网络DIN
用户兴趣是推荐系统中非常重要的trigger,在召回阶段,通过召回与用户兴趣相匹配的item,在排序阶段,用户兴趣作为很重要的一个特征维度,与用户兴趣越相似的item将会被排到越靠前的位置。因此,在推荐系统中,对于用户兴趣的建模显得尤为重要。在目前为止,通常采用的方法是对用户的历史行为挖掘,实现对用户兴趣的建模。
felixzhao
2022/05/12
9630
深度兴趣网络DIN
【CTR】DIEN:阿里深度兴趣演化模型
今天阅读的是阿里 2018 年的论文《Deep Interest Evolution Network for Click-Through Rate Prediction》,文章中提出的 DIEN 是之前我们介绍的 DIN 的改进版。
阿泽 Crz
2020/07/21
1.5K0
【CTR】DIEN:阿里深度兴趣演化模型
异构广告混排在美团到店业务的探索与实践
总第494篇 2022年 第011篇 在LBS(Location Based Services, 基于位置的服务)距离约束下,候选较少制约了整个到店广告排序系统的潜力空间。本文介绍了我们从候选类型角度进行候选扩展,通过高性能的异构混排网络来应对性能的挑战,从而提升本地生活场景排序系统的潜能上限。希望能给从事相关方向的同学以启发。 1 背景与简介 1.1 背景 1.2 场景介绍 1.3 挑战与做法简介 2 技术探索与实践 2.1 高性能异构混排系统 2.2 生成式广告组合预估系统 2.3 异构广告冷启动优化
美团技术团队
2022/03/14
9880
美团搜索多业务商品排序探索与实践
随着美团零售商品类业务的不断发展,美团搜索在多业务商品排序场景上面临着诸多的挑战。本文介绍了美团搜索在商品多业务排序上相关的探索以及实践,希望能对从事相关工作的同学有所帮助或者启发。
美团技术团队
2021/11/23
1.1K0
美团搜索多业务商品排序探索与实践
​【CTR】DIN:阿里深度兴趣网络
今天我们学习下阿里的深度兴趣网络(Deep Interest Network,以下简称 DIN),目前很多应用在推荐系统中的模型,都是以 Embedding & MLP 的方法结合,这种方法相对传统机器学习有较好的效果提升,但是在其还是存在一些缺点:
阿泽 Crz
2020/07/21
1K0
​【CTR】DIN:阿里深度兴趣网络
召回和排序模型中的用户行为序列的建模
用户在使用一个APP或者浏览网页的过程中,都是由一些行为构成的,以资讯类为例,通常对一个帖子感兴趣,对于感兴趣的帖子,通常会点击进入查看,或者点击收藏或者对其进行评论,这一系列行为的背后都体现了用户的兴趣,而对用户行为过的帖子的序列的挖掘,能够对用户兴趣的表征。
felixzhao
2022/12/28
1.5K0
美团外卖智能陪伴型导购的探索与实践
相比于其他电商场景,外卖场景对于实时发现和反馈用户兴趣的能力有着更高的要求。近年来,美团外卖算法团队摸索出了一套适用于外卖场景的智能陪伴型导购架构和策略。这一举措已经取得了显著成效,本文将详细介绍外卖搜索技术团队搭建智能陪伴型导购时,所遇到的挑战以及解决思路,希望能对大家有所帮助或启发。
美团技术团队
2023/09/05
6210
美团外卖智能陪伴型导购的探索与实践
推荐算法设计综述
http://www.tensorinfinity.com/paper_178.html
SIGAI学习与实践平台
2019/06/20
1.2K0
推荐算法设计综述
阿里妈妈:定向广告新一代点击率预估主模型——深度兴趣演化网络
导读:本次带给大家分享是阿里妈妈在2018年做的模型上的创新——深度兴趣演化网络(Deep Interest Evolution Network),分享将从以下几个方面展开——
DataFunTalk
2022/05/21
7670
阿里妈妈:定向广告新一代点击率预估主模型——深度兴趣演化网络
20篇最值得一读的深度推荐系统与CTR预估论文
微博上近日流传一个段子,“2020年曾是各大科幻片中遥远的未来,但是现在离这个遥远的未来也只有6个月时间了”。只是借此感慨一下2019年转瞬之间半年的时间已经过去了,目前深度学习火热朝天,深度学习在推荐系统和CTR预估工业界的论文也是一篇接着一篇良莠不齐。
AI科技大本营
2019/07/11
3.2K0
20篇最值得一读的深度推荐系统与CTR预估论文
【AI in 美团】深度学习在美团搜索广告排序的应用实践
AI(人工智能)技术已经广泛应用于美团的众多业务,从美团App到大众点评App,从外卖到打车出行,从旅游到婚庆亲子,美团数百名最优秀的算法工程师正致力于将AI技术应用于搜索、推荐、广告、风控、智能调度、语音识别、机器人、无人配送等多个领域,帮助美团3.2亿消费者和400多万商户改善服务和体验,帮大家吃得更好,生活更好。
美团技术团队
2018/08/01
7710
【AI in 美团】深度学习在美团搜索广告排序的应用实践
深入理解推荐系统:推荐系统中的attention机制
深入理解推荐系统:Fairness、Bias和Debias​mp.weixin.qq.com
Coggle数据科学
2020/11/03
2.2K0
深入理解推荐系统:推荐系统中的attention机制
算法大佬看了流泪,为什么这么好的CTR预估总结之前没分享(下篇)
在广告、推荐系统CTR预估问题上,早期的完全规则方法被过渡到以LR为代表的机器学习方法,为了充分发挥组合特征的价值,在相当长一段时间里,业界热衷于使用LR+人工特征工程。但人工组合特征成本高昂 ,在不同任务上也难以复用。2010年FM因子分解方法的出现解决了人工组合特征的困境,2014年Facebook提出的GBDT+LR也给出了一种利用树模型特点构建组合特征的思路。不过随着深度学习的崛起,2015年以后,借助非线性自动组合特征能力的深度模型,开始成为业内的主流。从经典DNN到结合浅层的Wide&Deep,用于CTR预估的深度模型在近些年间百花盛开,各种交叉特征建模方法层出不穷,Attention机制也从其他研究领域引入,帮助更好的适应业务,提升模型的解释性。在这进化路线之下,核心问题离不开解决数据高维稀疏难题,自动化组合特征,模型可解释。我们梳理了近些年CTR预估问题中有代表性的模型研究/应用成果,并对部分经典模型的实现原理进行详细剖析,落成文字作为学习过程的记录。
炼丹笔记
2021/05/14
2.1K0
算法大佬看了流泪,为什么这么好的CTR预估总结之前没分享(下篇)
8篇论文详解用户历史行为序列建模方法
在推荐系统中,经常需要进行用户对某商品的点击率预测,来给用户推荐最有可能感兴趣商品。这其中需要用到很多特征,例如商品特征、用户特征、上下文特征等。这其中,用户历史行为序列是一个重要特征,经过很多场景的验证,用户历史行为序列会对模型效果带来较大提升。用户历史行为序列,指的是用户历史曾经点击过的商品,按照点击的时间顺序组成的序列。本文汇总了8篇推荐系统中对用户历史行为序列建模的方法,包括DIN、DIEN等经典模型。
圆圆的算法笔记
2022/09/22
3.6K0
8篇论文详解用户历史行为序列建模方法
聊聊推荐系统的链路一致性与position-bias建模
在大多数搜广推场景中,广泛存在着各种各样的 bias。在不同的场景中,不同的 bias 造成的影响不同。比如推荐系统链路中存在的不一致性导致选择性偏差(多目标架构中的多阶段排序过程,存在于端上曝光以前),在端后影响较大的 bias 为曝光 bias、position bias 等。
NewBeeNLP
2023/08/28
1.6K0
聊聊推荐系统的链路一致性与position-bias建模
微信看一看实时相关推荐介绍
作者:谢若冰,腾讯微信研究员 在推荐系统中,用户在一个时间段经常会关注同一个主题。当用户读完一篇文章时,他往往会想要继续阅读和这篇文章相关的拓展文章。然而,传统的推荐系统feed流难以提供这种深度的拓展阅读(相关阅读)功能。这是由于考虑到推荐系统多样性和兴趣试探的要求,主推荐流中的文章往往是经过多种推荐/召回逻辑组成的,代表了用户的不同(潜在)兴趣,很少会出现同一个主题的文章连续出现的情况。 在这类工作中,我们提出了一种新的任务——相关推荐(relevant recommendation sugge
腾讯技术工程官方号
2021/04/09
1.5K0
又是一篇猛货!
Deep Multi-Interest Network for Click-through Rate Prediction(CIKM 2020)
炼丹笔记
2021/05/14
3190
又是一篇猛货!
推荐阅读
相关推荐
CIKM'23 美团 | DCIN:考虑点击item上下文信息的CTR预估方法
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
本文部分代码块支持一键运行,欢迎体验
本文部分代码块支持一键运行,欢迎体验