SCCM2012系列之八,SCCM2012客户机发现

简介:

SCCM2012系列之八,SCCM2012客户机发现

         部署完SCCM2012之后,我们来体验一下SCCM2012的基本功能。有过SCCM2007使用经验的朋友们都知道,在体验SCCM功能之前,首先要在SCCM站点中定义边界,发现客户机,然后在客户机上安装SCCM代理。这些工作完成后,才可以利用SCCM代理完成软件分发,操作系统部署,软硬件资产统计等工作。在SCCM2012中,总体思路没有改变,还是需要先进行这番套路。本文中我将介绍如何在SCCM2012中定义站点边界以及如何发现客户机。

         SCCM2007中边界主要用于界定SCCM站点的管理范围,边界可以根据Active Directory站点或IP子网进行定义。SCCM2012中对边界的处理发生了一些变化。SCCM2012使用了边界组来界定SCCM站点的管理范围,边界则成为了边界组中的元素。和SCCM2007相比,显然SCCM2012的边界可以适应更复杂的IT环境。

         SCCM2007中边界是管理员手工指定的,SCCM2012中除了可以手工定义边界,还可以让SCCM服务器自动发现。SCCM2012中新增了一下Active Directory林发现的功能,可以自动定义SCCM站点边界。下面我们来看一下具体的操作过程:

一、SCCM站点边界

SCCM服务器上打开SCCM管理控制台,在管理层次结构配置发现方法中定位到“Active Directory”林发现,双击编辑属性。

 

         启用Active Directory林发现,选择自动创建站点边界。站点边界的定义方法和以前相同,还是依靠Active Directory站点或者IP子网。

 

如下图所示,在SCCM管理控制台中点击“立即运行完整发现”。

 

 

 

运行的结果如下图所示,Active Directory林发现自动建立了两个站点边界,一个是根据Active Directory站点,另一个是根据IP子网。

 

 

SCCM边界创建完成后,我们把SCCM边界放入到边界组。如下图所示,在SCCM管理控制台中选择“创建边界组”。

 

 

我们创建一个名为Contoso-Site的边界组,边界组的两个元素就是刚刚自动创建的站点边界。边界组创建完成后,SCCM的站点边界也就确定下来了。

 

 

 

二、SCCM客户机发现

SCCM站点边界定义完成后,我们接下来处理客户机发现的问题。客户机发现指的是在SCCM的站点范围内,发现所有被SCCM管理的客户机。SCCM有多种发现客户机的方法,其中最方便的就是Active Directory系统发现。只要被管理的客户机加入域,就可以被SCCMActive Directory中检索到。因此我的首选是使用Active Directory系统发现来定位客户机,在SCCM管理控制台中定位到发现方法中的“Active Directory系统发现”,如下图所示,勾选启用Active Directory系统发现。

 

 

 

 

 

设置要查找的Active Directory容器,此容器下的客户机都将被SCCM发现。

 

 

 

在轮询计划中定义开始Active Directory系统发现的时间点击周期。

 

切换到Active Directory系统发现的“Active Directory属性”标签,发现这里可以定义需要发现的Active Directory属性。这个功能很不错,可以用于实现一些特定应用程序的需求。

 

评估实验中,一般使用Active Directory系统发现就够了。在生产环境中,有可能需要用到其他的发现方法。例如当需要查询客户机隶属的OU信息,就需要使用下图所示的Active Directory组发现。

 

启用Active Directory系统发现后,如下图所示,在SCCM管理控制台的所有系统中看到SCCM已经发现了实验环境中的所有计算机。














本文转自yuelei51CTO博客,原文链接:http://blog.51cto.com/yuelei/1093472,如需转载请自行联系原作者

 

 

相关文章
|
8天前
|
数据采集 人工智能 安全
|
4天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
298 164
|
3天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
307 155
|
11天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
846 6
|
5天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
239 113