解决方案:[日志分析]Graylog2采集Nginx日志 主动方式

　　解决方案:[日志分析]Graylog2采集Nginx日志 主动方式

　　这次，我们来谈谈 Graylog 是如何主动采集

Nginx 日志的，分为两部分：

　　首先，让我们介绍一下灰日志采集

器挎斗Graylog

　　Collector Sidecar是一个轻量级的日志采集

器，通过访问Graylog进行集中管理，支持Linux和Windows系统。

　　边车

　　守护进程定期访问 graylog 的 REST API 接口，获取挎斗配置文件中定义的标签，挎斗从 graylog 服务器配置文件中提取指定标签的配置信息，在首次运行时在本地同步。

　　目前Sidecar支持NXLog，Filebeat和Winlogbeat。它们都是通过 graylog 中的 Web 界面统一配置的，支持 Beats、CEF、Gelf、Json API、NetFlow 等输出类型。

　　Graylog 最强大的一点就是可以在配置文件中指定 sidecar 将日志发送到哪个 graylog 集群，并对 graylog 集群中的多个输入进行负载均衡，这样当日志量非常大时，graylog 也可以轻松应对。

　　配置灰日志采集

器挎斗以采集

nginx 日志

　　1. 灰日志服务器端配置：

　　（1） 导航栏 系统/采集

器 -> 采集

器 -> 管理配置 -> 创建配置以创建我们的第一个配置文件 linux

　　（2）在输入字段中写下配置文件linux的名称，表明这是用于采集

Linux主机日志的配置文件，点击保存保存

　　（3） 创建节拍输出，

　　我们在配置 Beats 输出中点击创建输出，输出主要定义日志的类型以及它将流向的目标服务器（graylog），这就像你派一个快递员写下要接收的包裹的地址。

　　（4）Beats输出中需要填写的内容是输出的名称（Name）：对于Linux，类型（Type）我们选择Filebeat，主机中填写了graylog日志服务器的地址和端口（假设我们是三个灰日志192.168.252.10-12的集群，5044是beats类型的默认端口）， 然后把 负载均衡 （负载均衡） 选中，这样日志采集

完毕后，日志会轮询到三台主机，最后点击保存保存

　　（5） 创建 Beats 输出后，我们还创建一个输入，然后单击 创建输入 下 配置 节拍输入 创建它。 input 相当于属于 ForLinux 配置的标签，用于定义源日志的信息。同样以发送快递为例，这个输入相当于填写了发送方的地址信息，告诉对方发送并发送给ForLinux，ForLinux的配置是写入收件人的地址信息，可以定义多个输入来区分不同的发送者，即源日志的类型。

　　

" />

　　（6）Beats 输入填写名称（谁发送）、转发给（发送给谁）、类型（linux 或 windows）、日志文件路径（相当于发件人的详细地址）、输入文件类型（类型字段中的 ES 分析日志，易于区分日志类型），最后点击保存保存

　　（7）保存Beats输入后，不要忘记更新创建的标签，否则客户端将找不到标签。上述灰色日志服务器端配置已完成。

　　（8） 灰日志创建用于日志接收的输入 5044 端口，导航栏系统/输入 ->输入，在复选框中选择 Beats，然后单击启动新输入

　　（9）如果是garylog集群，选择全局，即在每个节点上启动端口5044，命名Beats输入，保持端口静默tcp 5044，最后点击保存保存

　　（10）我们开始安装客户端，我们以 Ubuntu 16.04 为例，假设 graylog 服务器 IP 为 192.168.252.10，nginx 服务器主机名为 nginx1：

　　在 nginx1 服务器上下载并安装 collector-sidecar

　　wget https://github.com/Graylog2/collector-sidecar/releases/download/0.1.8/collector-sidecar_0.1.8-1_amd64.deb

sudo /usr/bin/dpkg -i collector-sidecar_0.1.8-1_amd64.deb

sudo /usr/bin/graylog-collector-sidecar -service install sudo systemctl enable collector-sidecar.service

　　2. 编辑采集

器边体配置文件

　　vi /etc/graylog/collector-sidecar/collector_sidecar.yml

server_url: http://192.168.252.10:9000/api/

node_id: nginx1

update_interval: 10

tls_skip_verify: false

send_status: true

<p>

" />

list_log_files:

collector_id: file:/etc/graylog/collector-sidecar/collector-id

cache_path: /var/cache/graylog/collector-sidecar

log_path: /var/log/graylog/collector-sidecar

log_rotation_time: 86400

log_max_age: 604800

tags:

- nginx_beats_input

backends:

- name: nxlog

enabled: false

binary_path: /usr/bin/nxlog

configuration_path: /etc/graylog/collector-sidecar/generated/nxlog.conf

- name: filebeat

enabled: true

binary_path: /usr/bin/filebeat

configuration_path: /etc/graylog/collector-sidecar/generated/filebeat.yml

service collector-sidecar restart</p>

　　3. 检查采集

器边车日志

　　tail -f /var/log/graylog/collector-sidecar/collector_sidecar.log

　　知乎：酒局晚餐

　　解决方案:【图像识别-车牌识别】基于BP神经网络求解车牌识别问题含GUI界面和报告

　　✅作者简介：热爱科研的Matlab仿真开发者。他一边修心，一边修技术。matlab项目合作可以私信我们。

　　个人主页：Matlab研究室

　　个人信条：调查事物才能知道。

　　点击查看更多Matlab仿真内容

　　⛄ 简介 进入21世纪，经济飞速发展，人们生活水平显着提高，汽车逐渐成为家庭的主要代步工具。汽车产量快速增长，车辆流动越来越频繁，给交通带来了严重的问题，如交通拥堵、交通事故等。智能交通系统（Intelligent Transportation System）的出现是为了从根本上解决交通问题。车牌识别技术在智能交通系统中占有重要地位。车牌识别技术的推广和普及，对于加强道路管理、城市交通事故、违章停车，*敏*感*词*车辆盗窃*敏*感*词*，维护社会稳定。本设计主要研究基于MATLAB软件的车牌识别系统的设计。该系统主要包括五个核心部分：图像采集、图像预处理、车牌定位、字符分割和字符识别。系统的图像预处理模块是通过图像灰度化、图像增强、边缘提取、二值化将图像转换为便于车牌定位的二值化图像；利用车牌的边缘和形状，结合Roberts Operator边缘检测、数字图像、形态学等技术对车牌进行定位；字符分割的方法是在车牌的二值化部分搜索带有文本的连续块，如果长度大于设定的阈值，则切割。以完成字符的分割；字符识别是使用模板匹配算法完成的。以上各功能模块均由MATLAB软件实现。

　　一、总体设计

　　车牌识别系统技术是从车辆图像中准确定位车牌区域，然后通过字符切割和字符识别实现车辆车牌的自动识别。主要流程图如下：

　　图 1.1

　　2. 整体功能模块

　　基于MATLAB的车牌识别系统主要包括五个关键环节：图像采集、图像预处理、车牌定位、字符分割、字符识别[11]。其基本工作如下：

　　(1) 图像采集：使用相机采集图像。

　　(2)图像预处理：将图像转化为易于定位的二值化图像，需要经过图像灰度化、图像

　　增强、边缘提取、二值化操作。

　　(3)车牌定位：利用车牌的边缘、形状等特征，结合Roberts算子边缘检测，数字化

　　图像、形态学等技术定位车牌。

　　(4) 字符分割：利用车牌的二值化部分，搜索文本连续的块，如果长度大于设定

　　阈值被切割以完成字符分割。

　　(5) 字符识别：使用模板匹配算法对分割后的字符进行二值化，将其大小缩放到模板中

　　然后将板库中的字符大小与所有模板匹配，准确识别车牌。输出识别

　　结果并存储数据。

　　由于车牌灰度图的边缘、图像水平方向的方差、水平方向的梯度都比较稳定，容易提取，所以在本系统的车牌定位算法。在汽车车牌字符识别中，由于汉字的复杂性，本设计模板库中的字符包括5个汉字、26个大写英文字母和10个阿拉伯数字。第一个字符为汉字，第二至第六个字符为英文字母或数字。本系统采用边缘检测的方法实现车牌的定位，用文本搜索连续块的方法实现字符分割，

　　三、具体设计

　　下面图 3.1 中的流程图简要概述了基本步骤：

　　⛄ 零件代码

　　%bp神经网络训练

　　M=2；

　　P_0=零（800，M）；

　　P_1=零（800，M）；

　　P_2=零（800，M）；

　　P_3=零（800，M）；

　　P_4=零（800，M）；

　　P_5=零（800，M）；

　　

" />

　　P_6=零（800，M）；

　　P_7=零（800，M）；

　　P_8=零（800，M）；

　　P_9=零（800，M）；

　　P_10=零（800，M）；

　　P_11=零（800，M）；

　　P_12=零点（800，M）；

　　P_13=零（800，M）；

　　P_14=零（800，M）；

　　P_15=零（800，M）；

　　P_16=零（800，M）；

　　P_17=零（800，M）；

　　P_18=零（800，M）；

　　P_19=零（800，M）；

　　P_20=零（800，M）；

　　P_21=零（800，M）；

　　对于 m=1:M

　　filename_0=strcat('D:\毕业\bp神经网络车牌识别\字符样本\0\',int2str(m),'.jpg');

　　filename_1=strcat('D:\毕业\bp神经网络车牌识别\字符样本\1\',int2str(m),'.jpg');

　　filename_2=strcat('D:\毕业\bp神经网络车牌识别\字符样本\2\',int2str(m),'.jpg');

　　filename_3=strcat('D:\毕业\bp神经网络车牌识别\字符样本\3\',int2str(m),'.jpg');

　　filename_4=strcat('D:\毕业\bp神经网络车牌识别\字符样本\4\',int2str(m),'.jpg');

　　filename_5=strcat('D:\毕业\bp神经网络车牌识别\字符样本\5\',int2str(m),'.jpg');

　　filename_6=strcat('D:\毕业\bp神经网络车牌识别\字符样本\6\',int2str(m),'.jpg');

　　filename_7=strcat('D:\毕业\bp神经网络车牌识别\字符样本\7\',int2str(m),'.jpg');

　　filename_8=strcat('D:\毕业\bp神经网络车牌识别\字符样本\8\',int2str(m),'.jpg');

　　filename_9=strcat('D:\毕业\bp神经网络车牌识别\字符样本\9\',int2str(m),'.jpg');

　　filename_10=strcat('D:\毕业\bp神经网络车牌识别\字符样本\A\',int2str(m),'.jpg');

　　filename_11=strcat('D:\毕业\bp神经网络车牌识别\字符样本\C\',int2str(m),'.jpg');

　　filename_12=strcat('D:\毕业\bp神经网络车牌识别\字符样本\E\',int2str(m),'.jpg');

　　filename_13=strcat('D:\毕业\bp神经网络车牌识别\字符样本\G\',int2str(m),'.jpg');

　　filename_14=strcat('D:\毕业\bp神经网络车牌识别\字符样本\K\',int2str(m),'.jpg');

　　filename_15=strcat('D:\毕业\bp神经网络车牌识别\字符样本\L\',int2str(m),'.jpg');

　　filename_16=strcat('D:\毕业\bp神经网络车牌识别\字符样本\N\',int2str(m),'.jpg');

　　filename_17=strcat('D:\毕业\bp神经网络车牌识别\字符样本\T\',int2str(m),'.jpg');

　　

" />

　　filename_18=strcat('D:\graduation\bp神经网络车牌识别\字符样本\Gui\',int2str(m),'.jpg');

　　filename_19=strcat('D:\毕业\bp神经网络车牌识别\字符样本\Yu\',int2str(m),'.jpg');

　　filename_20=strcat('D:\毕业\bp神经网络车牌识别\字符样本\Su\',int2str(m),'.jpg');

　　filename_21=strcat('D:\毕业\bp神经网络车牌识别\字符样本\陕西\陕西-',int2str(m),'.jpg');

　　P_0(:,m)=预处理(imread(filename_0));

　　P_1(:,m)=预处理(imread(filename_1));

　　P_2(:,m)=预处理(imread(filename_2));

　　P_3(:,m)=预处理(imread(filename_3));

　　P_4(:,m)=预处理(imread(filename_4));

　　P_5(:,m)=预处理(imread(filename_5));

　　P_6(:,m)=预处理(imread(filename_6));

　　P_7(:,m)=预处理(imread(filename_7));

　　P_8(:,m)=预处理(imread(filename_8));

　　P_9(:,m)=预处理(imread(filename_9));

　　P_10(:,m)=预处理(imread(filename_10));

　　P_11(:,m)=预处理(imread(filename_11));

　　P_12(:,m)=预处理(imread(filename_12));

　　P_13(:,m)=预处理(imread(filename_13));

　　P_14(:,m)=预处理(imread(filename_14));

　　P_15(:,m)=预处理(imread(filename_15));

　　P_16(:,m)=预处理(imread(filename_16));

　　P_17(:,m)=预处理(imread(filename_17));

　　P_18(:,m)=预处理(imread(filename_18));

　　P_19(:,m)=预处理(imread(filename_19));

　　P_20(:,m)=预处理(imread(filename_20));

　　P_21(:,m)=预处理(imread(filename_21));

　　结尾

　　⛄ 运行结果

　　⛄ 参考文献

　　[1] 严友成，陈铭贤，周子田，等．基于GUI的BP神经网络车牌识别系统[J]．信息通信, 2018(5):2.

　　⛄ matlab代码关注❤️部分理论引用网络文献，如有侵权联系博主删除❤️关注我领取海量matlab电子书和数学建模资料