一些KVM测试过程中的命令笔记(1)

简介:
磁盘坏道检测工具1:
badblocks /dev/sdc1

磁盘坏到检测工具2:
sudo apt-get install smartmontools

DiskGenius 也行,一般有时间都会检测几次
HD Tune

------------------------------------------------------------------
libvirt:
service libvirtd stutas
service libvirtd start
/etc/init.d/libvirtd restart
-----------------------------------------------------------
检查kvm是否安装成功 ,成功则如下显示
lsmod | grep kvm
-----------------------------------------------------------


安装:
2T以上磁盘不能使用fdisk分区
参考:
http://blog.chinaunix.net/space.php?uid=21855486&do=blog&id=364699
操作方法:
testcloud@compute3:~$ sudo parted  /dev/sdb
(parted) mklabel gpt
(parted) print
(parted) mkpart primary 0 2998961
(parted) print
(parted) gpt 
(parted)  quit  


sudo parted -s /dev/sdb print
分区
sudo mkfs.ext4 /dev/sdb1
sudo fdisk -l
 mount /dev/sdb1 /var/lib/libvirt/
 sudo vi /etc/fstab
 增加/dev/sdb1                       /var/lib/libvirt        ext4    defaults        0       2
 
删除pv:
vgreduce vg_compute3rhel6 unknown device
删除vg,
lvremove 删除lv
vgremove 删除 vg





-----parted分区之后的操作
创建pvs
sudo pvcreate /dev/sdb1
创建vgs
sudo vgcreate VolGroup00 /dev/sdb1
查看vgs大小
sudo vgdisplay VolGroup00 | grep "Total PE"
创建lvs
sudo lvcreate -l 715007 VolGroup00 -n LogVol00
安装格式化工具
sudo apt-get install reiserfsprogs 
格式化磁盘
sudo mkfs.reiserfs /dev/VolGroup00/LogVol00

sudo mkdir /mnt/new
sudo mount /dev/VolGroup00/LogVol00 /mnt/new
sudo cp -rf /var/* /mnt/new/
sudo umount /dev/VolGroup00/LogVol00
sudo rm -rf /var/* 
sudo mount /dev/new_vg/new_lv /var

增加磁盘空间:sudo kvm-img resize Win-2003-R2-x86_64-Test.img +250G
----------------------------------
设置桥接的网络配置:
auto eth0
iface eth0 inet static

auto br0
iface br0 inet static
address 192.168.77.103
netmask 255.255.255.0
broadcast 192.168.77.255
gateway 192.168.77.1
bridge_ports eth0
bridge_fd 9
bridge_hello 2
bridge_maxage 12
bridge_stp off

auto eth1
iface eth1 inet static
address 10.10.10.103
netmask 255.255.255.0

1.安装kvm
sudo apt-get -y install qemu-kvm --fix-missing

2.安装libvirt

sudo apt-get -y install libvirt-bin --fix-missing



本文转自 念槐聚 博客园博客,原文链接:http://www.cnblogs.com/haochuang/archive/2012/03/13/2393735.html,如需转载请自行联系原作者

相关文章
|
7月前
|
测试技术 程序员 Go
Go语言测试简明指南:深度解读go test命令
总的来说,go test是 Go 语言中一个强而有力的工具,每个 Go 程序员都应该掌握并把它融入到日常的开发和调试过程中。就像是一个眼镜过滤出的太阳,让我们在宽阔的代码海洋中游泳,而不是淹没。用好它,让我们的代码更健壮,让我们的生产力更强效。
588 23
|
7月前
|
弹性计算 JavaScript Ubuntu
WebSocket协议相关的测试命令工具使用简介
本文介绍了针对WebSocket的测试工具wscat和websocat的基本使用方法,以及通过curl命令测试HTTP/HTTPS协议的方式。对于WebSocket,直接使用curl测试较为复杂,推荐使用wscat或websocat。文中详细说明了这两种工具的安装步骤、常用参数及连接示例,例如在ECS上开启8080端口监听并进行消息收发测试。此外,还提供了curl命令的手动设置头部信息以模拟WebSocket握手的示例,但指出curl仅能作为客户端测试工具,无法模拟服务器。
2145 4
|
10月前
|
网络协议 Shell 网络安全
面试官想听的不仅是命令——如何结构化回答“容器无Shell时如何测试外网”?
“说说看,如果一个Pod的容器没有Shell,如何测试它能否访问外网?”
面试官想听的不仅是命令——如何结构化回答“容器无Shell时如何测试外网”?
|
11月前
|
存储 数据可视化 测试技术
一个测试工程师的实战笔记:我是如何在Postman和Apipost之间做出选择的?
优秀的API测试工具应该具备: 分层设计:既有可视化操作,也开放代码层深度定制 场景感知:自动识别加密需求推荐处理方案 协议包容:不强迫开发者为了不同协议切换工具 数据主权:允许自主选择数据存储位置
339 7
|
机器学习/深度学习 JSON 算法
实例分割笔记(一): 使用YOLOv5-Seg对图像进行分割检测完整版(从自定义数据集到测试验证的完整流程)
本文详细介绍了使用YOLOv5-Seg模型进行图像分割的完整流程,包括图像分割的基础知识、YOLOv5-Seg模型的特点、环境搭建、数据集准备、模型训练、验证、测试以及评价指标。通过实例代码,指导读者从自定义数据集开始,直至模型的测试验证,适合深度学习领域的研究者和开发者参考。
5847 3
实例分割笔记(一): 使用YOLOv5-Seg对图像进行分割检测完整版(从自定义数据集到测试验证的完整流程)
|
测试技术
自动化测试项目实战笔记(三):测试用户注册(验证码错误,成功,出现弹框时处理)
本文是关于自动化测试项目实战笔记,主要介绍了如何测试用户注册功能,包括验证码错误、注册成功以及弹框处理的测试步骤和代码实现。
446 2
自动化测试项目实战笔记(三):测试用户注册(验证码错误,成功,出现弹框时处理)
|
机器学习/深度学习 JSON 算法
语义分割笔记(二):DeepLab V3对图像进行分割(自定义数据集从零到一进行训练、验证和测试)
本文介绍了DeepLab V3在语义分割中的应用,包括数据集准备、模型训练、测试和评估,提供了代码和资源链接。
3516 0
语义分割笔记(二):DeepLab V3对图像进行分割(自定义数据集从零到一进行训练、验证和测试)
|
机器学习/深度学习 弹性计算 自然语言处理
前端大模型应用笔记(二):最新llama3.2小参数版本1B的古董机测试 - 支持128K上下文,表现优异,和移动端更配
llama3.1支持128K上下文,6万字+输入,适用于多种场景。模型能力超出预期,但处理中文时需加中英翻译。测试显示,其英文支持较好,中文则需改进。llama3.2 1B参数量小,适合移动端和资源受限环境,可在阿里云2vCPU和4G ECS上运行。
750 1
|
JSON 算法 数据可视化
测试专项笔记(一): 通过算法能力接口返回的检测结果完成相关指标的计算(目标检测)
这篇文章是关于如何通过算法接口返回的目标检测结果来计算性能指标的笔记。它涵盖了任务描述、指标分析(包括TP、FP、FN、TN、精准率和召回率),接口处理,数据集处理,以及如何使用实用工具进行文件操作和数据可视化。文章还提供了一些Python代码示例,用于处理图像文件、转换数据格式以及计算目标检测的性能指标。
349 0
测试专项笔记(一): 通过算法能力接口返回的检测结果完成相关指标的计算(目标检测)
|
机器学习/深度学习 并行计算 数据可视化
目标分类笔记(二): 利用PaddleClas的框架来完成多标签分类任务(从数据准备到训练测试部署的完整流程)
这篇文章介绍了如何使用PaddleClas框架完成多标签分类任务,包括数据准备、环境搭建、模型训练、预测、评估等完整流程。
1170 0
目标分类笔记(二): 利用PaddleClas的框架来完成多标签分类任务(从数据准备到训练测试部署的完整流程)