29.6.1 解決方案 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171 30 不安全的 Rust 174 30.1 不安全的 Rust . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174 30.2 對裸指標解參考 . 176 30.5 呼叫不安全的函式 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177 30.6 實作不安全的特徵 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178 30.7 安全的 FFI 包裝函式 . . . minutes 模組 40 minutes 測試 45 minutes • 第 4 天下午 (2 小時 10 分鐘，含休息) Segment Duration 錯誤處理 55 minutes 不安全的 Rust 1 hour and 5 minutes 深入探索 In addition to the 4-day class on Rust Fundamentals, we cover some

很多新程序使用 configure 腳本和 Makefile 文件來幫助預處理程序。 (參看 info autoconf、info automake)。autotools-dev 則用於保持指定的自動配置文件爲最新，並帶有關 於使用那些文件的最佳方法的文檔。 • dh-make 和 debhelper - dh-make 是用於創建我們示例軟件包骨架所必須的，它會使用 debhelper 中的一些工 debian-legal@lists.debian.org (http://lists.debian.org/- debian-legal/) 請他人提出意見。 • 程式 不能給 Debian 系統帶來安全或維護問題。 – 程式應當帶有良好的文件，最好是原始碼也容易理解（比如，不混亂）。 – 你應該與程序的作者取得聯繫問一下他是否認爲程序應當被打包，以及他是否對 Debian 友好。能夠詢問作者關於 到 root 。更好的情況是它不 setuid 或 setgid 到任何用戶或組。 – 程序不應該是守護進程，也不應該進入 */sbin 目錄或者以 root 打開任何端口。 當然，這些都是為了安全，並試圖避免你在，比如 setuid 守護程序等問題上犯錯誤而激怒了使用者... 當你在打包方面 有了更多經驗時，就能夠處理這樣的軟體包了，不必著急。 我們鼓勵你，作爲一個新維護人員，選擇易於打包

Kubernetes 系統的核心元件，它們共同構成 Kubernetes 系統的框 架和運算模型。透過對它們進行靈活組合，使用者就可快速、方便地對容器叢集進 行配置、建置和管理。 除了以上核心元件，在 Kubernetes 系統中還有許多可供配置的資源物件，例如 LimitRange、ResourceQuota。另外，一些系統內部使用的物件 Binding、Event 等 請參考 Kubernetes Service。 (4) 這類情況包含： y 叢集內的容器存取 Pod； y 叢集內的容器存取其他叢集內的容器； y 叢集內的容器存取 Service。 2-39 2.4 安全機制的原理 (1) HTTPS 通訊雙方的伺服器端向 CA 機構申請憑證，CA 機構是可信任的協力廠 商機構，它可以是一個公認的權威企業，也可以是企業本身。企業內部系統一 般都用企業本身的認證系統。CA Grafana 均以 Pod 的形式啟動 和運行。 在啟動這些 Pod 之前，首先需要為 Heapster 配置與 Master 的安全連線。 5.2.1 配置 Kubernetes 叢集的 ServiceAccount 和 Secret Heapster 目前版本需要使用 HTTPS 的安全方式與 Kubernetes Master 進行連線，所 以需要先進行 ServiceAccount 和

顯、最緊迫的挑戰與 Day 0 和 Day 1 有關 • 推動 Kubernetes 的動力通常是： • 提高開發人員的敏捷性 • 提高開發人員的開發速度 • 通過讓開發人員訪問自助服務配置 來消除開發過程中的摩擦 6 Click to edit Master title style 7 什麼是 Kubernetes Day 2 • 速度和敏捷性的顯著提高，從每月部 署轉變為每日部署。 t e s 的 挑 戰 8 Click to edit Master title style 9 Kubernetes Day2 Ops 要作那些事? • 集群標準化和生命週期管理 • 安全訪問和環境隔離 • 維運可觀察性和流程透通性 • 治理與合規 • 持續第三方元件整合和維護 9 Ref. Use Platform Engineering to Implement DevOps 自助服務，依靠一小群平台工程師來 管理底層操作系統。 • Centralized policy controls • 運營團隊需要一種集中控制集群和工 作負載策略的方法，以確保根據組織 圍繞安全性、合規性和其他最佳實踐 的策略配置 Kubernetes 和容器。 • Kubernetes-native monitoring and logging for security and availability

dh_shlibdeps, dh_gencontrol, dh_md5sums, dh_builddeb, . . . ▶ 由 debian/rules 所呼叫 ▶ 透過 debian/中的指令參數或檔案來進行配置的動作 package.docs, package.examples, package.install, package.manpages, ... ▶ 有第三方小幫手可以協助打包套件: python-support 主要的 suite ▶ security 更新為 security.debian.org 所提供的 suite, 並被安全團隊 所使用, 更新消息會公佈在 debian-security-announce mailing list ▶ stable-updates: 跟安全無關, 但是需要被緊急安裝的更新(不需等待下 次的小版本更新): 如防毒的資料庫, 時區相關套件等等, 會公佈在 debian-stable-announce 你可以手動編輯或者創建一條歷程記錄. ▶ 或者你可以使用dch -i, 使用編輯器創建一條歷程記錄 ▶ 名字以及電子郵件的相關設定可透過DEBFULLNAME and DEBEMAIL環境變數 來進行配置 ▶ 接著重新構建套件: 產生一個新版本套件 ▶ 套件版本規則被定義在Debian policy 章節 5.6.12 https://www.debian.org/doc/debian-policy/ch-controlfields

是用於自動部署，擴展和管理容器化應用 程序的開源系統 ○ 根據資源需求和其他約束自動放置容器 ○ 自我修復，重新啟動失敗的容器 ○ 橫向縮放，自動調整應用程序副本數 ○ 自動部署和回滾，逐漸部署對應用程序或其配置的更改， 在出現 問題時恢復更改 Google Kubernetes Engine ● Google Kubernetes Engine GKE ○ 在 Google Cloud 提供技術的 上部署、管理容器化應用程式及調整資源 為何 Google GKE 是佈署 K8S 的首選 全球佈署 業界最多的佈 署地區選擇 多重版本 支援最多的 GKE發佈版本 ，自動升級 高可用性 支援跨資料中 心自動配置叢 集 網路安全 毋須額外套件 過濾容器到容 器流量防護 自動擴展 隨需動態擴展 負載平衡 整合無流量上 限的Google Cloud Load Balancer Demo: Create

效率。最直接 的方法是找一臺計算機，執行這兩個演算法，並監控記錄它們的執行時間和記憶體佔用情況。這種評估方式 能夠反映真實情況，但也存在較大的侷限性。 一方面，難以排除測試環境的干擾因素。硬體配置會影響演算法的效能表現。比如一個演算法的並行度較高， 那麼它就更適合在多核 CPU 上執行，一個演算法的記憶體操作密集，那麼它在高效能記憶體上的表現就會 更好。也就是說，演算法在不同的機器上的測 並根據情境選擇合適 的方法至關重要。 2.3 時間複雜度 執行時間可以直觀且準確地反映演算法的效率。如果我們想準確預估一段程式碼的執行時間，應該如何操作 呢？ 1. 確定執行平臺，包括硬體配置、程式語言、系統環境等，這些因素都會影響程式碼的執行效率。 2. 評估各種計算操作所需的執行時間，例如加法操作 + 需要 1 ns ，乘法操作 * 需要 10 ns ，列印操作 print() 需要 i; } return -1; } 值得說明的是，我們在實際中很少使用最佳時間複雜度，因為通常只有在很小機率下才能達到，可能會帶來 一定的誤導性。而最差時間複雜度更為實用，因為它給出了一個效率安全值，讓我們可以放心地使用演算 法。 從上述示例可以看出，最差時間複雜度和最佳時間複雜度只出現於“特殊的資料分佈”，這些情況的出現機率 可能很小，並不能真實地反映演算法執行效率。相比之下，平均時間複雜度可以體現演算法在隨機輸入資料

效率。最直接 的方法是找一臺計算機，執行這兩個演算法，並監控記錄它們的執行時間和記憶體佔用情況。這種評估方式 能夠反映真實情況，但也存在較大的侷限性。 一方面，難以排除測試環境的干擾因素。硬體配置會影響演算法的效能表現。比如一個演算法的並行度較高， 那麼它就更適合在多核 CPU 上執行，一個演算法的記憶體操作密集，那麼它在高效能記憶體上的表現就會 更好。也就是說，演算法在不同的機器上的測 並根據情境選擇合適 的方法至關重要。 2.3 時間複雜度 執行時間可以直觀且準確地反映演算法的效率。如果我們想準確預估一段程式碼的執行時間，應該如何操作 呢？ 1. 確定執行平臺，包括硬體配置、程式語言、系統環境等，這些因素都會影響程式碼的執行效率。 2. 評估各種計算操作所需的執行時間，例如加法操作 + 需要 1 ns ，乘法操作 * 需要 10 ns ，列印操作 print() 需要 i; } return -1; } 值得說明的是，我們在實際中很少使用最佳時間複雜度，因為通常只有在很小機率下才能達到，可能會帶來 一定的誤導性。而最差時間複雜度更為實用，因為它給出了一個效率安全值，讓我們可以放心地使用演算 法。 從上述示例可以看出，最差時間複雜度和最佳時間複雜度只出現於“特殊的資料分佈”，這些情況的出現機率 可能很小，並不能真實地反映演算法執行效率。相比之下，平均時間複雜度可以體現演算法在隨機輸入資料

效率。最直接 的方法是找一臺計算機，執行這兩個演算法，並監控記錄它們的執行時間和記憶體佔用情況。這種評估方式 能夠反映真實情況，但也存在較大的侷限性。 一方面，難以排除測試環境的干擾因素。硬體配置會影響演算法的效能表現。比如一個演算法的並行度較高， 那麼它就更適合在多核 CPU 上執行，一個演算法的記憶體操作密集，那麼它在高效能記憶體上的表現就會 更好。也就是說，演算法在不同的機器上的測 並根據情境選擇合適 的方法至關重要。 2.3 時間複雜度 執行時間可以直觀且準確地反映演算法的效率。如果我們想準確預估一段程式碼的執行時間，應該如何操作 呢？ 1. 確定執行平臺，包括硬體配置、程式語言、系統環境等，這些因素都會影響程式碼的執行效率。 2. 評估各種計算操作所需的執行時間，例如加法操作 + 需要 1 ns ，乘法操作 * 需要 10 ns ，列印操作 print() 需要 } } return -1 } 值得說明的是，我們在實際中很少使用最佳時間複雜度，因為通常只有在很小機率下才能達到，可能會帶來 一定的誤導性。而最差時間複雜度更為實用，因為它給出了一個效率安全值，讓我們可以放心地使用演算 法。 從上述示例可以看出，最差時間複雜度和最佳時間複雜度只出現於“特殊的資料分佈”，這些情況的出現機率 可能很小，並不能真實地反映演算法執行效率。相比之下，平均時間複雜度可以體現演算法在隨機輸入資料

效率。最直接 的方法是找一臺計算機，執行這兩個演算法，並監控記錄它們的執行時間和記憶體佔用情況。這種評估方式 能夠反映真實情況，但也存在較大的侷限性。 一方面，難以排除測試環境的干擾因素。硬體配置會影響演算法的效能表現。比如一個演算法的並行度較高， 那麼它就更適合在多核 CPU 上執行，一個演算法的記憶體操作密集，那麼它在高效能記憶體上的表現就會 更好。也就是說，演算法在不同的機器上的測 並根據情境選擇合適 的方法至關重要。 2.3 時間複雜度 執行時間可以直觀且準確地反映演算法的效率。如果我們想準確預估一段程式碼的執行時間，應該如何操作 呢？ 1. 確定執行平臺，包括硬體配置、程式語言、系統環境等，這些因素都會影響程式碼的執行效率。 2. 評估各種計算操作所需的執行時間，例如加法操作 + 需要 1 ns ，乘法操作 * 需要 10 ns ，列印操作 print() 需要 i } return -1 } 值得說明的是，我們在實際中很少使用最佳時間複雜度，因為通常只有在很小機率下才能達到，可能會帶來 一定的誤導性。而最差時間複雜度更為實用，因為它給出了一個效率安全值，讓我們可以放心地使用演算 法。 從上述示例可以看出，最差時間複雜度和最佳時間複雜度只出現於“特殊的資料分佈”，這些情況的出現機率 可能很小，並不能真實地反映演算法執行效率。相比之下，平均時間複雜度可以體現演算法在隨機輸入資料