기본 콘텐츠로 건너뛰기

linux; daemon # service

# 프로그램을 실행하는 방법중에 하나.


daemon : 항상켜져 있는 프로그램. 언제 사용할지 모르는 프로그램들 ls, rm, mkdir 과 같은 것들은 필요할때만 사용하는 것들.

server와 같은 프로그램들은 항상켜져 있어야 한다. daemon의 대표적인 예다.

client는 인터넷을 통해서 server에 접속한다. user 입장에서는 필요할때 프로그램을 일시적으로 사용하여야 하지만, sever 관점에서는 user가 언제 데이터를 사용할지 모르기 때문에 항상 on  해야만 한다. server를 daemon 혹은 service라고 명명한다.

웹서버를 설치해보자.

sudo apt-get install apache2


cd /etc/init.d/     # /etc/init.d/의 경로는 daemon 프로그램들이 있는 저장소 이다.


sudo service apache2 start
 # daemon 프로그램을 on , off할때 사용하는 명령어를 의미한다.

ps aux | grep apache2
# 실행되고 있는  프로그램을 확인할 수 있다.


sudo service apache2 stop

# 실행되고 있는 프로그램을 멈춘다.


rc3.d : cli 기반으로 구동하고 있을 때 사용
rc5.d : gui 기반으로 구동하고 있을 때 사용한다.

cd /etc/rc3.d
# 여기에 S02apache2 -> 라고 있을때  S라고 시작되면  뒤에 이름에 해당되는  프로그램은 rc3.d 경로에 있으면 콘솔에 있으면 cli로 부팅된 컴퓨터에서 자동으로 실행된다는 의미이다.
K로 적혀있는 프로그램은 부팅될때 실행되지 않는다. 숫자 01, 02는 우선순위를 명명한다.

즉, rc3.d 에 링크를 걸면된다.

링크 :
/etc/rc5.d/S02apache2    # 현재 링크에 apache가 없음에도 apache가 실행된다.
/etc/rc5.d/K02apache2    # 현재 링크에 apache가 없음에도 apache가 중지 된다.




댓글

이 블로그의 인기 게시물

Kernel Density Estimation(커널밀도추정), Density plot in R

 Kernel Density Estimation(커널밀도추정) Density Estimation(밀도추정)  : 통계란, 데이터는 어떤변수가 가질 수 있는 다양한 가능성 중에 하나가 현실 세계에 구체화된 값이다. 그리고 우리는 그 변수의 성질을 파악하기위해서 부단히 노력을 한다. 하나의 데이터로 특성을 파악하기에는 어렵기 때문에 수많은 데이터를 이용해서 데이터의 특성을 파악하고자 노력을 한다. 이렇게 얻어진 데이터를 이용해서 데이터들의 분포로 부터 원래변수의 분포특성을 추정하고자 하는 것이 density estimation 이라고 한다.  - 밀도(density)는 수학적으로는 질량/부피 이지만,  밀도추정(density estimate), 기계학습, 확률, 통계 등에서 말하는 밀도(density)는 확률밀도(probagiltity density function)을 추정하는 것과 동일하다. f(a)는 x=a에서의 확률밀도(probability density)이다. 즉 x가 a라는 값을 가질 상대적인 가능성(relative likelihood)를 나타낸다.  즉 다시말하면 x=a 일 확률은 0이지만, x=a에서의 밀도는 0이 아니다. 또한 x가 a,b 사이의 값을 가질 확률은 그 구간의 확률밀도함수의 적분값으로 계산된다. 어떤 변수의 확률밀도함수(PDF)를 구할 수 있으면 그 변수가 가질 수 있는 값의 범위 및 확률, 기계학습 추정등에서 가장 핵심정인 요소중의 하나이다. Parametric vs Non-parametric 밀도추정. 밀도추정(density estimation)방법은 크게 parametric 방법과 non-parametric 방법으로 나뉜다. parametric density estimate는  확률밀도함수(PDF)에 대한 모델을 정해놓고 데이터들로부터 모델의 파라미터만 추정하는 방식이다.  즉 예를 들면 일일 교통량이 정규분포를 따른다고 가정해버리면...

python; cv2.cvtColor ;RGB 영상 이미지 처리 방법

디지털 영상  - 디지털 영상은 2차원 행렬의 형태로 표현되는데, 격자 하나를 하나의 픽셀이라고 부릅니다. 이를 3차원 영상처리에서는 복셀로 부르게 되는데요.  - 각자의 기준점에서 영상 좌표를 지정하고 그리고 변경함에 따라서 선택적으로 영상을 처리할 수 있게 됩니다. Digital Image의 유형은  Binary Image : 0 혹은 1로 나누어진 이미지를 의미하고,   Gray scale image :  color image - RGB color : - HSV color :   H(ue) : 0 : red, 120도 : Green, 240도 : Blue)   S(aturation) : 채도를 의미하고 색이 흐리다 , 진하다를 의미   V(alue) : 명도를 의미, 색이 어둡다 깊다를 의미 사용법 cv2.cvtColor(scr, code) parameter scr : input image code :  - grayscale을 BGR로 변환하기 위해서는 cv2.COLOR_BGR2GRAY를 사용하면 된다. 예제 aaa = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) pl.imshow(aaa) -원래 이미지 결과 이미지

python; cv2.getStructuringElement

사용법 cv2.getStructutinElement(shape,ksize[,anchor]) parameter shape :  - MORPH_RET : 사각형  - MORPH_ELLIPSE : 타원형  - MORPH_CROSS : 십자 ksize => 커널의 사이즈를 의미 예제 :  element = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(7,7)) pl.imshow(element)