爱开发博客_爱开发_博客_linux经验交流

AMD AI MAX+ 395使用乌班图搭建AI大模型

Sat, 24 Oct 2026 02:33:36 +0800

Strix Halo 本地 AI 服务器
搭建与运维手册

AMD AI MAX+ 395 · Radeon 8060S · 96GB 统一显存 · 全离线推理

服务器 192.168.5.18Ubuntu 24.04 ServerROCm 7.2Ollama 0.40.7搭建日期 2026-10-22

01 系统概览

▍硬件

项目	配置
APU	AMD AI MAX+ 395（Strix Halo），16 核 Zen5
GPU	Radeon 8060S 核显（gfx1151），BIOS 划分 `96GB` 统一显存
内存	128GB DDR5（96GB 给 iGPU，系统可见约 30GB）
网络	有线局域网，静态 IP `192.168.5.18`

▍软件栈

层	组件	版本
OS	Ubuntu Server（无桌面）	24.04.4，内核 7.0.0
GPU 驱动	ROCm	7.2
推理引擎	Ollama（systemd 常驻）	0.40.7
Web 管理端	Open WebUI（Docker）	0.12.3，端口 3000
心跳代理	自研 aiohttp 反代（systemd）	端口 11435

▍网络端口

192.168.5.18
 ├─ 22    SSH                 （仅局域网）
 ├─ 3000  Open WebUI          （仅 192.168.0.0/16）
 ├─ 11434 Ollama 原生 API      （仅 192.168.0.0/16）
 └─ 11435 Ollama 心跳代理      （仅 192.168.0.0/16，供 Trae 等严格客户端）

02 基础环境安装

# Ollama 官方脚本（自动识别 ROCm / gfx1151）
curl -fsSL https://ollama.com/install.sh | sh

# 验证 GPU 识别（应显示 gfx1151，显存 96GB）
ollama serve & ollama ps
rocm-smi

要点
Ollama 0.40.7 + ROCm 7.2 对 gfx1151 已是官方一等支持，无需手动改 HSA_OVERRIDE_GFX_VERSION。

03 Ollama 服务配置

配置文件：/etc/systemd/system/ollama.service.d/override.conf

[Service]
Environment="OLLAMA_HOST=0.0.0.0"            # 局域网监听
Environment="OLLAMA_KEEP_ALIVE=-1"           # 模型永不自动卸载（常驻显存）
Environment="OLLAMA_MAX_LOADED_MODELS=2"     # 允许 mini + 一个大模型共存
Environment="OLLAMA_NUM_PARALLEL=1"          # 单请求独占，避免 KV 复制爆显存
Environment="OLLAMA_FLASH_ATTENTION=1"       # Flash Attention

sudo systemctl daemon-reload
sudo systemctl restart ollama

▍显存策略（96GB 预算）

日常：mini(4GB) + qwen3-coder:30b(31GB) ≈ 35GB，常驻
啃硬骨头：调用 gpt-oss:120b(60GB) 时，coder 自动换出（约 15 秒加载），用完自动换回
口诀：一小一大常驻，两大按需互换

KV cache
保持 f16 全精度（显存富余，无需 q8_0 量化）。

04 模型清单与参数

模型名	用途	上下文	显存	速度
`qwen3-coder:30b`	编程主力	128K	~31GB	生成 ~72 tok/s
`gpt-oss:120b`	最强推理（带思维链）	128K	~60GB	~35 tok/s
`mini`	文本处理/抽取/摘要	32K	~3.9GB	生成 ~61 tok/s，预填充 ~1066 tok/s
`qwen3.5:4b`	mini 的基础版（可删）	—	—	—

▍4.1 qwen3-coder 上下文调到 128K

ollama rm qwen3-coder:30b
# 用原始 safetensors 重新 create，Modelfile 里加：
#   PARAMETER num_ctx 131072

显存账
128K 下 f16 KV cache 约 11GB，模型+KV 共 31GB。

▍4.2 mini 定制（直出结果，无思考开销）

# Modelfile
FROM qwen3.5:4b
PARAMETER num_ctx 32768
SYSTEM """你是文本处理工具。直接输出结果，不解释、不思考、不输出多余内容。"""

ollama create mini -f Modelfile

▍4.3 gpt-oss 思考档位

请求里可传 reasoning_effort：low（简单任务秒回）/ medium（默认）/ high（难题）。

05 系统级性能调优

配置文件：/etc/systemd/system/llm-perf.service（开机自动应用）

调优项	值	作用
CPU governor	performance	tokenizer/调度不拖后腿，CPU 可上 5.1GHz
vm.swappiness	10	杜绝大模型加载/长会话换页卡顿
透明大页	always	11GB 级 KV cache 分配更高效

诚实结论
实测预填充瓶颈纯在 iGPU 算力（调优前后 862 vs 875 tok/s 持平），CPU 侧调优的价值在于长会话稳定性。

真·性能开关
BIOS 里把 APU 功耗墙（PPT/SPPT）从默认提到 100-120W，可持续推理速度直接提升，代价是风扇更吵。

06 服务器化精简（去桌面）

# 关闭图形界面（开机进命令行）
sudo systemctl set-default multi-user.target
sudo systemctl disable --now gdm3

# 禁用无用服务
sudo systemctl disable --now cups cups-browsed cups.socket cups.path
sudo systemctl disable --now bluetooth avahi-daemon ModemManager wpa_supplicant

# 日志压缩
sudo bash -c 'mkdir -p /etc/systemd/journald.conf.d && \
  printf "[Journal]\nSystemMaxUse=200M\n" > /etc/systemd/journald.conf.d/size.conf'
sudo systemctl restart systemd-journald

保留：SSH、NetworkManager（有线）、Docker、Ollama、llm-perf
接显示器也不会进桌面；临时要图形：sudo systemctl start gdm3
桌面软件包未卸载（磁盘仅用 13%，卸载有依赖断裂风险，收益为零）

07 Open WebUI 管理端

▍7.1 部署

sudo apt-get install -y docker.io && sudo systemctl enable --now docker

sudo docker run -d --name open-webui --restart always \
  --add-host=host.docker.internal:host-gateway \
  -p 3000:8080 \
  -e OLLAMA_BASE_URL=http://host.docker.internal:11434 \
  -v open-webui:/app/backend/data \
  ghcr.io/open-webui/open-webui:main

# 防火墙：容器网桥必须能访问宿主机 Ollama（否则模型列表为空！）
sudo ufw allow from 192.168.0.0/16 to any port 3000 proto tcp
sudo ufw allow from 172.16.0.0/12 to any port 11434 proto tcp

访问：http://192.168.5.18:3000，注册的第一个账号自动成为管理员。

▍7.2 核心功能对照

需求	用法
管理模型	管理员面板 → 设置 → 模型：网页拉取/删除模型、编辑预设
模型对比	新建对话 → 顶部 “+” 添加第二个模型 → 并排回答
盲测评分	管理员面板 → 评测 → Arena：匿名 A/B 投票，自动 Elo 排行

注意
“工作空间 → 模型” 页面为空是正常的（那是放自定义预设的地方）；基础模型在聊天窗口顶部下拉框选。管理员面板 → 外部连接里无效的 OpenAI API 配置可删（服务器无外网）。

08 心跳代理（解决客户端超时）

▍8.1 背景与原理

Trae 内置 Chat 有两道看门狗：

90 秒套接字静默超时 —— 大上下文预填充期间（本地 iGPU 预填充仅 ~875 tok/s，11 万 tokens 需 2-3 分钟）连接全程无字节，被客户端掐断
60 秒 SSE 数据帧超时 —— 即使有字节流，60 秒内见不到真正的 data: 帧照样报错

解决方案：透明反代（端口 11435 → 11434），收到请求立即向客户端回响应头 + 首帧，之后每 10 秒注入一帧，与上游等待并行：

流式请求：注入 OpenAI 标准格式的空内容 delta 帧（{"delta":{"content":""}}）——任何客户端解析后都是零操作。注释帧（: keepalive）只能骗过第一道看门狗，骗不过第二道
非流式请求：注入合法 JSON 空白符（\n）
其余路径（/v1/models 等）透明转发

同源手法
这与 OpenAI 官方 API、Cloudflare AI Gateway、LiteLLM 的 keepalive 机制同源。

▍8.2 部署清单

项	值
脚本	`/usr/local/bin/ollama-ka-proxy.py`（aiohttp，`apt install python3-aiohttp`）
服务	`ollama-ka-proxy.service`（开机自启 + 崩溃 3s 重启）
端口	0.0.0.0:11435，ufw 仅放行 192.168.0.0/16
覆盖路径	`/v1/chat/completions`（心跳），其余透传

▍8.3 实测效果（3.8 万 tokens，44 秒预填充）

指标	直连 11434	经代理 11435
首字节	44.2s（全程静默）	0.0014s
预填充期间	死寂	每 10s 一个合法数据帧 ×5
完整性	—	✅ 数据完整、非流式 JSON 合法

09 客户端接入指南

▍9.1 Trae 内置 Chat（问答/对话用）

模型类型：OpenAI 兼容
API 地址：http://192.168.5.18:11435/v1（走心跳代理端口）
模型名：qwen3-coder:30b / gpt-oss:120b / mini，API Key 随便填
限制：Chat 模式下自定义模型没有工具（不能读写文件），只能对话；这也是“模型让你复制粘贴代码”的原因

▍9.2 Roo Code（Trae 内插件，真正的智能体）

已安装 v3.54.0（VSIX 来自 GitHub Releases；open-vsx 被限速时直接用 GitHub）。

Provider:        Ollama
Base URL:        http://192.168.5.18:11434   （直连，Roo 自带 600s 超时）
Model:           qwen3-coder:30b
Request Timeout: 600s（可调至 3600s）
模式:            Code（代码模式才会动文件，Ask 是纯聊天）

可执行：读写文件、跑编译、按报错自迭代。深度任务可切 gpt-oss:120b。

▍9.3 其他工具

# Aider（终端，PowerShell）
$env:OLLAMA_API_BASE = "http://192.168.5.18:11434"
aider --model ollama_chat/qwen3-coder:30b --timeout 600

Cline（VS Code 插件）：Request Timeout 毫秒制改 600000。

▍9.4 API 直调（OpenAI 兼容）

from openai import OpenAI
client = OpenAI(base_url="http://192.168.5.18:11434/v1", api_key="ollama")
resp = client.chat.completions.create(
    model="qwen3-coder:30b",
    messages=[{"role": "user", "content": "你的问题"}],
)

▍9.5 使用纪律（重要）

单次上下文控制在 3 万 tokens 内（预填充 <45 秒），11 万 tokens 每次要白等 3 分钟
保持系统提示词/公共上下文稳定 —— 前缀缓存命中后，重复前缀预填充 34s → 0.04s
gpt-oss 简单任务加 reasoning_effort: low
IDE 里用 #文件 精确指定相关文件，别让全文自动索引

10 性能实测数据

指标	数值	备注
qwen3-coder 生成	~72 tok/s	100% GPU，热机
qwen3-coder 预填充	~875 tok/s	num_batch=1024 实测反而 -13%，已回滚
mini 生成 / 预填充	61 / 1066 tok/s	3.9GB
gpt-oss:120b 生成	~35 tok/s	含思考链
gpt-oss 换入	13-19s	与 coder 互斥（60+31 > 96GB）
前缀缓存命中	预填充 34s → 0.04s	相同前缀第二次请求

模型生成速度对比（tokens/s，100% GPU）

qwen3-coder:30b —— 72 tok/s

mini —— 61 tok/s

gpt-oss:120b —— 35 tok/s

预填充速度对比（tokens/s，新上下文）

mini —— 1066 tok/s

qwen3-coder:30b —— 875 tok/s

11 踩坑记录与经验

#	现象	根因	处理
1	请求 91 秒整被掐断	Trae 套接字静默超时 90s × 大上下文慢预填充	心跳代理 11435
2	换代理后报 `Timeout after 60000ms (origin: downstream) (4028)`	Trae 第二道看门狗：60s 内必须有真 `data:` 帧	心跳升级为空内容 delta 数据帧
3	Open WebUI 模型列表为空	防火墙只放行了 192.168.0.0/16，Docker 网桥（172.17.x）访问 Ollama 被拒	ufw 放行 172.16.0.0/12 → 11434
4	KV cache q8_0 没必要	96GB 显存不缺 1GB	保持 f16
5	MAX_LOADED_MODELS=1 导致 mini 挤掉大模型	配置方向错误	改为 2
6	num_batch=1024 期望提速	实测 gfx1151 上反而慢 13%	保持默认 512
7	open-vsx 下载 8 KB/s	CDN 被限速	改用 GitHub Releases
8	模型让用户“复制粘贴代码”	Trae Chat 模式不给自定义模型挂工具	用 Roo Code Code 模式
9	显存显示 30GB 不是 128GB	BIOS 把 96GB 划给 iGPU	属预期，`ollama ps` 可见 96GB

12 日常运维命令

ssh czj@192.168.5.18        # 密码 ********

# Ollama
sudo systemctl restart ollama
ollama ps                      # 模型驻留状态 / 显存 / UNTIL(应显示 Forever)
journalctl -u ollama -f        # 实时日志（可观察预填充、请求耗时、并发）
ollama pull <模型名>

# Open WebUI
sudo docker restart open-webui
journalctl -u open-webui -f    # 不适用则: sudo docker logs -f open-webui

# 心跳代理
sudo systemctl restart ollama-ka-proxy
journalctl -u ollama-ka-proxy -f

# 快速健康检查
curl -s http://localhost:11434/v1/models | head -c 100
curl -s http://localhost:11435/v1/models | head -c 100
curl -s -o /dev/null -w '%{http_code}' http://localhost:3000

# 资源监控
rocm-smi                       # GPU/显存
htop

▍远程连接示例（Windows 端 PowerShell + plink）

$env:PUTTY_RNDFILE="$env:TEMP\putty.rnd"
Get-Content .\script.sh -Raw | & "$env:TEMP\plink.exe" -ssh -batch `
  -hostkey "SHA256:artoIwJiv4XGlq1zMAVG0Ezo+A73suFB0HlMZYI8K3w" `
  czj@192.168.5.18 -pw ******** "tr -d '\r\357\273\277' | bash"

本文档由搭建过程自动整理生成。所有配置均已持久化（systemd / Docker / ufw），重启后自动生效。

Strix Halo AI Server Manual · 2026-10-22

飞牛NAS关机后不能网络唤醒的解决方案

Mon, 12 Oct 2026 20:58:33 +0800

飞牛每次开机后，r8169/RTL8125 等网卡驱动会把网卡的 Wake-on 位重置为固件默认值 d（禁用），导致关机后无法通过网络唤醒。

WolKeeper 通过三层机制持续保证 WoL 处于开启状态，即使系统更新也不会丢失。

一、三层机制

wol-enable.service
开机后立即开启 WoL，并在关机前再次确认（决定性一步）。
NetworkManager 钩子
网卡 up / rebind / change 时补设。
wolkeeperd.service
按设定间隔巡检，自动把被重置的网卡改回 wol g；由 systemd 托管，重启后自动恢复。

二、特点

• 持续保证 WoL 处于开启状态
• 系统更新后机制也不会丢失
• 适合 r8169 / RTL8125 等容易被驱动重置 WoL 的网卡
• 卸载本应用会同时移除以上全部机制，恢复系统默认状态

三、验证方式

安装后可用以下命令查看：

ethtool <网卡名>

确认输出中包含：

Wake-on: g

关机后从局域网发送 WOL 魔术包测试即可。

四、下载

下载链接：见下方

通过网盘分享的文件：wolkeeper-1.2.0.fpk

链接: https://pan.baidu.com/s/1Kkg7j_aQMajWgbFQjLHI0Q?pwd=akuf 提取码: akuf

AMD AI Max+ 395 (Strix Halo) 本地大模型部署指南与性能天梯图【2026年9月实测】

Tue, 01 Sep 2026 15:21:01 +0800

一、硬件核心优势：为什么是AI Max+ 395？

AI Max+ 395 的核心竞争力在于其 统一内存架构 (UMA)。它最高支持 128GB LPDDR5X-8000 统一内存，通过AMD可变显存技术，最多可将96GB分配为显存使用。

这意味着，你可以用一台迷你主机或笔记本的价格，获得一张 “96GB显存”的顶级显卡，从而在本地运行那些需要80GB甚至更高显存的超大模型。目前市面上几乎没有消费级显卡能提供如此大的显存容量。

二、模型性能天梯图

基于llama.cpp Vulkan后端，实测数据（pp为Prefill，tg为Generation）

模型	参数量（激活/总）	量化规格	显存占用	pp (t/s)	tg (t/s)	备注
LFM2.5 8B-A1B	1B / 8B	Q4_K_M	~5GB	-	170	速度之巅，极速响应的轻量级MoE模型
Qwen3-Coder-30B-A3B	3.3B / 30.5B	Q4_K_S	~17GB	-	100.99	编程首选，速度与智能的完美平衡
Qwen3-Coder-30B-A3B	3.3B / 30.5B	Q4_K_M	~18GB	779	66	均衡配置，日常主力推荐
Nemotron-3-Nano-30B	~4B / 30B	Q4_K_M	~19GB	798	61	性能强劲的MoE模型
GPT-OSS 120B	~12B / 120B	Q4_K_M	~65GB	404	52	120B级MoE，速度惊人，智能极高
Qwen3-Coder-Next 80B	3B / 80B	Q4_K_M	~45GB	-	42.7	80B级编程模型，能力更强
MiniMax M2.5	- / 228.7B	Q3_K_M	-	-	32.8	200B+级巨量模型，技术验证
DeepSeek V4 Flash 284B	- / 284B	UD-IQ2_XXS	90.86GB	155.6	13.27	挑战硬件极限，284B参数巨兽

特别提示：表中 Q4_K_M、Q4_K_S 等为GGUF模型的量化级别，一般 Q4_K_M 在速度与质量间平衡最好。

三、模型分类推荐

? 编程首选：Qwen3-Coder-30B-A3B

这是目前Strix Halo平台上口碑最好、性能最均衡的编程模型。

实测速度：Q4_K_S 量化下可达 100.99 tokens/s；Q4_K_M 量化下生成速度 66 tokens/s。
显存友好：仅需约 17-18GB 显存，完美适配96GB大显存。
上下文：原生支持 262,144 tokens (256K) 超长上下文。
适用场景：日常代码补全、生成、解释、调试，响应极快，几乎无延迟。

? 智能巅峰：GPT-OSS 120B / Qwen3-Coder-Next 80B

如果追求极致的模型智能，可以挑战更大规模的MoE模型。

GPT-OSS 120B：生成速度 52 tokens/s，显存占用约 65GB。这是1200亿参数的MoE模型，智能水平远超30B级别。
Qwen3-Coder-Next 80B：生成速度 42.7 tokens/s，显存占用约 45GB。专为编程优化的80B MoE模型，代码能力更强。
适用场景：复杂算法设计、大型项目重构、高难度代码审查。

⚡️ 速度之巅：LFM2.5 8B-A1B

如果你追求“秒回”的极致体验，这款轻量级MoE模型是不二之选。

实测速度：生成速度高达 170 tokens/s。
显存占用：仅需约 5GB，几乎不占用资源。
适用场景：实时对话、简单代码补全、高频交互。

? 挑战极限：DeepSeek V4 Flash 284B / MiniMax M2.5

这是属于“硬核玩家”的领域，主要用于技术验证和探索硬件上限。

DeepSeek V4 Flash 284B：在 UD-IQ2_XXS 极限量化下，模型大小被压缩至 90.86GB，生成速度约 13.27 tokens/s。这是2840亿参数的巨量模型，能跑起来本身就是一种成就。
适用场景：极客精神、技术炫耀、验证极限量化效果。

四、部署优化建议

1. 推理引擎选择：首选 llama.cpp

社区实测表明，使用 llama.cpp 配合 Vulkan 后端能获得最佳性能。有开发者专门为Strix Halo平台提供了优化版llama.cpp，集成了Flash Attention (FA) 和 MoE预填充修复。

2. 系统与驱动

操作系统：推荐 Linux (如Fedora 43)，性能释放更充分。
GPU后端：Vulkan (RADV) 是目前社区验证最稳定、速度最快的后端。
ROCm：亦可使用，但配置相对复杂，且在某些测试中Vulkan速度更快。

3. BIOS设置

进入BIOS，将 UMA Frame Buffer Size 设置为 512MB。这能确保操作系统识别并使用几乎所有的物理内存作为统一显存。

4. 模型格式

优先选择 GGUF 格式的量化模型（如 Q4_K_M、Q4_K_S），这是llama.cpp的原生格式，兼容性和性能最佳。

五、总结

AMD AI Max+ 395 (Strix Halo) 的出现，真正将 “千亿参数大模型本地运行” 从理想变成了现实。它用不到2万元的价格，提供了消费级市场独一无二的 96GB超大显存 解决方案。

对于AI开发者和发烧友而言，这不仅是硬件的升级，更是一次开发范式的变革——从此，你可以在本地拥有一个 “无限Token、数据不出门” 的私人AI工作站。

双磁臂sas盘搭建nas安装群晖和飞牛

Sat, 28 Mar 2026 02:17:12 +0800

今年磁盘价格暴涨，相信不少人买了二手的sas盘搭建nas，双磁臂sas盘搭建nas一定要注意，群晖没办法识别该类磁盘的信息，会导致创建阵列只能识别一半的双磁臂sas盘，即使你使用linux命令行组建成功整列也没有办法让群晖识别整列，只能和纯粹的linux系统一样，脱离控制界面使用，而飞牛完全没有这个问题，能够完整识别并管理使用。

用这种盘发换飞牛，我已经试验过很多次了，纯粹浪费时间。

修复黑群晖 DSM6.3 + Btrfs 存储空间/磁盘损毁/堪用的问题

Tue, 17 Feb 2026 16:05:30 +0800

所有用群晖的人都会遇到过磁盘损毁的问题吧，如果是组了raid的情况下，这种问题通过修复，将会自动恢复，但是对于单盘的用户来说，这简直就是噩梦。

一下为本人总结的修复方案:

#获取root权限，执行sudo -i后输入admin账号的密码，对ssh提权至root

sudo -i

cat /proc/mdstat  #检查四磁盘情况

synospace –stop-all-spaces # （群晖命令）停止所有存储池

mdadm –assemble –scan # 扫描并装载所有存储池
#请注意上面这一步是建立在硬盘并无故障进行的修复方案，如果硬盘已经在损毁的边缘，请用其他方式修复
#（这一步执行不了没关系，停了所有的储存池后重启系统，系统将会重新加载所有储存池，并对校验错误的储存池进行清理）

reboot   #重启系统

系统会提示:

由于异常电源故障或存储池重组，存储池 1 已自动执行数据清理以确保数据一致性。若要取消，请进入存储管理器 > 存储池 > 数据清理。

温馨提醒，该方案只针对硬盘没有损坏的情况下的修复储存池损毁的问题，请做好数据备份，防止发生数据丢失。

Edge历史版本下载

Thu, 27 Nov 2025 00:09:08 +0800

Edge越更新内存占用越大，16gb内存都有点卡顿了，以下是降级方案。
1.卸载Edge
https://github.com/ShadowWhisperer/Remove-MS-Edge/releases/download/2.2/Remove-Edge.exe

这个文件是开源项目https://github.com/ShadowWhisperer/Remove-MS-Edge编译的edge卸载工具，自行下载。
2.安装旧版的Edge（这个项目收藏了几乎所有的版本edge）
https://github.com/Bush2021/edge_installer

如果有个别人打不开上方链接，请通过下方链接获取
通过网盘分享的文件：MicrosoftEdge_X64_130.0.2849.46.exe
链接: https://pan.baidu.com/s/1rFau-MOtzI9dizAg_qV4Nw?pwd=7ijz 提取码: 7ijz

通过网盘分享的文件：Remove-Edge.exe
链接: https://pan.baidu.com/s/1AE59KZPSbCXQdfk2m_oNkA?pwd=sik4 提取码: sik4

站点收录案例讲解

Thu, 04 Sep 2025 05:43:14 +0800

站点做好SEO的关键在于做好页面抓取速度、提高搜索引擎点击量、提供稳定的服务器、页面尽量尝试提供html格式，有利于搜索引擎爬虫爬取。

站点robots.txt参考示例

User-agent: *
Allow: /

Sitemap: https://域名/sitemap.xml

Disallow: /static/js/
Disallow: /static/css/
Disallow: /static/picture/

sitemap.xml示例

<?xml version="1.0" encoding="UTF-8"?>
<urlset xmlns="http://www.sitemaps.org/schemas/sitemap/0.9"
        xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
        xsi:schemaLocation="http://www.sitemaps.org/schemas/sitemap/0.9
        http://www.sitemaps.org/schemas/sitemap/0.9/sitemap.xsd">
  
  <url>
    <loc>https://域名/</loc>
    <lastmod>2025-08-26</lastmod>
    <changefreq>weekly</changefreq>
    <priority>1.0</priority>
  </url>
  
  <url>
    <loc>https://域名/index1.html</loc>
    <lastmod>2025-08-26</lastmod>
    <changefreq>weekly</changefreq>
    <priority>0.9</priority>
  </url>
  



  
</urlset>

netcraft反钓鱼举报和拦截

Wed, 11 Jun 2025 02:57:28 +0800

目前网络环境中钓鱼网站数不胜数，netcraft作为网络钓鱼防护、域名保护、品牌保护的领先强者，可以快速处理钓鱼网站。

1.浏览器保护
Netcraft 的免费浏览器扩展提供实时增强的保护，防止恶意网站保护您免受网络钓鱼、虚假商店和恶意脚本（如 JavaScript 撇油器和加密货币矿工）的侵害。浏览器扩展适用于所有主流浏览器，包括 Chrome、Firefox、Edge 和 Opera。

具体在对应浏览器应用商店下载。

2.举报可疑网站
https://report.netcraft.com/report

3.站点检测
https://sitereport.netcraft.com/

Netcraft同样是微软的品牌和域名保护者，该网站反钓鱼业务是付费业务不适合个人使用，个人可使用功能已经收集整理完毕。

kms激活docker:johngong/kms

Sun, 27 Apr 2025 03:16:40 +0800

https://hub.docker.com/r/johngong/kms/
创建docker容器

 docker create \
    --name=kms \
    -p 1688:1688 \
    -p 8080:8080 \
    --restart unless-stopped \
   johngong/kms:latest

端口说明

端口	解释说明
1688	kms默认端口
8080	web界面

群辉docker也支持奥

群晖docker注册表搜索：johngong-kms2

分享自用kms：kms.lovekf.cn

乌班图服务器版安装VNC

Tue, 15 Apr 2025 13:16:42 +0800

sudo apt update
sudo apt install ubuntu-desktop

#启动并启用显示管理器
sudo systemctl start gdm3  
sudo systemctl enable gdm3

#安装中文包
sudo apt install language-pack-zh-hans language-pack-gnome-zh-hans fonts-wqy-zenhei fonts-wqy-microhei

#安装中文输入法（以IBus为例）
sudo apt install ibus ibus-libpinyin ibus-clutter ibus-gtk ibus-gtk3 ibus-qt4

sudo reboot

sudo apt install tigervnc-standalone-server

vncpasswd  #设置连接密码

#启动vnc并且开启服务 1 默认端口5901，需要防火墙放行
tigervncserver  :1 -localhost no -geometry 1920x1080

#vncserver -list 列出所有服务
#vncserver -kill 结束所有服务

#创建开机启动服务
sudo nano /etc/systemd/system/vncserver@:1.service

粘贴一下内容：

[Unit]
Description=TigerVNC Server on :1
After=syslog.target network.target

[Service]
Type=forking
User=your_username
ExecStartPre=/usr/bin/vncserver -kill :1
ExecStart=/usr/bin/vncserver :1 -localhost no -geometry 1280x720 -depth 24
ExecStop=/usr/bin/vncserver -kill :1

[Install]
WantedBy=multi-user.target

保存后退出然后执行

sudo systemctl daemon-reload
sudo systemctl start vncserver@:1
sudo systemctl enable vncserver@:1

自动登录：如需跳过登录界面，可配置自动登录。编辑/etc/gdm3/daemon.conf文件，取消注释并修改以下行：

AutomaticLoginEnable = true
AutomaticLogin = your_username