第二章 -- (第二单元)--设备权限

简介:

一、权限列表的读取

 wKioL1j0zJiy6Yl_AACyfKrg9Ec187.png


二、setfacl用于设置或者修改文件权限

 1.授予用户westos读写执行权限

 wKioL1j0zRXQPn8_AACSb9d1TOo808.png

 当用户拥有ACL权限后,用户权限后边会将‘.’变为‘+’

 2.授予组bob读写执行权限

  wKioL1j0zXnwIYPfAACTTAunL_k896.png

 

 3.删除用户用户/组的权限

  

  wKiom1j0zt_QRldsAAB5OL5rmCs396.png

  wKioL1j0zt_g2_ewAAB5l9AOnVM541.png

 4.修改其他人的权限为空:

 setfacl -m o::-  filename


三、ACL掩码及继承

  1.生么是ACL掩码

  具有ACL的文件拥有一个“mask”(掩码),这个掩码既能够限制拥有改文件的组的最大权限,又能够限制ACL中的补充用户和组所拥有的最大权限

  

  2.setfacl -m m:rwx file

  ## 修改某一个文件的mask码

  

  3.ACL继承

  wKioL1j00HvwwIUZAACopO6Kaw0683.png

  ACL继承会让该目录中的所有新文件拥有这个ACL权限,但是目录中以前存在的文件不会被影响

  

  ##如果要清除这个ACL权限继承:

  setfacl -k directory

 



本文转自 昭He浅墨 51CTO博客,原文链接:http://blog.51cto.com/502703956/1916830,如需转载请自行联系原作者

相关文章
|
9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。
307 164
|
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。
318 155
|
12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。
873 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。
260 113

热门文章

最新文章