elasticsearch:9.0.1 的docker-compose 配置

### Elasticsearch 9.0.1 Docker Compose 配置示例 以下是适用于 Elasticsearch 9.0.1 版本的 `docker-compose.yml` 文件配置示例: ```yaml version: '3.8' services: es01: image: docker.elastic.co/elasticsearch/elasticsearch:9.0.1 container_name: es01 environment: - node.name=es01 - cluster.name=es-docker-cluster - discovery.seed_hosts=es02,es03 - cluster.initial_master_nodes=es01,es02,es03 - bootstrap.memory_lock=true - ES_JAVA_OPTS=-Xms512m -Xmx512m ulimits: memlock: soft: -1 hard: -1 volumes: - esdata01:/usr/share/elasticsearch/data ports: - "9200:9200" networks: - elastic es02: image: docker.elastic.co/elasticsearch/elasticsearch:9.0.1 container_name: es02 environment: - node.name=es02 - cluster.name=es-docker-cluster - discovery.seed_hosts=es01,es03 - cluster.initial_master_nodes=es01,es02,es03 - bootstrap.memory_lock=true - ES_JAVA_OPTS=-Xms512m -Xmx512m ulimits: memlock: soft: -1 hard: -1 volumes: - esdata02:/usr/share/elasticsearch/data networks: - elastic es03: image: docker.elastic.co/elasticsearch/elasticsearch:9.0.1 container_name: es03 environment: - node.name=es03 - cluster.name=es-docker-cluster - discovery.seed_hosts=es01,es02 - cluster.initial_master_nodes=es01,es02,es03 - bootstrap.memory_lock=true - ES_JAVA_OPTS=-Xms512m -Xmx512m ulimits: memlock: soft: -1 hard: -1 volumes: - esdata03:/usr/share/elasticsearch/data networks: - elastic volumes: esdata01: driver: local esdata02: driver: local esdata03: driver: local networks: elastic: driver: bridge ``` #### 关键点说明 - **环境变量设置**:通过 `environment` 设置节点名称 (`node.name`) 和集群名称 (`cluster.name`),并指定初始主节点列表 (`cluster.initial_master_nodes`) 和种子主机列表 (`discovery.seed_hosts`) [^1]。 - **内存锁定**:启用 `bootstrap.memory_lock=true` 可防止操作系统交换 Elasticsearch 使用的内存,从而提高性能 [^4]。 - **Java 堆大小调整**:通过 `ES_JAVA_OPTS` 参数设定 JVM 的堆内存范围为 `-Xms512m -Xmx512m`,可以根据实际需求调整此值 [^1]。 - **数据卷挂载**:每个节点的数据存储在独立的本地卷中(如 `esdata01`, `esdata02`, `esdata03`),以便持久化数据 [^2]。 --- ### 注意事项 如果 SELinux 对容器内的操作有影响,则可能需要额外配置策略或禁用 SELinux。此外,在生产环境中建议使用更复杂的网络配置和安全性措施 [^4]。

创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

Python内容推荐

Python库 | jina-0.9.34.dev18.tar.gz

Python库 | jina-0.9.34.dev18.tar.gz

python库。 资源全名:jina-0.9.34.dev18.tar.gz

PSO-LSTM基于PSO优化LSTM网络的电力负荷预测(Python代码实现)

PSO-LSTM基于PSO优化LSTM网络的电力负荷预测(Python代码实现)

内容概要:本文系统阐述了基于粒子群优化算法(PSO)优化长短期记忆网络(LSTM)的电力负荷预测方法,并提供了完整的Python代码实现。该方法通过PSO算法自动搜索LSTM网络的关键超参数(如学习率、隐层节点数、训练批次大小等),以克服传统手动调参的低效性与主观性,从而提升模型的预测精度与泛化能力。研究详细介绍了PSO-LSTM混合模型的构建流程,包括数据预处理、LSTM网络结构设计、适应度函数定义、PSO优化机制及模型训练与验证过程。实验在真实电力负荷数据集上进行,结果表明,相较于标准LSTM、ARIMA及其他基准模型,PSO-LSTM模型在均方根误差(RMSE)和平均绝对百分比误差(MAPE)等指标上表现更优,能更准确地捕捉电力负荷的非线性、周期性和波动性特征,适用于电力系统中的中短期负荷预测任务。; 适合人群:具备Python编程基础、熟悉机器学习与深度学习基本概念,从事电力系统分析、能源互联网、智能电网或相关领域研究的科研人员、工程师及高校研究生。; 使用场景及目标:①应用于电网调度、能源管理系统和电力市场中的负荷预测模块,为发电计划制定、电力交易和电网安全稳定运行提供高精度的数据支撑;②为研究人员提供一个将智能优化算法与深度学习模型深度融合的实践范例,促进其在时间序列预测、能源数据分析等领域的应用探索与技术创新; 阅读建议:建议读者结合所提供的Python代码进行动手实践,深入理解PSO优化LSTM的算法实现细节与参数调优逻辑,同时可尝试将该方法迁移应用于风电/光伏功率预测、用电量预测等其他复杂时序预测问题,以拓展其应用边界。

Graylog基础使用

Graylog基础使用

Graylog基础使用

SkyWalking全攻略[可运行源码]

SkyWalking全攻略[可运行源码]

本文详细介绍了如何快速搭建SkyWalking分布式链路追踪系统,以解决微服务架构中的请求跟踪问题。SkyWalking作为国产开源项目,具有性能优异、代码无侵入、功能全面等优势,支持服务拓扑图、链路追踪详情和性能指标监控等核心功能。文章提供了从环境准备到部署SkyWalking OAP服务器和Web UI的完整步骤,包括Docker命令的详细解释。此外,还介绍了如何接入微服务应用以及常见问题的解决方法。通过SkyWalking,开发者可以快速定位线上问题、分析性能瓶颈,并提升故障排查效率。

AI搜索排名关键词优化GEO系统源码

AI搜索排名关键词优化GEO系统源码

搜索关键词智能优化 GEO 系统源代码,用于关键词数据分析、排名监测与流量优化,源码交付,配套部署文档。

springboot+vue前后端分离的个人博客系统.zip

springboot+vue前后端分离的个人博客系统.zip

IT毕业设计

运维自动化-中小企业 DevOps 从0到1-赵舜东.zip

运维自动化-中小企业 DevOps 从0到1-赵舜东.zip

运维自动化-中小企业 DevOps 从0到1-赵舜东.zip

Dify Dify 1.15.0 20260703

Dify Dify 1.15.0 20260703

Dify Dify 1.15.0 20260703

dopos.github.io:dcape和dcape应用程序的文档

dopos.github.io:dcape和dcape应用程序的文档

dopos.github.io dcape和dcape应用程序的文档

smt-oa-100-deploy-20260701.tar.gz

smt-oa-100-deploy-20260701.tar.gz

adfsadfsadfasdfsadfsd

Nacos AI 一键部署工具

Nacos AI 一键部署工具

部署 Nacos + Ollama + vLLM + MCP 完整图文教程 对应的部署工具 https://blog.csdn.net/hugejiletuhugejiltu/article/details/161833717?spm=1011.2415.3001.5331

CosyVoice Mac部署实战指南[项目代码]

CosyVoice Mac部署实战指南[项目代码]

本文详细介绍了在Mac(特别是M1/M2芯片)上部署CosyVoice的完整流程,从环境配置到生产级优化。作者首先分析了部署中的常见痛点,包括ARM架构兼容性、Python依赖冲突、性能瓶颈及生产环境稳定性问题。接着对比了三种部署方案:原生安装、虚拟环境和Docker容器化,并推荐Docker作为最佳选择。核心部分提供了基于Docker-Compose的一键部署配置,包括docker-compose.yml和Dockerfile的详细示例,并解析了关键参数如shm_size、线程数限制和资源限制。性能优化方面,介绍了使用py-spy进行CPU热点分析和tracemalloc检测内存泄漏的方法。避坑指南涵盖了Homebrew与Pip冲突、音频设备权限及日志收集方案。最后,通过Locust进行压力测试,并给出了不同Mac硬件配置下的延迟对比数据。文章强调Docker化带来的环境一致性优势,并建议结合Kubernetes、监控告警等构建更健壮的语音处理平台。

Context-Accountability-Breakpoint-Detector-v1.0-原创源码与文档.zip

Context-Accountability-Breakpoint-Detector-v1.0-原创源码与文档.zip

原创 JavaScript/Node.js 可运行工具源码,包含命令行入口、示例输入输出、自动化测试、离线 HTML 报告、README 使用说明与截图。适合 AI 工程、模型评测、数据质量与自动化运维场景,解压后按文档执行 npm test 或 node src/index.js 即可复现;全部文件为本次独立生成,可继续二次开发。

Generated-Audio-Loudness-Compliance-Auditor-v1.0-原创源码与文档.zip

Generated-Audio-Loudness-Compliance-Auditor-v1.0-原创源码与文档.zip

原创开发工具源码合集,包含可直接运行的完整源码、自动化测试、离线示例、HTML/JSON/SVG 报告、运行截图、README、使用说明、功能清单、MIT License 与原创声明。适合前端、JavaScript、AI 工具开发与工程实践学习,解压后按 README 即可运行。

credit-scoring-api

credit-scoring-api

credit-scoring-api

Z-API

Z-API

Z-API

使用docker快速部署Elasticsearch集群的方法

使用docker快速部署Elasticsearch集群的方法

主要介绍了使用docker快速部署Elasticsearch集群的方法,小编觉得挺不错的,现在分享给大家,也给大家做个参考。一起跟随小编过来看看吧

timetracker-backend

timetracker-backend

timetracker-backend

Docker-compose 建立ELK集群的实现方法

Docker-compose 建立ELK集群的实现方法

主要介绍了Docker-compose 建立ELK集群的实现方法,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧

基于SpringBoot搭建的开源个人博客系统,模板引擎使用thymeleaf。项目后台部分采用前后端分离模式开发。.zip

基于SpringBoot搭建的开源个人博客系统,模板引擎使用thymeleaf。项目后台部分采用前后端分离模式开发。.zip

基于SpringBoot搭建的开源个人博客系统,模板引擎使用thymeleaf。项目后台部分采用前后端分离模式开发。.zip

最新推荐最新推荐

recommend-type

rpg2.d5游戏源代码解决穿透问题

rpg2.d5游戏源代码解决穿透问题
recommend-type

camera APP for test

camera APP for test
recommend-type

系统工程SysML精粹

本书介绍了和基于文档的系统工程完全不同的方式--基于模型的系统工程,这对系统工程师来说是一大福音,特别是对于需求变更非常频繁的软件行业的从业者来说更是如此。
recommend-type

产业园区运营负责人如何高效匹配入园企业与科技资源?.docx

科易网基于行业知识库+行业大数据+科技资源要素+AI模型,以AI,赋能技术转移、成果转化、技术经理人培训、知识产权管理、区域产业分析与布局、地方科技招商、创新创业大赛等场景,推出科技创新领域的AI工具、场景化服务和数智化解决方案,推动科技创新与产业创新智能化发展。
recommend-type

我用一个 HTML 文件管住了自己的钱:生活投资工作台

这个工作台解决一个很具体的麻烦:钱分散在工资卡、活钱理财和券商账户里,想知道股票占多少,得开三个 App 再按计算器,算完还没地方落下来。 打开就是一张深色卡片:资产总额、本月结余和结余率。下面的环形图把现金、活钱理财、股票、指数基金、应急金分成五块,占比自动算。 投资页是持仓表:股数、成本、现价、市值、浮盈、仓位。条件单记触发价和方向,能看距触发还有几个点;定投按日期和金额排;账本记一笔自动归到分类和月份。 生活页把待办分成本周、日常、健康、学习、其他,14 天打卡一格一天,月预算进度条跟着账本走。 技术上是一个单文件 HTML,原生 CSS 和 JS,没有框架、CDN 和外部字体,断网也能开。图表用 conic-gradient 画环形,没引 ECharts。数据存浏览器本地,能导出 JSON,换电脑导入就恢复。首次打开是随机演示数据,右上角可重置。文件 44KB。 现价要手动改,不联网取行情,这点先说清楚。
recommend-type

Struts2.5配置详解:struts.xml与web.xml的更新指南

"这篇文档详细阐述了在Struts2.5版本中,struts.xml与web.xml配置的更新方法,旨在帮助开发者理解新版本的变化,以便进行正确的配置。" 在Struts2.5版本中,配置文件的改动是必要的,因为升级后的框架可能会引入一些新的特性或更改原有功能。以下是对这两个关键配置文件的调整说明: 1. web.xml中的核心过滤器修改 在Struts2.5中,核心过滤器的全类名发生了变化。在旧版本中,过滤器类可能是`org.apache.struts2.dispatcher.ng.filter.StrutsPrepareAndExecuteFilter`,而新版本中,这个类名去掉了"ng",变为`org.apache.struts2.dispatcher.filter.StrutsPrepareAndExecuteFilter`。这个过滤器负责处理请求,准备和执行Struts2的Action。 示例配置如下: ```xml <filter> <filter-name>struts2</filter-name> <filter-class>org.apache.struts2.dispatcher.filter.StrutsPrepareAndExecuteFilter</filter-class> </filter> <filter-mapping> <filter-name>struts2</filter-name> <url-pattern>/*</url-pattern> </filter-mapping> ``` 2. struts.xml中的全局允许方法配置 Struts2.5版本引入了`global-allowed-methods`元素,用于指定所有包下允许的方法。这是为了提高安全性,防止非法的动态方法调用。你需要在每个package元素中添加这一配置,例如: ```xml <package name="My"> <global-allowed-methods>regex:.*</global-allowed-methods> <!-- 其他配置... --> </package> ``` 这里的`regex:.*`表示允许所有的方法。 3. 常量配置的更新 在Struts2.5中,你可能还需要根据开发需求调整常量配置。例如,`struts.enable.DynamicMethodInvocation`常量用于启用或禁用动态方法调用,如果设置为`true`,则允许动态方法。同样,`struts.devMode`设置为`true`时,框架会开启开发者模式,提供更丰富的错误信息和调试帮助。 示例配置: ```xml <constant name="struts.enable.DynamicMethodInvocation" value="true"/> <constant name="struts.devMode" value="true"/> ``` 4. DTD引用的更新 最后,确保你的struts.xml文件引用了最新的DTD(Document Type Definition),这将确保解析器理解新版本的配置元素。在Struts2.5中,你应该使用如下的DTD声明: ```xml <?xml version="1.0" encoding="UTF-8"?> <!DOCTYPE struts PUBLIC "-//Apache Software Foundation//DTD Struts Configuration 2.5//EN" "http://struts.apache.org/dtds/struts-2.5.dtd"> <struts> <!-- ... --> </struts> ``` 总结来说,Struts2.5版本的配置更改主要是为了适应框架的更新和提升安全性。正确地更新web.xml和struts.xml文件中的相关配置,能够确保你的应用在新版本下正常运行,并充分利用新特性和改进。在实际开发中,还应注意阅读官方文档,了解其他可能的改动和最佳实践。
recommend-type

Docker→containerd→CRI-O演进必读:K8s 1.24+移除Dockershim后,容器运行时兼容性重构的5步验证清单(含cri-tools压测基准)

# Docker → containerd → CRI-O 演进全景:从协议抽象到生产韧性 在 Kubernetes 1.24 发布的那一刻,整个云原生世界悄然完成了一次静默却深刻的范式迁移。没有盛大的发布会,没有高调的功能宣传,只有一行看似平淡的 Release Note:“dockershim has been removed”。但对每一位在凌晨三点排查 `ContainerCreating` 卡住问题的 SRE 来说,这行文字背后是整整十年容器运行时耦合债务的清算起点——它终结了“Docker 就是容器”的集体无意识,也正式宣告:**Kubernetes 不再是一个容器编排系统,而是一
recommend-type

为什么在 wolfMQTT 项目里用 #warning 会触发 C1021 编译错误?

### 解决 C1021 编译器错误 '无效的预处理器命令 warning' 当遇到 `C1021` 错误提示 "无效的预处理器命令 'warning'" 时,这通常意味着在代码中存在不被识别或格式错误的预处理器指令。对于 `wolfmqtt-Client` 项目中的此类问题,可以采取以下措施来解决问题。 #### 检查并修正预处理器指令 确保所有的预处理器指令都遵循标准语法。例如,在使用警告宏定义时应采用如下形式: ```c #pragma message("This is a custom warning") ``` 而不是尝试通过非法的方式发出警告消息[^1]。 如果确实需要
recommend-type

电话线远程抄表系统:设计与实现

"基于电话线的远程抄表系统通过利用电话线路和低压电力线载波通信技术,实现了远程自动抄表,降低了人力成本,提高了效率。系统由管理主机、配电变压器、集中器、智能电表终端等组成,采用树形分布结构,易于扩展。用户电表终端集成了多种功能模块,包括电源、传感器、保护、计量、控制和通信模块,能够实现远程监控和自动化管理。" 远程抄表系统是电力行业中解决传统手工抄表问题的关键技术。传统的手工抄表方式不仅耗时耗力,而且难以满足大规模用电管理的需求。随着电力负荷的增长和营销策略的变化,远程抄表系统成为了解决这一问题的有效途径。 该系统主要由以下几个部分构成: 1. 营业站管理主机:作为系统的中心控制单元,负责收集、处理和存储所有用户的用电数据,进行电费计算和管理。 2. 配电变压器和配电集中器:变压器用于电压转换,集中器则负责接收和发送来自用户电能表的数据,形成第一级通信信道,通过公共电话网连接到管理主机。 3. 用户电能表终端:采用脉冲式智能电能表,具备电力线载波通信能力,可以与集中器双向通信,记录电量、提供本地保护,并能响应远程控制指令。 4. 通信信道:分为两级,一级是电话线路,二级是低压电力线载波信道。电话线路用于管理主机与集中器间的远距离通信,低压电力线载波则用于集中器与用户电能表终端的近距离通信。 系统设计考虑了可扩展性和灵活性,分布式安装结构减少了线缆工程,施工更为简便。随着用户数量或负荷的增长,系统可以按需扩展,避免了一次性投入过大导致的资源浪费。 用户电能表终端的设计是系统的核心部分,包含多模块集成: - AC/DC开关电源模块:为终端设备提供稳定电源。 - 电量传感器模块:监测并记录电能消耗。 - 故障保护模块:保护设备免受电力异常的影响。 - 计量模块:精确测量电能使用量。 - 负荷控制模块:可执行远程控制操作,如负荷限制。 - LED显示模块:向用户提供直观的用电信息。 - MCU系统模块:微控制器单元,负责处理和控制各模块的工作。 - 低压扩频载波通信模块:实现与集中器的电力线通信。 这样的远程抄表系统不仅减轻了工作人员的负担,还提升了数据的实时性和准确性,为电力企业的用电管理提供了高效、智能的解决方案。同时,通过优化通信和扩展机制,降低了运营成本,有利于电力行业的可持续发展。
recommend-type

K8s调度器内核拆解:Predicate预选阶段11个默认插件失效场景+Priority打分偏差超35%的量化调优方案(含自定义调度器实操)

# Kubernetes 调度器深度实践:从 Predicate 失效归因到 Priority 量化调优 在某金融级混合云集群中,一个看似普通的 `Pending` Pod 让 SRE 团队连续排查了 47 分钟——`kubectl describe pod` 显示 “0/5 nodes are available: 2 node(s) didn’t match Pod’s node affinity/selector”,但没人能说清到底是哪个节点、哪条标签、在哪个插件里失败的。这不是孤例。当 Kubernetes 集群规模突破千节点、负载类型覆盖 GPU 训练、实时音视频、Serverle