McAfee EPO 4.5备份与还原操作指南:关键步骤详解

需积分: 9 1 下载量 182 浏览量 更新于2024-07-24 收藏 1.76MB DOC 举报
本文档详细介绍了如何对McAfee Endpoint Protection (EPO) 4.5进行备份和还原操作,这对于管理和维护企业级防病毒解决方案至关重要。以下是主要步骤: 1. **服务器相关信息备份** - 在Windows命令行中,使用`ipconfig /all`命令获取计算机名、IP地址和DNS等相关信息,便于识别和定位服务器。 2. **McAfee EPO服务器安全密钥备份** - 登录EPO控制台,进入服务器设置,找到并备份“安全密钥”。这包括密钥文件(keystore.zip)以及记录的服务器端口信息和许可密钥,这些在恢复过程中是必要的。 3. **数据库备份** - 首先,检查数据库通信端口(通常是8443),确保了解关键连接信息。 - 停止McAfee EPO服务,通过服务管理器关闭相关服务。 - 改变SQL认证方式,通常切换到Windows身份验证,以方便备份。 - 进入SQL Server Management Studio,右键点击服务器,选择“属性”以访问数据库服务器的安全设置。 4. **数据库备份过程** - 查看数据库状态,记录通讯端口和其他必要数据。 - 通过备份功能导出数据库,可能需要更改SQL认证方式来执行此操作。 5. **数据库还原** - 数据库还原时,首先导入备份的数据库信息,确认数据完整无误。 - 处理证书信息,确保数据库恢复后的正常运行。 6. **密钥的还原** - 恢复之前备份的密钥,确保EPO服务器能够正确地连接到许可证服务器。 这些步骤对于确保McAfee EPO 4.5系统的稳定性和数据安全性至关重要。在实际操作中,备份应定期进行,并在遇到问题或系统升级前进行,以减少潜在的数据丢失风险。同时,备份策略应结合企业的业务需求和灾难恢复计划进行定制。

def train(): # 训练 print('Start training ===========================================>') best_epo = -1 max_pck = -1 cur_lr = learning_rate print('Learning Rate: {}'.format(learning_rate)) for epoch in range(1, epochs + 1): print('Epoch[{}/{}] ==============>'.format(epoch, epochs)) model.train() train_loss = [] for step, (img, label, img_name, w, h) in enumerate(train_loader): label = torch.stack([label] * 6, dim=1) # bz * 6 * 21 * 46 * 46 if cuda: img = img.cuda() label = label.cuda() optimizer.zero_grad() pred_maps = model(img) # (FloatTensor.cuda) size:(bz,6,21,46,46) loss = sum_mse_loss(pred_maps, label) # total loss loss.backward() optimizer.step() if step % 100 == 0: print('STEP: {} LOSS {}'.format(step, loss.item())) loss_final = sum_mse_loss(pred_maps[:, -1, ...].cpu(), label[:, -1, ...].cpu()) train_loss.append(loss_final) # save sample image **** save_images(label[:, -1, ...].cpu(), pred_maps[:, -1, ...].cpu(), epoch, img_name, save_dir) # eval model after one epoch eval_loss, cur_pck = eval(epoch, mode='valid') print('EPOCH {} Valid PCK {}'.format(epoch, cur_pck)) print('EPOCH {} TRAIN_LOSS {}'.format(epoch, sum(train_loss)/len(train_loss))) print('EPOCH {} VALID_LOSS {}'.format(epoch, eval_loss)) if cur_pck > max_pck: torch.save(model.state_dict(), os.path.join(save_dir, 'best_model.pth')) max_pck = cur_pck best_epo = epoch print('Current Best EPOCH is : {}\n**************\n'.format(best_epo)) torch.save(model.state_dict(), os.path.join(save_dir, 'final_epoch.pth')) if epoch % lr_decay_epoch == 0: cur_lr /= 2 update_lr(optimizer, cur_lr) print('Train Done!') print('Best epoch is {}'.format(best_epo))

2023-03-27 上传