活动介绍

SSH连接与操作全解析

立即解锁
发布时间: 2025-09-01 02:03:13 阅读量: 113 订阅数: 11 AIGC
# SSH 连接与操作全解析 ## 1. SSH 主机密钥概述 当 SSH 客户端首次连接到远程主机时,双方会交换临时公钥,以此对后续通信进行加密,防止信息泄露。客户端在披露更多信息之前,需要确认远程服务器的身份。这是合理的,因为若连接到的是黑客软件,我们肯定不希望泄露用户名和密码。 ### 1.1 公钥基础设施的问题 构建公钥基础设施是解决互联网机器身份验证的一种方法。首先要确定证书颁发机构,将其公钥列表安装到所有浏览器和 SSL 客户端中,然后付费让这些机构验证身份并签署 SSL 证书,最后将证书安装到 Web 服务器上。但从 SSH 的角度看,这种方法存在诸多问题。虽然可以创建内部公钥基础设施,自行分发证书并签署服务器证书,但这仍是一个漫长的过程,而且服务器管理员通常希望在不咨询中央机构的情况下快速设置、使用和停用服务器。 ### 1.2 SSH 主机密钥的生成与分发 SSH 假定服务器部署时会生成一个未签名的随机公私钥对,采用以下两种密钥分发方法: - **系统管理员脚本分发**:系统管理员创建脚本收集组织内所有主机的公钥,生成 `ssh_known_hosts` 文件,并保存到每台机器的 `/etc/sshd` 目录,也可提供给桌面客户端。这样,SSH 客户端在首次连接前就知道所有主机密钥。 - **客户端首次连接记忆**:管理员也可让 SSH 客户端在首次连接时记忆主机密钥。当客户端遇到不认识的主机时,会提示用户确认,用户输入 “yes” 后,客户端密钥会保存到 `/.ssh/known_hosts` 文件中。后续连接该主机时,可确保连接到正确的位置。 ### 1.3 SSH 命令行提示示例 当 SSH 命令行遇到不熟悉的主机时,会显示如下提示: ```plaintext $ ssh dns.google The authenticity of host ‘dns.google (8.8.8.8)’ can’t be established. RSA key fingerprint is 85:8f:32:4r:ac:1f:a9:bc:35:58:c1:d4:25:e3:c7:8c. Are you sure you want to continue connecting (yes/no)? yes Warning: Permanently added ‘dns.google 8.8.8.8’ (RSA) to the list of known hosts. ``` 若 SSH 连接到主机后发现密钥不同,会给出警告: ```plaintext $ ssh dns.google @@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@ @ WARNING: REMOTE HOST IDENTIFICATION HAS CHANGED! @ @@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@ IT IS POSSIBLE THAT SOMEONE IS DOING SOMETHING NASTY! Someone could be eavesdropping on you right now (man-in-the- middle attack)! ``` ### 1.4 paramiko 库对主机密钥的处理 `paramiko` 库支持所有涉及主机密钥的标准 SSH 方法,但默认行为较为简单。默认情况下,它不加载任何主机密钥文件,因此首次连接主机时会抛出异常。示例代码如下: ```python import paramiko client = paramiko.SSHClient() client.connect('example.com', username='test') # 会抛出异常 # Traceback (most recent call last): # ... # paramiko.ssh_exception.SSHException: Server ‘example.com’ not # found in known_hosts ``` 为使连接行为像典型的 SSH 命令,连接前需加载系统和当前用户的已知主机密钥: ```python client.load_system_host_keys() client.load_host_keys('/home/John/.ssh/known_hosts') client.connect('example.com', username='test') ``` 还可使用 `paramiko` 库选择如何处理未知主机。通过继承 `MissingHostKeyPolicy` 类创建决策类,示例如下: ```python class AllowAnythingPolicy(paramiko.MissingHostKeyPolicy): def missing_host_key(self, client, hostname, key): return client.set_missing_host_key_policy(AllowAnythingPolicy()) client.connect('example.com', username='test') ``` `paramiko` 库中还有其他决策类: | 决策类 | 描述 | | ---- | ---- | | `paramiko.AutoAddPolicy` | 首次看到主机密钥时,立即将其添加到用户主机密钥存储中,但后续主机密钥更改会导致致命异常。 | | `paramiko.RejectPolicy` | 连接到具有未知密钥的主机时,抛出异常。 | | `paramiko.WarningPolicy` | 连接到未知主机时,记录警告,但允许连接继续。 | ## 2. SSH 身份验证 SSH 身份验证有大量相关文档,常见的身份验证方法有三种: - **用户名和密码**:提供用户名和密码进行身份验证。 - **公钥挑战响应**:提供用户名,通过公钥挑战响应证明拥有隐藏的 “身份” 密钥,而不向远程系统暴露其内容。 - **Kerberos 身份验证**:若远程系统支持 Kerberos,且使用 `kinit` 命令行工具在 SSH 服务器的身份验证域中验证了身份,则可无密码登录。 ### 2.1 使用 paramiko 进行身份验证 使用用户名和密码进行身份验证时,在 `connect()` 方法中指定即可: ```python client.connect('example.com', username='john', password='abc12345') ``` 使用公钥进行身份验证时,使用 `ssh-keygen` 生成 “身份” 密钥对,通常保存到 `/.ssh` 目录,可无密码进行身份验证: ```python client.connect('my.example.com') ``` 若身份密钥文件不在标准的 `/.ssh/id_rsa` 目录,可手动指定文件名称或文件名称列表: ```python client.connect('my.example.com', key_filename= ```
corwn 最低0.47元/天 解锁专栏
赠100次下载
继续阅读 点击查看下一篇
profit 400次 会员资源下载次数
profit 300万+ 优质博客文章
profit 1000万+ 优质下载资源
profit 1000万+ 优质文库回答
复制全文

相关推荐

张_伟_杰

人工智能专家
人工智能和大数据领域有超过10年的工作经验,拥有深厚的技术功底,曾先后就职于多家知名科技公司。职业生涯中,曾担任人工智能工程师和数据科学家,负责开发和优化各种人工智能和大数据应用。在人工智能算法和技术,包括机器学习、深度学习、自然语言处理等领域有一定的研究
最低0.47元/天 解锁专栏
赠100次下载
百万级 高质量VIP文章无限畅学
千万级 优质资源任意下载
千万级 优质文库回答免费看
立即解锁

专栏目录

最新推荐

具有多重时滞和不确定参数的CRDNNs的无源性与同步性研究

# 具有多重时滞和不确定参数的 CRDNNs 的无源性与同步性研究 ## 1. 引言 在神经网络的研究领域中,具有多重时滞和不确定参数的连续反应扩散神经网络(CRDNNs)的无源性和同步性是重要的研究课题。无源性能够保证系统的稳定性和能量特性,而同步性则在信息处理、通信等领域有着广泛的应用。本文将深入探讨 CRDNNs 的无源性和同步性相关问题,包括理论分析和数值验证。 ## 2. 无源性判据 ### 2.1 输出严格无源性条件 当满足以下矩阵不等式时,网络(9.17)具有输出严格无源性: \[ \begin{bmatrix} W_6 & \Xi_2 \\ \Xi_2^T & W_7 \e

OpenVX:跨平台高效编程的秘诀

### OpenVX:跨平台高效编程的秘诀 #### 1. OpenCL 互操作性扩展 OpenCL 互操作性扩展为 OpenVX 内的应用程序和用户算法提供了高效实现的支持,具备以下六个关键特性: - 共享一个通用的 `cl_context` 对象,供 OpenVX 和 OpenCL 应用程序使用。 - 共享一组有序的 `cl_command_queue` 对象,用于 OpenVX 和 OpenCL 应用程序/用户内核之间的协调。 - 允许 OpenCL 应用程序将 `cl_mem` 缓冲区导出到 OpenVX。 - 允许 OpenCL 应用程序从 OpenVX 收回导出的 `cl_mem

HNPU-V1:自适应DNN训练处理器的技术解析与性能评估

### HNPU-V1:自适应DNN训练处理器的技术解析与性能评估 在深度学习领域,DNN(深度神经网络)训练处理器的性能对于提高训练效率和降低能耗至关重要。今天我们要介绍的HNPU - V1就是一款具有创新性的自适应DNN训练处理器,它采用了多种先进技术来提升性能。 #### 1. 稀疏性利用技术 在DNN训练过程中,会出现输入或输出稀疏性的情况。传统的输出零预测方法虽然可以同时利用输入和输出稀疏性,但会带来面积和能量开销。而HNPU - V1采用了独特的稀疏性利用技术。 ##### 1.1 切片级输入跳过(Slice - Level Input Skipping) - **原理**:

语音情感识别:预加重滤波器与清音影响分析

### 语音情感识别:预加重滤波器与清音影响分析 在语音情感识别领域,多种因素会影响识别的准确性和性能。本文将深入探讨预加重滤波器、清音去除等因素对语音情感分类的影响,并通过一系列实验来揭示不同特征向量大小、帧大小等参数在不同数据库中的表现。 #### 1. 清音去除 在语音情感识别中,通常会使用浊音和清音进行情感识别。然而,清音往往与语音信号记录中的噪声或静音区域具有相似的时间和频谱特征。为了探索去除清音后分类阶段的性能,我们使用自相关函数来去除每一帧中的清音。 具体步骤如下: 1. **自相关函数定义**:对于信号 $x(n)$ 从样本 $n$ 开始的一帧,其短时自相关函数定义为 $

网络数据上的无监督机器学习

### 网络数据上的无监督机器学习 在处理图数据时,机器学习(ML)并非必需,但它能带来很大的帮助。不过,ML的定义较为模糊,例如社区检测算法虽能自动识别网络中的社区,可被视为无监督ML,但NetworkX提供的一些方法虽类似却未得到数据科学界同等关注,因为它们未被明确称为图ML。 #### 1. 网络科学方法 在处理图数据时,有很多已掌握的方法可避免使用所谓的图ML: - **社区识别**:可以使用Louvain算法或直接查看连通分量。 - **枢纽节点识别**:使用PageRank算法,无需嵌入。 - **孤立节点识别**:使用`k_corona(0)`,无需ML。 - **训练数据创

言语节奏与大脑定时模式:探索神经机制与应用

# 言语节奏与大脑定时模式:探索神经机制与应用 ## 1. 大脑的预测性与时间维度 人类大脑是一个具有建设性的器官,它能够生成预测以调节自身功能,并持续适应动态环境。在这个过程中,运动和非运动行为的时间维度正逐渐被视为预测性偏差的关键组成部分。然而,编码、解码和评估时间信息以产生时间感和控制感觉运动定时的神经机制之间的复杂相互作用,仍然大部分是未知的。 ### 1.1 事件的时间与类型维度 个体和环境中的所有状态变化都会产生由类型(“是什么”)和时间(“何时”)定义的事件。为了成功地与不断变化的环境进行交互,人们需要不断适应这些事件的“是什么”和“何时”维度。人类不仅会对事件做出反应,还会

自适应复杂网络结构中的同步现象解析

# 自适应复杂网络结构中的同步现象解析 ## 1. 引言 在复杂的动力学网络中,同步现象一直是研究的重点。我们将主稳定性方法拓展到由 $N$ 个扩散且自适应耦合的振荡器组成的复杂网络中。通过对自适应耦合相位振荡器这一典型模型的研究,我们发现了由于稳定性岛屿的存在而导致的多簇现象的出现。接下来,我们将深入探讨相关内容。 ## 2. 自适应耦合振荡器网络模型 考虑一个由 $N$ 个扩散且自适应耦合的振荡器组成的网络,其形式如下: \(\dot{x}_i = f (x_i(t)) - \sigma \sum_{j = 1}^{N} a_{ij} \kappa_{ij} G(x_i - x_j)\

利用大数据进行高效机器学习

### 利用大数据进行高效机器学习 #### 1. 集群管理与并行计算基础 在处理大数据时,集群的使用至关重要。当集群任务完成后,终止其派生的进程能释放每个节点占用的资源,使用如下命令: ```R stopCluster(cl1) ``` 对于大规模的大数据问题,还可以进行更复杂的`snow`配置,例如配置Beowulf集群(由多个消费级机器组成的网络)。在学术和行业研究中,若有专用计算集群,`snow`可借助`Rmpi`包访问高性能消息传递接口(MPI)服务器,但这需要网络配置和计算硬件方面的知识。 #### 2. 使用`foreach`和`doParallel`实现并行计算 `fore

计算机视觉中的概率图模型:不完整数据下的贝叶斯网络学习

# 计算机视觉中的概率图模型:不完整数据下的贝叶斯网络学习 在计算机视觉领域,概率图模型是一种强大的工具,可用于处理复杂的概率关系。当数据不完整时,贝叶斯网络(BN)的参数学习和结构学习变得更具挑战性。本文将介绍不完整数据下BN参数学习和结构学习的方法。 ## 1. 不完整数据下的BN参数学习 在不完整数据中,变量 $Z_m$ 可能随机缺失或始终缺失。与完整数据情况类似,不完整数据下的BN参数学习也可通过最大似然法或贝叶斯法实现。 ### 1.1 最大似然估计 最大似然估计(ML)需要通过最大化边际似然来找到BN参数 $\theta = \{\theta_n\}_{n=1}^N$: $$

SSH连接与操作全解析

# SSH 连接与操作全解析 ## 1. SSH 主机密钥概述 当 SSH 客户端首次连接到远程主机时,双方会交换临时公钥,以此对后续通信进行加密,防止信息泄露。客户端在披露更多信息之前,需要确认远程服务器的身份。这是合理的,因为若连接到的是黑客软件,我们肯定不希望泄露用户名和密码。 ### 1.1 公钥基础设施的问题 构建公钥基础设施是解决互联网机器身份验证的一种方法。首先要确定证书颁发机构,将其公钥列表安装到所有浏览器和 SSL 客户端中,然后付费让这些机构验证身份并签署 SSL 证书,最后将证书安装到 Web 服务器上。但从 SSH 的角度看,这种方法存在诸多问题。虽然可以创建内部公