ScreenOS 原始IP访问MIP配置方法

简介:

ScreenOS 原始IP访问MIP配置方法

环境说明:防火墙Trust Zone有两台主机A(IP:10.1.1.1/24)和B(IP:10.1.1.2/24),这两台主机通过MIP映射到Untrust Zone,主机A对应映射IP:1.1.1.1,主机B对应映射IP:1.1.1.2供外部系统访问。

set interface id 64 "redundant1" zone "Untrust"

set interface "redundant1" mip 1.1.1.1 host 10.1.1.1 netmask 255.255.255.255

set interface "redundant1" mip 1.1.1.2 host 10.1.1.2 netmask 255.255.255.255

现在有一个需求:主机A和主机B能通过访问彼此的MIP地址现实访问。

解决方法:在防火墙上增加从Untrust Zone ---> Global Zone策略

set policy top from "Untrust" to "Global" "MIP(1.1.1.1)" "MIP(1.1.1.2)" "ANY" permit

set policy top from "Untrust" to "Global" "MIP(1.1.1.2)" "MIP(1.1.1.1)" "ANY" permit


本文转自    msft 博客,原文链接: http://blog.51cto.com/victorly/1845937       如需转载请自行联系原作者

相关文章
|
4月前
|
移动开发 TensorFlow 算法框架/工具
只保存和加载网络权重
【8月更文挑战第21天】只保存和加载网络权重。
37 2
|
7月前
|
安全 定位技术 数据安全/隐私保护
探究局部代理IP和全局代理IP的区别
探究局部代理IP和全局代理IP的区别
101 0
|
机器学习/深度学习 固态存储 计算机视觉
Anchor-Free即插即用标签分配 | 平滑标签分配+动态IoU匹配解决标签分配不一致(一)
Anchor-Free即插即用标签分配 | 平滑标签分配+动态IoU匹配解决标签分配不一致(一)
177 0
|
并行计算 算法 数据可视化
Anchor-Free即插即用标签分配 | 平滑标签分配+动态IoU匹配解决标签分配不一致(二)
Anchor-Free即插即用标签分配 | 平滑标签分配+动态IoU匹配解决标签分配不一致(二)
92 0
ALLEN BRADLEY 842E-CM-MIP3BA 保留原始流中存在的所有信息
ALLEN BRADLEY 842E-CM-MIP3BA 保留原始流中存在的所有信息
ALLEN BRADLEY 842E-CM-MIP3BA  保留原始流中存在的所有信息
|
机器学习/深度学习 并行计算 算法
Anchor-Free即插即用标签分配 | 平滑标签分配+动态IoU匹配解决标签分配不一致
Anchor-Free即插即用标签分配 | 平滑标签分配+动态IoU匹配解决标签分配不一致
388 0
Anchor-Free即插即用标签分配 | 平滑标签分配+动态IoU匹配解决标签分配不一致
|
PyTorch 算法框架/工具
A网络的embedding层的权重参数已经初始化为F了,copy.deepcopy(A)的结果网络也跟着初始化为F了嘛?
A网络的embedding层的权重参数已经通过 self.embedding.weight.data.copy_(pretrained_embeddings)初始化为F,那么 copy.deepcopy(A)的结果网络也跟着初始化为F了嘛?
214 0
多IP情况下如何获取本地的第一个IP及如何调整本地的第一个IP
我分析了业务的代码,OPTIONS中的Via中的用的是采用gethostbyname获取的。这意味着该函数获取的系统的默认的第一个IP。如果操作系统有多个IP,如何设置它们的优先级呢?
多IP情况下如何获取本地的第一个IP及如何调整本地的第一个IP
|
PyTorch 算法框架/工具
如何将网络参数初始化,或者如何将网络参数还原成原始参数状态
在以上代码中,_initialize_weights()方法用于对网络参数进行初始化。其中,init.ones_表示将权重初始化为1,init.zeros_表示将偏置初始化为0。 3. 如果想将网络参数恢复到初始状态,则可以重新调用_initialize_weights()方法
322 0
|
PyTorch 算法框架/工具
torch 一个网络的参数通过训练后得到新的参数,如何再将这个网络参数初始化到定义这个网络的时候参数
可以使用PyTorch中的state_dict()方法将当前训练得到的网络参数保存为一个字典,然后在需要重新初始化网络参数时,可以通过load_state_dict()方法将之前保存的字典加载到网络模型中。具体步骤如下: 1. 在训练完成后,使用
230 0

热门文章

最新文章