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 >rocky9.2系统双网关配置方法

rocky9.2系统双网关配置方法

作者头像
jerry_huang
发布于 2025-03-22 01:39:17
发布于 2025-03-22 01:39:17
25000
代码可运行
举报
文章被收录于专栏:运维记录运维记录
运行总次数:0
代码可运行

背景:

因为某些需求一台服务器需要配置两个网段的ip,分别是内网ip和外网ip。要求两个ip都能正常联通,按照正常配置同一个系统只能配置一个网关,只能通一个网段的ip地址。下面记录两个网段ip都能正常联通的方法。

环境:

系统:rockylinux 9.2

内网ip:192.168.30.122/24 gw 192.168.30.254

外网ip:122.103.15.135/26 gw 122.103.15.129

添加路由表

为了给自定义路由表分配一个唯一的标识符(ID),并为这些标识符赋予一个易于识别的名称。这使得在配置和管理多路由表时更加方便和直观。

etc/iproute2/rt_tables 文件的作用

/etc/iproute2/rt_tables 文件用于定义路由表的名称和对应的数字标识符。默认情况下,Linux系统有几个预定义的路由表,例如 main 表(ID为254)和 default 表(ID为253)。通过在这个文件中添加自定义路由表,可以创建更多的路由表用于复杂的路由策略。

这里在/etc/iproute2/rt_tables 文件末尾添加1001 bond0和1002 bond1

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
# cat /etc/iproute2/rt_tables 
#
# reserved values
#
255     local
254     main
253     default
0       unspec
#
# local
#
#1      inr.ruhep
1001 bond0
1002 bond1

网卡配置文件添加路由和规则

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
# cat /etc/sysconfig/network-scripts/ifcfg-bond0
DEVICE=bond0
NAME=bond0
ONBOOT=yes
BOOTPROTO=static
IPADDR=192.168.30.122
NETMASK=255.255.255.0
GATEWAY=192.168.30.254
BONDING_OPTS="mode=4 miimon=100 xmit_hash_policy=layer2+3"
ip route add default via 192.168.30.254 dev bond0 table bond0
ip route add 192.168.30.0/24 dev bond0 proto kernel scope link src 192.168.30.122 table bond0
ip rule add from 192.168.30.122/32 table bond0
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
DEVICE=bond1
NAME=bond1
ONBOOT=yes
BOOTPROTO=static
IPADDR=120.133.16.135
NETMASK=255.255.255.192
GATEWAY=120.133.16.129
BONDING_OPTS="mode=4 miimon=100 xmit_hash_policy=layer2+3"
ip route add default via 122.103.15.129 dev bond1 table bond1
ip route add 122.103.15.128/26 dev bond1 proto kernel scope link src 122.103.15.135 table bond1
ip rule add from 122.103.15.135/32 table bond1

重启服务生效

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
# nmcli c reload
# nmcli networking off;nmcli networking on

查看路由和规则

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
# ip route show
default via 122.103.15.129 dev bond1 proto static metric 300 
default via 192.168.30.254 dev bond0 proto static metric 301 
192.168.30.0/24 dev bond0 proto kernel scope link src 192.168.30.122 metric 301 
122.103.15.128/26 dev bond1 proto kernel scope link src 122.103.15.135 metric 300 

# ip rule list
0:      from all lookup local
32764:  from 192.168.30.122 lookup bond0
32765:  from 122.103.15.135 lookup bond1
32766:  from all lookup main
32767:  from all lookup default

测试结果

从本地电脑ping服务器外网ip和内网ip

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
$ ping 192.168.30.122
PING 192.168.30.122 (192.168.30.122): 56 data bytes
64 bytes from 192.168.30.122: icmp_seq=0 ttl=125 time=12.598 ms
64 bytes from 192.168.30.122: icmp_seq=1 ttl=125 time=4.551 ms
64 bytes from 192.168.30.122: icmp_seq=2 ttl=125 time=12.666 ms
64 bytes from 192.168.30.122: icmp_seq=3 ttl=125 time=12.120 ms
64 bytes from 192.168.30.122: icmp_seq=4 ttl=125 time=4.770 ms
64 bytes from 192.168.30.122: icmp_seq=5 ttl=125 time=6.109 ms

$ ping 122.103.15.135
PING 122.103.15.135 (122.103.15.135): 56 data bytes
64 bytes from 122.103.15.135: icmp_seq=0 ttl=125 time=1.076 ms
64 bytes from 122.103.15.135: icmp_seq=1 ttl=125 time=0.839 ms
64 bytes from 122.103.15.135: icmp_seq=2 ttl=125 time=0.937 ms
64 bytes from 122.103.15.135: icmp_seq=3 ttl=125 time=0.775 ms
64 bytes from 122.103.15.135: icmp_seq=4 ttl=125 time=1.136 ms
64 bytes from 122.103.15.135: icmp_seq=5 ttl=125 time=0.743 ms

测试成功,配置完成。

路由和规则解释

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
ip route add default via 192.168.30.254 dev bond0 table bond0

bond0 路由表中添加默认路由,通过设备 bond0,网关为 192.168.30.254

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
ip route add 192.168.30.0/24 dev bond0 proto kernel scope link src 192.168.30.122 table bond0

bond0 路由表中添加到 192.168.30.0/24 网段的路由,使用设备 bond0,源地址为 192.168.30.122

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
ip rule add from 192.168.30.122/32 table bond0

添加规则,使源地址为 192.168.30.122 的数据包使用 bond0 路由表。

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
ip route add default via 122.103.15.129 dev bond1 table bond1

bond1 路由表中添加默认路由,通过设备 bond1,网关为 122.103.15.129

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
ip route add 122.103.15.128/26 dev bond1 proto kernel scope link src 122.103.15.135 table bond1

bond1 路由表中添加到 122.103.15.128/26 网段的路由,使用设备 bond1,源地址为 122.103.15.135

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
ip rule add from 122.103.15.135/32 table bond1

添加规则,使源地址为 122.103.15.135 的数据包使用 bond1 路由表。

总结:

  • 两个路由表 (bond0bond1) 分别配置了默认路由和特定网段的静态路由。
  • bond0 表用于处理源地址 192.168.30.122 的数据包。
  • bond1 表用于处理源地址 122.103.15.135 的数据包。
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2025-03-21,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 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
打开黑盒神经网络!港大推出全新「会说话」的推荐系统大模型XRec,从黑盒预测到可解释
传统推荐系统虽然能给出准确的推荐结果,但缺乏对推荐过程的透明解释,难以让系统更好地理解其兴趣偏好是如何被捕捉和建模的。
新智元
2024/06/27
1720
打开黑盒神经网络!港大推出全新「会说话」的推荐系统大模型XRec,从黑盒预测到可解释
论文合集 | 图大模型推荐研究
大型语言模型(LLMs)已经彻底改变了自然语言处理任务,而其与图神经网络(GNN上)之间又会擦出怎样的火花呢?本文汇总了20篇与图大模型相关的论文(主要以推荐系统领域为主),展示最新的工作研究进展。
Houye
2024/05/18
9940
论文合集 | 图大模型推荐研究
决策过程是魔法还是科学?首个多模态大模型的可解释性综述全面深度剖析
本文由香港科技大学(广州)、上海人工智能实验室、中国人民大学及南洋理工大学联合完成。主要作者包括香港科技大学(广州)研究助理党运楷、黄楷宸、霍家灏(共同一作)、博士生严一博、访学博士生黄思睿、上海AI Lab青年研究员刘东瑞等,通讯作者胡旭明为香港科技大学/香港科技大学(广州)助理教授,研究方向为可信大模型、多模态大模型等。
机器之心
2025/02/14
2380
决策过程是魔法还是科学?首个多模态大模型的可解释性综述全面深度剖析
告诉我们事实:用知识图谱增强大语言模型以实现事实感知的语言建模
论文标题:Give Us the Facts: Enhancing Large Language Models with Knowledge Graphs for Fact-aware Language Modeling
叶庭云
2024/05/24
5660
如何提升推荐系统的可解释性?京东智能推荐卖点技术全解析
导读:京东智能商客之推荐卖点是基于NLP的产品,目前已广泛地助力和赋能于京东商城的各个平台。今天和大家分享一下自然语言处理如何在工业界落地实现。主要围绕以下5个方面展开:
DataFunTalk
2022/05/07
1.3K0
如何提升推荐系统的可解释性?京东智能推荐卖点技术全解析
中科院深圳先进院:全新知识增强图神经网络实现可解释性推荐|TKDE 2022
---- 新智元报道   作者:吴悦 连肇瑞 审核:吕子钰 编辑:LRS 【新智元导读】近日,来自中科院深圳先进院的团队提出了知识增强图神经网络(KEGNN)实现可解释性推荐。定量和定性的结果表明,KEGNN优于现有的方法,在提供精准推荐结果的同时生成人类可读的推荐解释。 近年来,以大数据和深度学习为基础的人工智能展示了卓越的计算能力和学习能力。但深度学习模型通常包含深度嵌套的非线性结构,很难确定具体哪些因素使它做出这样的决定,缺乏决策的可解释性和透明度。 与此同时,由于可解释的建议不仅提高了推荐系统
新智元
2022/06/06
7470
中科院深圳先进院:全新知识增强图神经网络实现可解释性推荐|TKDE 2022
如何让你的推荐系统具有可解释性?
Jointly Learning Explainable Rules for Recommendation with Knowledge Graph(WWW19)
炼丹笔记
2021/05/14
2.2K0
如何让你的推荐系统具有可解释性?
LLM4Rec:当推荐系统遇到大语言模型
大模型LLM在越来越多的领域开始崭露头角,前段时间我们整理了大模型在推荐系统中的应用 survey,当时留了一些坑没填上,今天补上。
NewBeeNLP
2024/01/17
3.5K0
LLM4Rec:当推荐系统遇到大语言模型
AI论文速读 | STG-LLM 大语言模型如何理解时空数据?
论文标题:How Can Large Language Models Understand Spatial-Temporal Data?
时空探索之旅
2024/11/19
2520
AI论文速读 | STG-LLM 大语言模型如何理解时空数据?
港大开源推荐系统新范式RLMRec!大模型加持,准确提炼用户/商品文本画像
推荐系统在深度学习和图神经网络的影响下已经取得了重大进步,尤其擅长于捕捉复杂的用户-物品关系。
新智元
2023/11/19
9070
港大开源推荐系统新范式RLMRec!大模型加持,准确提炼用户/商品文本画像
大模型+RAG,全面介绍!
大型语言模型(LLMs)在处理特定领域或高度专业化的查询时存在局限性,如生成不正确信息或“幻觉”。缓解这些限制的一种有前途的方法是检索增强生成(RAG),RAG就像是一个外挂,将外部数据检索集成到生成过程中,增强模型提供准确和相关响应的能力。
算法进阶
2024/05/31
9460
大模型+RAG,全面介绍!
从ID-based到LLM-based: 可迁移推荐系统研究进展总结
TLDR: 本文综述了近期关于可迁移推荐系统的发展现状,并分别介绍了基于ID、基于模态和基于大语言模型的可迁移推荐系统的代表性工作,最后对该方向进行了系统性的总结和展望。
张小磊
2023/11/07
1.2K0
从ID-based到LLM-based: 可迁移推荐系统研究进展总结
从用户反馈的可解释性提升推荐模型
作者:十方 当我们在做推荐系统模型时,有考虑过模型推荐结果的可解释性吗?比方说推荐系统给用户推荐了item A,并在推荐结果后标明该用户最要好的朋友喜欢item A,或者和该用户有着相似兴趣(协同过滤
炼丹笔记
2021/12/20
6940
从用户反馈的可解释性提升推荐模型
用大模型LLM进行异构知识融合构建推荐系统
在推荐系统中,用户回存在各种异构行为,对这些行为的有效挖掘能够提升我们对用户偏好和行为的理解。但是,将各类异构行为结合到推荐模型中的传统方法会导致特征稀疏(feature sparsity)和知识碎片(knowledge fragmentation)问题。本文提出采用大模型LLM从用户的异构行为信息中提取和融合异构知识,然后将异构知识和推荐任务相结合,在LLM上执行指令微调进行个性化推荐。
秋枫学习笔记
2023/10/06
9190
用大模型LLM进行异构知识融合构建推荐系统
一篇论文,看见百度广告推荐系统在大模型时代的革新
我们见证了 DeepSeek R1,用强大的推理能力再次点燃 AI 智力增长的火箭。
机器之心
2025/04/04
1640
一篇论文,看见百度广告推荐系统在大模型时代的革新
谷歌 | 物品-语言大模型推荐系统
TLDR: 当前将大语言模型用于推荐系统存在三方面问题:1)大语言模型不在推荐系统数据上训练,并且推荐数据通常不公开可用。2)用户交互数据通常与自然语言文本模式不同,无法确定大语言模型能否从交互数据中学习到更多的重要知识。3)难以同时适配不同的用例训练。为解决以上限制,本文提出了一个物品语言模型,其由一个物品编码器和一个冻结的大语言模型组成,前者对用户交互信息进行编码以生成与文本对齐后的物品表示,后者用保留的预训练知识理解这些物品表示。本文进行了大量的实验,证明了语言对齐和用户交互知识在物品编码器中的重要性。
张小磊
2024/07/05
3560
谷歌 | 物品-语言大模型推荐系统
实验探索: 以信息检索视角,揭开ChatGPT推荐能力的神秘面纱
TLDR: 最近,ChatGPT横空出世,横扫NLP很多任务,甚至已经出圈。但其能力边界仍然未知,特别是应用在推荐系统领域。这篇工作从point-wise,pair-wise,list-wise三种排序方式的角度,在四个不同领域的数据集上评测了ChatGPT的推荐能力,从多角度揭开了ChatGPT推荐能力的面纱。
张小磊
2023/08/22
2560
实验探索: 以信息检索视角,揭开ChatGPT推荐能力的神秘面纱
基于生成模型的推荐系统综述 (Gen-RecSys)
TLDR: 本篇综述旨在调研生成式推荐模型(Gen-RecSys)的主要进展,包括:交互驱动生成模型的基本概述;大型语言模型(LLM)在生成式推荐、检索和会话推荐中的应用;推荐系统中处理和生成图像视频内容的多模态模型的整合。本文以整体视角讨论了Gen-RecSys的影响和危害,并指出了其面临的挑战。
张小磊
2024/06/18
2.1K0
基于生成模型的推荐系统综述 (Gen-RecSys)
WSDM2024 | LLMRec: 基于大语言模型图数据增强的推荐系统
TLDR: 本文提出一种新的大语言模型增强的推荐框架LLMRec。具体地,LLMRec提出了三种基于大语言模型的图数据增强策略来强化使用辅助信息的推荐系统。
张小磊
2023/11/03
9470
WSDM2024 | LLMRec: 基于大语言模型图数据增强的推荐系统
清华张敏教授:个性化推荐研究进展(可解释性、鲁棒性和公平性)
[导 语]本文是清华大学张敏副教授在Byte Tech 2019 机器智能前沿论坛上的分享实录。Byte Tech 2019由中国人工智能学会、字节跳动、清华大学联合主办,清华大学数据科学研究院协办。
数据派THU
2019/03/08
1.2K0
清华张敏教授:个性化推荐研究进展(可解释性、鲁棒性和公平性)
推荐阅读
相关推荐
打开黑盒神经网络!港大推出全新「会说话」的推荐系统大模型XRec,从黑盒预测到可解释
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