网络监控系统的建立及部署(二)

简介:

在使用之前我们看看Cacti能监控哪儿些设备,在这些设备上又能监控什么东西:

常见的Cacti监控对象:

服务器CPU,内存,磁盘,进程,连接数

Web,Mail,FTP,数据库,中间件

网络接口流量,转发速率,丢包率

网络设备性能,配置文件,路由数

安全设备性能,连接数,攻击数

设备运行状态,风扇 电源 温度

机房运行环境:电流,电压,温湿度

我们看到Cacti能监控的设备和项目是很多的,那我们怎么来配置他,才能让他从容监控这些设备呢,好,我们现在就说一下监控步骤:

1.填写设备信息及选择主机模板

2.添加相应的图形模板或Data Queries

3.选择监控的对象

4.将设备挂接在图形树上

我们根据Cacti的具体操作来说明这四步操作:

1.填写设备信息及选择主机模板

clip_image002

我们选择Devices一项:进入如下页面:

clip_image004 
我们点击右上角的Add按钮,进入如下页面:

clip_image006 
我们在Description填入这台机器的描述,名称要起的见名知意,比如:windows7_112,在Hostname那里填入IP地址,比如:192.168.0.112,然后在 Host Template中选择一个模板:Windows2000/XP Host,剩下的项我们不做修改,只是在SNMP Version 选择:Version 2,然后在SNMP Community处填写你在该windows机器上的Community名称(此处在添加完一个主机监控后,再讲),然后选择create,进入下端为此图形的页面。

clip_image008 
我们保持默认,我们选择save,然后就会在当初点击Devices进入的链接处显示出该主机。

clip_image010 
我们把最后面的框勾选上,然后在:

clip_image012 
处,选择:Place on a Tree(Default Tree)项,然后,我们选择graphs项,就会出现Host:Windows7_112项

clip_image014

在经过5分钟的等待后,我们就可一看到这台主机的监控图示了(假如不出现,请重启mysql数据库):

到此,一个主机的监控就算完成。我们现在讲一下在windows上开启SNMP服务,我们在添加删除软件中选择,添加删除windows组件,然后选择管理和监控工具,点击详细信息,我们只选择简单网络管理协议SNMP,然后一路确定。我们在服务里面把SNMP service 和 SNMP Trap service启动,然后对snmp service右击选择属性,进入安全标签,在团体那里选择添加,选择只读,团体那里写入比如:public。然后再往下,我们对localhost进行编辑,写入你的监控机的IP地址,然后一路确定。这样就完成了Windows的SNMP的安装。



本文转自guoli0813 51CTO博客,原文链接:http://blog.51cto.com/guoli0813/343494,如需转载请自行联系原作者

目录
打赏
0
0
0
0
69
分享
相关文章
基于Python深度学习的眼疾识别系统实现~人工智能+卷积网络算法
眼疾识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了4种常见的眼疾图像数据集(白内障、糖尿病性视网膜病变、青光眼和正常眼睛) 再使用通过搭建的算法模型对数据集进行训练得到一个识别精度较高的模型,然后保存为为本地h5格式文件。最后使用Django框架搭建了一个Web网页平台可视化操作界面,实现用户上传一张眼疾图片识别其名称。
234 5
基于Python深度学习的眼疾识别系统实现~人工智能+卷积网络算法
PyTorch生态系统中的连续深度学习:使用Torchdyn实现连续时间神经网络
神经常微分方程(Neural ODEs)是深度学习领域的创新模型,将神经网络的离散变换扩展为连续时间动力系统。本文基于Torchdyn库介绍Neural ODE的实现与训练方法,涵盖数据集构建、模型构建、基于PyTorch Lightning的训练及实验结果可视化等内容。Torchdyn支持多种数值求解算法和高级特性,适用于生成模型、时间序列分析等领域。
205 77
PyTorch生态系统中的连续深度学习:使用Torchdyn实现连续时间神经网络
基于Python深度学习的【害虫识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
害虫识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了12种常见的害虫种类数据集【"蚂蚁(ants)", "蜜蜂(bees)", "甲虫(beetle)", "毛虫(catterpillar)", "蚯蚓(earthworms)", "蜚蠊(earwig)", "蚱蜢(grasshopper)", "飞蛾(moth)", "鼻涕虫(slug)", "蜗牛(snail)", "黄蜂(wasp)", "象鼻虫(weevil)"】 再使用通过搭建的算法模型对数据集进行训练得到一个识别精度较高的模型,然后保存为为本地h5格式文件。最后使用Djan
52 1
基于Python深度学习的【害虫识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
基于ssm的网络直播带货管理系统,附源码+数据库+论文
该项目为网络直播带货网站,包含管理员和用户两个角色。管理员可进行主页、个人中心、用户管理、商品分类与信息管理、系统及订单管理;用户可浏览主页、管理个人中心、收藏和订单。系统基于Java开发,采用B/S架构,前端使用Vue、JSP等技术,后端为SSM框架,数据库为MySQL。项目运行环境为Windows,支持JDK8、Tomcat8.5。提供演示视频和详细文档截图。
43 10
基于Python深度学习的【蘑菇识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
蘑菇识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了9种常见的蘑菇种类数据集【"香菇(Agaricus)", "毒鹅膏菌(Amanita)", "牛肝菌(Boletus)", "网状菌(Cortinarius)", "毒镰孢(Entoloma)", "湿孢菌(Hygrocybe)", "乳菇(Lactarius)", "红菇(Russula)", "松茸(Suillus)"】 再使用通过搭建的算法模型对数据集进行训练得到一个识别精度较高的模型,然后保存为为本地h5格式文件。最后使用Django框架搭建了一个Web网页平台可视化操作界面,
108 11
基于Python深度学习的【蘑菇识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 2024轻量化网络MoblieNetV4:移动生态系统的通用模型
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 2024轻量化网络MoblieNetV4:移动生态系统的通用模型
89 4
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 2024轻量化网络MoblieNetV4:移动生态系统的通用模型
YOLOv11改进策略【模型轻量化】| 替换骨干网络为 2024轻量化网络MoblieNetV4:移动生态系统的通用模型
YOLOv11改进策略【模型轻量化】| 替换骨干网络为 2024轻量化网络MoblieNetV4:移动生态系统的通用模型
128 8
YOLOv11改进策略【模型轻量化】| 替换骨干网络为 2024轻量化网络MoblieNetV4:移动生态系统的通用模型
基于粒子群算法的网络最优节点部署优化matlab仿真
本项目基于粒子群优化(PSO)算法,实现WSN网络节点的最优部署,以最大化节点覆盖范围。使用MATLAB2022A进行开发与测试,展示了优化后的节点分布及其覆盖范围。核心代码通过定义目标函数和约束条件,利用PSO算法迭代搜索最佳节点位置,并绘制优化结果图。PSO算法灵感源于鸟群觅食行为,适用于连续和离散空间的优化问题,在通信网络、物联网等领域有广泛应用。该算法通过模拟粒子群体智慧,高效逼近最优解,提升网络性能。
优质网络舆情监测系统大盘点
一款出色的网络舆情监测系统,不仅能够助力相关主体迅速捕捉舆情信息,有效应对危机,还能够助力其更好地把握舆论动态,维护自身形象。那么,市场上有哪些比较好的网络舆情监测系统呢?这里,本文有为各位整理了一些好用的舆情检测系统,以供各位参考!
39 0
基于yolov4深度学习网络的排队人数统计系统matlab仿真,带GUI界面
本项目基于YOLOv4深度学习网络,利用MATLAB 2022a实现排队人数统计的算法仿真。通过先进的计算机视觉技术,系统能自动、准确地检测和统计监控画面中的人数,适用于银行、车站等场景,优化资源分配和服务管理。核心程序包含多个回调函数,用于处理用户输入及界面交互,确保系统的高效运行。仿真结果无水印,操作步骤详见配套视频。
72 18

热门文章

最新文章