⭐ 抢完就没：2T DDOS防御、无限流量、超高性价比，支持PayPal by 越玩越大胆 #uid76538
母鸡机房配置特点优点：
支持的支付方式：
PayPal
信用卡
加密货币
抢购配置：https://billing.deluxhost.net/aff.php?aff=217&
Offer F-1
1 vCore
1 GB RAM
20 GB NVMe SSD
1 G Port – Unlimited Fair Use
7欧元/年（限量抢完就没）
上车链接：https://billing.deluxhost.net/aff.php?aff=217&pid=260&carttpl=lagom2
Offer F-2
1 vCore
2 GB RAM
40 GB NVMe SSD
1 G Port – Unlimited Fair Use
9欧元/年（限量抢完就没）
上车链接：https://billing.deluxhost.net/aff.php?aff=217&pid=261&carttpl=lagom2
Offer F-3
2 vCore
4 GB RAM
60 GB NVMe SSD
10 G Port – Unlimited Fair Use
12欧元/年（限量抢完就没）
上车链接：https://billing.deluxhost.net/aff.php?aff=217&pid=262&carttpl=lagom2
Offer F-4
2 vCore
8 GB RAM
80 GB NVMe SSD
10 G Port – Unlimited Fair Use
15欧元/年（限量抢完就没）
上车链接：https://billing.deluxhost.net/aff.php?aff=217&pid=263&carttpl=lagom2
机房地址：荷兰阿姆斯特丹
测速：https://lg.deluxhost.net/
VAT Number : IT17734661006
trustpilot评价（4.5星高分）：https://www.trustpilot.com/review/deluxhost.net?utm_medium=trustbox&utm_source=TrustBoxReviewCollector
母鸡机房配置特点优点：
支持的支付方式：
PayPal
信用卡
加密货币
抢购配置：https://billing.deluxhost.net/aff.php?aff=217&
Offer F-1
1 vCore
1 GB RAM
20 GB NVMe SSD
1 G Port – Unlimited Fair Use
7欧元/年（限量抢完就没）
上车链接：https://billing.deluxhost.net/aff.php?aff=217&pid=260&carttpl=lagom2
Offer F-2
1 vCore
2 GB RAM
40 GB NVMe SSD
1 G Port – Unlimited Fair Use
9欧元/年（限量抢完就没）
上车链接：https://billing.deluxhost.net/aff.php?aff=217&pid=261&carttpl=lagom2
Offer F-3
2 vCore
4 GB RAM
60 GB NVMe SSD
10 G Port – Unlimited Fair Use
12欧元/年（限量抢完就没）
上车链接：https://billing.deluxhost.net/aff.php?aff=217&pid=262&carttpl=lagom2
Offer F-4
2 vCore
8 GB RAM
80 GB NVMe SSD
10 G Port – Unlimited Fair Use
15欧元/年（限量抢完就没）
上车链接：https://billing.deluxhost.net/aff.php?aff=217&pid=263&carttpl=lagom2
机房地址：荷兰阿姆斯特丹
测速：https://lg.deluxhost.net/
VAT Number : IT17734661006
trustpilot评价（4.5星高分）：https://www.trustpilot.com/review/deluxhost.net?utm_medium=trustbox&utm_source=TrustBoxReviewCollector
⭐ 今年大家是拿人民币还是美金？ by 问个事 #uid76151
前几年好像都热衷于人民币换美元
都觉得人民币还会贬值
但是7.3 7.4 很久了
现在大家是拿美元呢？还是拿人民币？
----------
✍️ 以针会友｜好鸡推荐｜【卢布美元U等代付充值-TG】
前几年好像都热衷于人民币换美元
都觉得人民币还会贬值
但是7.3 7.4 很久了
现在大家是拿美元呢？还是拿人民币？
----------
✍️ 以针会友｜好鸡推荐｜【卢布美元U等代付充值-TG】
⭐ 大佬们 cloudflare 和 宝塔的nigx防火墙怎么组合配置 by freeradio #uid70693
大佬们 cloudflare 和 宝塔的nigx防火墙怎么组合配置 为啥我的只要开启小黄花 网站反应就特别慢 要20秒才能打开 f12 看了一下是wordpress的里面一个 nav啥的js 和 boat啥的css 一直在加载 出不来
大佬们 cloudflare 和 宝塔的nigx防火墙怎么组合配置 为啥我的只要开启小黄花 网站反应就特别慢 要20秒才能打开 f12 看了一下是wordpress的里面一个 nav啥的js 和 boat啥的css 一直在加载 出不来
⭐ 南京理工大学 | 基于多模态学习的混淆隧道流量行为检测... by oneer5 #uid12538
原文标题：A Multi-modal Learning-Based Behavior Identification Scheme for Obfuscated Tunneling Traffic
原文作者：Yong Zhou, Weiwei Liu and Jinsheng Sun
原文链接：https://dl.acm.org/doi/abs/10.1145/3703187.3703285
发表会议：CISAI, 2024
笔记作者：孙汉林@安全学术圈
主编：黄诚@安全学术圈
编辑：张贝宁@安全学术圈
1 引言
本文针对V2Ray、Shadowsocks等混淆隧道流量检测问题，提出了一种基于多模态学习的识别框架CNPT-BiSSM。该框架利用卷积神经预归一化Transformer（Convolutional Neural Pre-Normalized Transformer，CNPT）学习多维流量统计特征，并用双向状态空间模型（Bi-directional State Space Model，BiSSM）处理包长度序列，最终将特征融合并分类。实验自建数据集，其中包含了60,923个样本，涵盖了五种常见的数据类型。实验结果表明，本方案的平均识别准确率达到93.54%，优于现有的加密流量分类方法。
本文贡献：
本文提出了一种基于滑动窗口分割的序列流量表示方法，用于捕捉细粒度特征并构建多粒度流量表征；
本文设计了结合卷积神经网络（CNN）、预归一化Transformer和双向状态空间模型（BiSSM）的多模态学习框架，以提取和学习流量的统计特征和时空序列特征；
本方案在自建数据集上进行评估，识别准确率达到93.54%，优于现有方法。
2 方案设计
图片
本文提出CNPT-BiSSM模型，模型由三部分组成：输入层、多模态融合层和输出层。输入层负责对混淆隧道流量进行预处理与特征提取；多模态融合层通过CNPT和BiSSM模型处理输入特征，生成不同模态下的嵌入向量；输出层采用门控融合策略整合多模态嵌入向量，输出最终识别结果，具体方案框架如图1所示。
2.1 输入层
在输入层，模型从原始网络流量文件中提取时空特征，主要包括：
包数量特征：包含数据包总数、上下行数据包数量及其比例，首尾30个数据包的分布，以及每20个数据包内的上下行标准差、均值、中位数、最小值和最大值，用于刻画数据包的分布和传输方向。
包时间特征：包含前50个上下行数据包的时间间隔、每秒到达的上下行数据包数量及其均值、最大值、最小值和标准差，用于刻画数据流的时间动态性。
包长度序列特征：包含流量中每个数据包的长度，通过序列模式的局部变化，反映流量所携带的资源类型，识别伪装流量中的数据包插入和数据包拆分现象。
2.2 多模态融合层
图片
在输入层完成特征提取后，多模态融合层进一步处理这些特征，具体包括两大模块：
CNPT模块：将统计类特征（包数量特征和包时间特征）输入至CNPT模型。CNPT由卷积神经网络（CNN）和预归一化Transformer（PreLN Transformer）组成。CNN通过级联的卷积层与池化层提取流量局部空间特征，增强模型的空间特征学习能力；而预归一化Transformer则利用自注意力机制捕捉全局依赖关系，并通过层归一化提高训练效率、加速收敛并增强模型的泛化能力。为了优化性能，本文采用预层归一化（Pre-Layer Normalization，PreLN）方法，以提升对隐匿隧道流量的识别精度，并加速模型的训练过程。
BiSSM模块：针对传统基于数据包长度序列分类方法在混淆流量下失效的问题，本文提出一种基于滑动窗口分割的序列处理方法。通过固定大小的滑动窗口（如64，步长32）将包长度序列划分为局部块，如图2所示，以捕获局部时空变化特征。随后，采用双向状态空间模型（BiSSM）对块间和块内的依赖关系进行建模。BiSSM利用双向建模结构，结合共享参数的模型混合器和门控机制，有效刻画混淆隧道流量的动态变化特性，并生成融合后的序列嵌入表示。
2.3 输出层
输出层将多模态融合层生成的嵌入向量进一步整合，输出最终的行为识别概率。具体流程如下：
拼接与线性变换：将CNPT模型输出与BiSSM模型输出进行拼接，通过全连接层线性变换生成中间特征向量h。
权重计算：利用Softmax函数对h进行处理，生成动态权重，分别对应CNPT与BiSSM输出的重要性调节系数。
加权融合：依据计算得到的权重，对CNPT和BiSSM的输出进行加权求和，得到最终特征向量y，作为流量行为识别的决策依据。
通过上述门控融合策略，输出层能够根据不同特征的重要性动态调整，从而实现对混淆隧道流量行为的高准确率识别。
3 实验结果与分析
本节通过自建数据集，评估了所提CNPT-BiSSM模型的性能。为了全面评估模型的有效性，本文将CNPT-BiSSM与三种最先进的流量分类方法进行比较，包括ETC-PS[1]、FS-Net[2]和NeuTic[3]。
3.1 数据集
图片
本文使用自建数据集进行评估，数据集涵盖了大多数常见的流量类型，有较强代表性，具体如表1所示。在数据集构建过程中，数据被随机划分为训练集、验证集和测试集，比例为7:1:2。对于每个流量类别，正常流量占样本的80%，异常（混淆隧道）流量占剩余的20%。本研究采用准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数（F1-score）四项指标对系统性能进行评估，并通过与其他方法的对比，客观展示CNPT-BiSSM模型的优越性和实用性。
3.2 模型参数设置
图片
为了优化CNPT-BiSSM模型的性能，本研究系统地探讨了滑动窗口分割的参数（窗口大小和步长）。具体来说，窗口大小从16到128字节，以步长8进行调整，并针对每个窗口大小分别测试了三种步长：1/4、2/4和3/4的窗口大小。实验结果（如图3所示）表明，当窗口大小为64字节，步长为32字节时，模型表现出最高的准确率。这因为适当的窗口大小和步长能够更好地捕捉上下文信息，而进一步增大窗口或步长则可能引入额外复杂性，导致性能下降，可能与过拟合有关。因此，本方案确定以64字节窗口大小和32字节步长作为CNPT-BiSSM模型的最佳参数，并在后续实验中采用该设置进行评估。
3.3 实验结果
图片
本文评估了CNPT-BiSSM在V2Ray和SS上的五种流量类型的识别性能（见图4(a)和(b)）。实验结果表明，CNPT-BiSSM在所有五种类型的流量上均表现优异，所有评估指标均超过88%。特别是在SS流量上，这可能是因为SS使用较简单的混淆方式，而V2Ray采用了更复杂的混淆加密协议（VMess）。
在不同流量类型的识别表现上，视频流量表现最佳，SS加密情况下的识别准确率约为97%；而网页浏览流量的识别效果较差，准确率约为93%。这可能是因为视频流量的特征较为稳定，而网页浏览流量的模式更加复杂，识别难度更大。
为进一步评估CNPT-BiSSM的有效性，本研究将其与三种先进的流量识别方法进行了对比：ETC-PS、FS-Net和NeuTic。实验结果显示，CNPT-BiSSM在行为识别性能上比ETC-PS提高了约9%，比FS-Net和NeuTic分别提高了约4%和5%，进一步证明了CNPT-BiSSM在混淆隧道流量行为识别中的优越性。
References
[1] Xu, Shi-Jie, et al. "Seeing traffic paths: Encrypted traffic classification with path signature features." IEEE Transactions on Information Forensics and Security 17 (2022): 2166-2181.
[2] Liu, Chang, et al. "Fs-net: A flow sequence network for encrypted traffic classification." IEEE INFOCOM 2019-IEEE Conference On Computer Communications. IEEE, 2019.
[3] Yun, Xiaochun, et al. "Encrypted TLS traffic classification on cloud platforms." IEEE/ACM Transactions On Networking 31.1 (2022): 164-177.
----------
✍️ 出租宝塔面板正版专业版linux150/年
原文标题：A Multi-modal Learning-Based Behavior Identification Scheme for Obfuscated Tunneling Traffic
原文作者：Yong Zhou, Weiwei Liu and Jinsheng Sun
原文链接：https://dl.acm.org/doi/abs/10.1145/3703187.3703285
发表会议：CISAI, 2024
笔记作者：孙汉林@安全学术圈
主编：黄诚@安全学术圈
编辑：张贝宁@安全学术圈
1 引言
本文针对V2Ray、Shadowsocks等混淆隧道流量检测问题，提出了一种基于多模态学习的识别框架CNPT-BiSSM。该框架利用卷积神经预归一化Transformer（Convolutional Neural Pre-Normalized Transformer，CNPT）学习多维流量统计特征，并用双向状态空间模型（Bi-directional State Space Model，BiSSM）处理包长度序列，最终将特征融合并分类。实验自建数据集，其中包含了60,923个样本，涵盖了五种常见的数据类型。实验结果表明，本方案的平均识别准确率达到93.54%，优于现有的加密流量分类方法。
本文贡献：
本文提出了一种基于滑动窗口分割的序列流量表示方法，用于捕捉细粒度特征并构建多粒度流量表征；
本文设计了结合卷积神经网络（CNN）、预归一化Transformer和双向状态空间模型（BiSSM）的多模态学习框架，以提取和学习流量的统计特征和时空序列特征；
本方案在自建数据集上进行评估，识别准确率达到93.54%，优于现有方法。
2 方案设计
图片
本文提出CNPT-BiSSM模型，模型由三部分组成：输入层、多模态融合层和输出层。输入层负责对混淆隧道流量进行预处理与特征提取；多模态融合层通过CNPT和BiSSM模型处理输入特征，生成不同模态下的嵌入向量；输出层采用门控融合策略整合多模态嵌入向量，输出最终识别结果，具体方案框架如图1所示。
2.1 输入层
在输入层，模型从原始网络流量文件中提取时空特征，主要包括：
包数量特征：包含数据包总数、上下行数据包数量及其比例，首尾30个数据包的分布，以及每20个数据包内的上下行标准差、均值、中位数、最小值和最大值，用于刻画数据包的分布和传输方向。
包时间特征：包含前50个上下行数据包的时间间隔、每秒到达的上下行数据包数量及其均值、最大值、最小值和标准差，用于刻画数据流的时间动态性。
包长度序列特征：包含流量中每个数据包的长度，通过序列模式的局部变化，反映流量所携带的资源类型，识别伪装流量中的数据包插入和数据包拆分现象。
2.2 多模态融合层
图片
在输入层完成特征提取后，多模态融合层进一步处理这些特征，具体包括两大模块：
CNPT模块：将统计类特征（包数量特征和包时间特征）输入至CNPT模型。CNPT由卷积神经网络（CNN）和预归一化Transformer（PreLN Transformer）组成。CNN通过级联的卷积层与池化层提取流量局部空间特征，增强模型的空间特征学习能力；而预归一化Transformer则利用自注意力机制捕捉全局依赖关系，并通过层归一化提高训练效率、加速收敛并增强模型的泛化能力。为了优化性能，本文采用预层归一化（Pre-Layer Normalization，PreLN）方法，以提升对隐匿隧道流量的识别精度，并加速模型的训练过程。
BiSSM模块：针对传统基于数据包长度序列分类方法在混淆流量下失效的问题，本文提出一种基于滑动窗口分割的序列处理方法。通过固定大小的滑动窗口（如64，步长32）将包长度序列划分为局部块，如图2所示，以捕获局部时空变化特征。随后，采用双向状态空间模型（BiSSM）对块间和块内的依赖关系进行建模。BiSSM利用双向建模结构，结合共享参数的模型混合器和门控机制，有效刻画混淆隧道流量的动态变化特性，并生成融合后的序列嵌入表示。
2.3 输出层
输出层将多模态融合层生成的嵌入向量进一步整合，输出最终的行为识别概率。具体流程如下：
拼接与线性变换：将CNPT模型输出与BiSSM模型输出进行拼接，通过全连接层线性变换生成中间特征向量h。
权重计算：利用Softmax函数对h进行处理，生成动态权重，分别对应CNPT与BiSSM输出的重要性调节系数。
加权融合：依据计算得到的权重，对CNPT和BiSSM的输出进行加权求和，得到最终特征向量y，作为流量行为识别的决策依据。
通过上述门控融合策略，输出层能够根据不同特征的重要性动态调整，从而实现对混淆隧道流量行为的高准确率识别。
3 实验结果与分析
本节通过自建数据集，评估了所提CNPT-BiSSM模型的性能。为了全面评估模型的有效性，本文将CNPT-BiSSM与三种最先进的流量分类方法进行比较，包括ETC-PS[1]、FS-Net[2]和NeuTic[3]。
3.1 数据集
图片
本文使用自建数据集进行评估，数据集涵盖了大多数常见的流量类型，有较强代表性，具体如表1所示。在数据集构建过程中，数据被随机划分为训练集、验证集和测试集，比例为7:1:2。对于每个流量类别，正常流量占样本的80%，异常（混淆隧道）流量占剩余的20%。本研究采用准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数（F1-score）四项指标对系统性能进行评估，并通过与其他方法的对比，客观展示CNPT-BiSSM模型的优越性和实用性。
3.2 模型参数设置
图片
为了优化CNPT-BiSSM模型的性能，本研究系统地探讨了滑动窗口分割的参数（窗口大小和步长）。具体来说，窗口大小从16到128字节，以步长8进行调整，并针对每个窗口大小分别测试了三种步长：1/4、2/4和3/4的窗口大小。实验结果（如图3所示）表明，当窗口大小为64字节，步长为32字节时，模型表现出最高的准确率。这因为适当的窗口大小和步长能够更好地捕捉上下文信息，而进一步增大窗口或步长则可能引入额外复杂性，导致性能下降，可能与过拟合有关。因此，本方案确定以64字节窗口大小和32字节步长作为CNPT-BiSSM模型的最佳参数，并在后续实验中采用该设置进行评估。
3.3 实验结果
图片
本文评估了CNPT-BiSSM在V2Ray和SS上的五种流量类型的识别性能（见图4(a)和(b)）。实验结果表明，CNPT-BiSSM在所有五种类型的流量上均表现优异，所有评估指标均超过88%。特别是在SS流量上，这可能是因为SS使用较简单的混淆方式，而V2Ray采用了更复杂的混淆加密协议（VMess）。
在不同流量类型的识别表现上，视频流量表现最佳，SS加密情况下的识别准确率约为97%；而网页浏览流量的识别效果较差，准确率约为93%。这可能是因为视频流量的特征较为稳定，而网页浏览流量的模式更加复杂，识别难度更大。
为进一步评估CNPT-BiSSM的有效性，本研究将其与三种先进的流量识别方法进行了对比：ETC-PS、FS-Net和NeuTic。实验结果显示，CNPT-BiSSM在行为识别性能上比ETC-PS提高了约9%，比FS-Net和NeuTic分别提高了约4%和5%，进一步证明了CNPT-BiSSM在混淆隧道流量行为识别中的优越性。
References
[1] Xu, Shi-Jie, et al. "Seeing traffic paths: Encrypted traffic classification with path signature features." IEEE Transactions on Information Forensics and Security 17 (2022): 2166-2181.
[2] Liu, Chang, et al. "Fs-net: A flow sequence network for encrypted traffic classification." IEEE INFOCOM 2019-IEEE Conference On Computer Communications. IEEE, 2019.
[3] Yun, Xiaochun, et al. "Encrypted TLS traffic classification on cloud platforms." IEEE/ACM Transactions On Networking 31.1 (2022): 164-177.
----------
✍️ 出租宝塔面板正版专业版linux150/年
👍1
⭐ 有没有人觉得现在5G假信号特多，还不如4G by ETC招聘 #uid56184
我最近半年遇到过很多次。iPhone 5G满格，但是网络就是不好，我强行把5G关了，改4G就正常了。
iPhone14Pro和iPhone16PM都这样。
我最近半年遇到过很多次。iPhone 5G满格，但是网络就是不好，我强行把5G关了，改4G就正常了。
iPhone14Pro和iPhone16PM都这样。
⭐ 2025年了，窮鬼草根建站同價差是選擇Shared Hosting還是VPS？ by httpd #uid39218
說我現在的想法吧，預算在30刀內的我可能猶豫後非常想買共享主機，因爲成熟，穩定，一般還都會有配備頂級面板和成熟的後端保障，而且我還注意到原本我在VPS上建站PHP之類的記憶體限制最多也只敢填寫機器的一般，而共享主機它直接在面板後臺就開了用VPS時候買都買不起的機型，雖然是共享但是也能解決一些網站程式超任務需求，反觀VPS對於又是小白的草根來說高價低配不是它的缺點，缺點就在小白容易折騰到機器rm -rf /*，這個共享主機就很好的規避了這一點，就是爲穩定而生
----------
✍️ 苟憨賤爬，祖國還能害我嗎！
說我現在的想法吧，預算在30刀內的我可能猶豫後非常想買共享主機，因爲成熟，穩定，一般還都會有配備頂級面板和成熟的後端保障，而且我還注意到原本我在VPS上建站PHP之類的記憶體限制最多也只敢填寫機器的一般，而共享主機它直接在面板後臺就開了用VPS時候買都買不起的機型，雖然是共享但是也能解決一些網站程式超任務需求，反觀VPS對於又是小白的草根來說高價低配不是它的缺點，缺點就在小白容易折騰到機器rm -rf /*，這個共享主機就很好的規避了這一點，就是爲穩定而生
----------
✍️ 苟憨賤爬，祖國還能害我嗎！
⭐ ［出］拉维加斯的美机 by mrlee666 #uid59222
hostodo，老商家，黑五闪购款17$每年，2C1G100G固态硬盘，2026年3月11号到期，没错账单是这个时候支付的。
100出，自行联系客服改邮箱，流量是4T每月，单向流量
延迟挺低的，硬盘IO和CPU也不错，看论坛历史贴有人说和buyvm同款机房
联系方式tg，https://t.me/mrlee666666
CPU 型号 : AMD EPYC 7742 64-Core Processor
CPU 核心数 : 2
CPU 频率 : 2250.000 MHz
CPU 缓存 : L1: 128.00 KB / L2: 1.00 MB / L3: 32.00 MB
AES-NI指令集 : ✔ Enabled
VM-x/AMD-V支持 : ✔ Enabled
内存 : 461.63 MiB / 973.03 MiB
Swap : 395.83 MiB / 3.61 GiB
硬盘空间 : 6.62 GiB / 97.87 GiB
启动盘路径 : /dev/sda1
系统在线时间 : 46 days, 23 hour 19 min
负载 : 0.50, 0.13, 0.04
系统 : Debian GNU/Linux 12 (bookworm) (x86_64)
架构 : x86_64 (64 Bit)
内核 : 6.1.0-32-cloud-amd64
TCP加速方式 : bbr
虚拟化架构 : KVM
NAT类型 : Port Restricted Cone
IPV4 ASN : AS399804 Hostodo
IPV4 位置 : Las Vegas / Nevada / US
----------------------CPU测试--通过sysbench测试-------------------------
-> CPU 测试中 (Fast Mode, 1-Pass @ 5sec)
1 线程测试(单核)得分: 1608 Scores
2 线程测试(多核)得分: 3219 Scores
---------------------内存测试--感谢lemonbench开源-----------------------
-> 内存测试 Test (Fast Mode, 1-Pass @ 5sec)
单线程读测试: 42729.69 MB/s
单线程写测试: 18811.90 MB/s
------------------磁盘dd读写测试--感谢lemonbench开源--------------------
-> 磁盘IO测试中 (4K Block/1M Block, Direct Mode)
测试操作 写速度 读速度
100MB-4K Block 34.5 MB/s (8423 IOPS, 3.04s) 36.9 MB/s (9001 IOPS, 2.84s)
1GB-1M Block 1.1 GB/s (1070 IOPS, 0.93s) 1.2 GB/s (1160 IOPS, 0.86s)
---------------------磁盘fio读写测试--感谢yabs开源----------------------
Block Size | 4k (IOPS) | 64k (IOPS)
------ | --- ---- | ---- ----
Read | 313.39 MB/s (78.3k) | 1.35 GB/s (21.1k)
Write | 314.21 MB/s (78.5k) | 1.36 GB/s (21.2k)
Total | 627.60 MB/s (156.9k) | 2.71 GB/s (42.4k)
| |
Block Size | 512k (IOPS) | 1m (IOPS)
------ | --- ---- | ---- ----
Read | 1.44 GB/s (2.8k) | 1.47 GB/s (1.4k)
Write | 1.52 GB/s (2.9k) | 1.57 GB/s (1.5k)
Total | 2.97 GB/s (5.8k) | 3.05 GB/s (2.9k)
---------------------回程路由--感谢fscarmen开源及PR---------------------
依次测试电信/联通/移动经过的地区及线路，核心程序来自nexttrace，请知悉!
广州电信 58.60.188.222
0.20 ms AS399804 美国 加利福尼亚 洛杉矶 hostodo.com
0.49 ms AS53340 [FHUB-NET] 美国 内华达州 拉斯维加斯 fiberhub.com
0.59 ms AS6461 [ABOVENET-6] 美国 内华达 拉斯维加斯 zayo.com
1.60 ms AS6461 美国 内华达 拉斯维加斯 zayo.com
109.25 ms AS6461 美国 加利福尼亚 洛杉矶 zayo.com
9.21 ms AS4134 [CHINANET-US] 美国 加利福尼亚 洛杉矶 www.chinatelecom.com.cn
210.69 ms AS4134 [CHINANET-BB] 中国 广东 广州 www.chinatelecom.com.cn 电信
170.18 ms AS4134 [CHINANET-BB] 中国 广东 广州 www.chinatelecom.com.cn 电信
162.15 ms AS4134 [CHINANET-BB] 中国 广东 广州 www.chinatelecom.com.cn 电信
266.46 ms AS134774 [CHINANET-GD] 中国 广东 深圳 chinatelecom.cn 电信
166.18 ms AS4134 中国 广东 深圳 福田区 www.chinatelecom.com.cn 电信
广州联通 210.21.196.6
0.18 ms AS399804 美国 加利福尼亚 洛杉矶 hostodo.com
0.39 ms AS53340 [FHUB-NET] 美国 内华达州 拉斯维加斯 fiberhub.com
1.37 ms AS6461 [ABOVENET-6] 美国 内华达 拉斯维加斯 zayo.com
1.15 ms AS6461 美国 内华达 拉斯维加斯 zayo.com
8.13 ms AS6461 美国 加利福尼亚 洛杉矶 zayo.com
7.97 ms AS6461 美国 加利福尼亚 洛杉矶 zayo.com
164.21 ms AS6461 [ABOVENET-6] 美国 加利福尼亚 洛杉矶 zayo.com
160.05 ms AS4837 [CU169-BACKBONE] 中国 北京 chinaunicom.cn 联通
182.24 ms AS4837 [CU169-BACKBONE] 中国 北京 chinaunicom.cn 联通
285.14 ms AS4837 [CU169-BACKBONE] 中国 北京 chinaunicom.cn 联通
198.84 ms AS17816 [APNIC-AP] 中国 广东省 深圳市 chinaunicom.cn 联通
199.08 ms AS17623 [APNIC-AP] 中国 广东 深圳 chinaunicom.cn 联通
216.17 ms AS17623 中国 广东 深圳 宝安区 chinaunicom.cn 联通
广州移动 12 ...
hostodo，老商家，黑五闪购款17$每年，2C1G100G固态硬盘，2026年3月11号到期，没错账单是这个时候支付的。
100出，自行联系客服改邮箱，流量是4T每月，单向流量
延迟挺低的，硬盘IO和CPU也不错，看论坛历史贴有人说和buyvm同款机房
联系方式tg，https://t.me/mrlee666666
CPU 型号 : AMD EPYC 7742 64-Core Processor
CPU 核心数 : 2
CPU 频率 : 2250.000 MHz
CPU 缓存 : L1: 128.00 KB / L2: 1.00 MB / L3: 32.00 MB
AES-NI指令集 : ✔ Enabled
VM-x/AMD-V支持 : ✔ Enabled
内存 : 461.63 MiB / 973.03 MiB
Swap : 395.83 MiB / 3.61 GiB
硬盘空间 : 6.62 GiB / 97.87 GiB
启动盘路径 : /dev/sda1
系统在线时间 : 46 days, 23 hour 19 min
负载 : 0.50, 0.13, 0.04
系统 : Debian GNU/Linux 12 (bookworm) (x86_64)
架构 : x86_64 (64 Bit)
内核 : 6.1.0-32-cloud-amd64
TCP加速方式 : bbr
虚拟化架构 : KVM
NAT类型 : Port Restricted Cone
IPV4 ASN : AS399804 Hostodo
IPV4 位置 : Las Vegas / Nevada / US
----------------------CPU测试--通过sysbench测试-------------------------
-> CPU 测试中 (Fast Mode, 1-Pass @ 5sec)
1 线程测试(单核)得分: 1608 Scores
2 线程测试(多核)得分: 3219 Scores
---------------------内存测试--感谢lemonbench开源-----------------------
-> 内存测试 Test (Fast Mode, 1-Pass @ 5sec)
单线程读测试: 42729.69 MB/s
单线程写测试: 18811.90 MB/s
------------------磁盘dd读写测试--感谢lemonbench开源--------------------
-> 磁盘IO测试中 (4K Block/1M Block, Direct Mode)
测试操作 写速度 读速度
100MB-4K Block 34.5 MB/s (8423 IOPS, 3.04s) 36.9 MB/s (9001 IOPS, 2.84s)
1GB-1M Block 1.1 GB/s (1070 IOPS, 0.93s) 1.2 GB/s (1160 IOPS, 0.86s)
---------------------磁盘fio读写测试--感谢yabs开源----------------------
Block Size | 4k (IOPS) | 64k (IOPS)
------ | --- ---- | ---- ----
Read | 313.39 MB/s (78.3k) | 1.35 GB/s (21.1k)
Write | 314.21 MB/s (78.5k) | 1.36 GB/s (21.2k)
Total | 627.60 MB/s (156.9k) | 2.71 GB/s (42.4k)
| |
Block Size | 512k (IOPS) | 1m (IOPS)
------ | --- ---- | ---- ----
Read | 1.44 GB/s (2.8k) | 1.47 GB/s (1.4k)
Write | 1.52 GB/s (2.9k) | 1.57 GB/s (1.5k)
Total | 2.97 GB/s (5.8k) | 3.05 GB/s (2.9k)
---------------------回程路由--感谢fscarmen开源及PR---------------------
依次测试电信/联通/移动经过的地区及线路，核心程序来自nexttrace，请知悉!
广州电信 58.60.188.222
0.20 ms AS399804 美国 加利福尼亚 洛杉矶 hostodo.com
0.49 ms AS53340 [FHUB-NET] 美国 内华达州 拉斯维加斯 fiberhub.com
0.59 ms AS6461 [ABOVENET-6] 美国 内华达 拉斯维加斯 zayo.com
1.60 ms AS6461 美国 内华达 拉斯维加斯 zayo.com
109.25 ms AS6461 美国 加利福尼亚 洛杉矶 zayo.com
9.21 ms AS4134 [CHINANET-US] 美国 加利福尼亚 洛杉矶 www.chinatelecom.com.cn
210.69 ms AS4134 [CHINANET-BB] 中国 广东 广州 www.chinatelecom.com.cn 电信
170.18 ms AS4134 [CHINANET-BB] 中国 广东 广州 www.chinatelecom.com.cn 电信
162.15 ms AS4134 [CHINANET-BB] 中国 广东 广州 www.chinatelecom.com.cn 电信
266.46 ms AS134774 [CHINANET-GD] 中国 广东 深圳 chinatelecom.cn 电信
166.18 ms AS4134 中国 广东 深圳 福田区 www.chinatelecom.com.cn 电信
广州联通 210.21.196.6
0.18 ms AS399804 美国 加利福尼亚 洛杉矶 hostodo.com
0.39 ms AS53340 [FHUB-NET] 美国 内华达州 拉斯维加斯 fiberhub.com
1.37 ms AS6461 [ABOVENET-6] 美国 内华达 拉斯维加斯 zayo.com
1.15 ms AS6461 美国 内华达 拉斯维加斯 zayo.com
8.13 ms AS6461 美国 加利福尼亚 洛杉矶 zayo.com
7.97 ms AS6461 美国 加利福尼亚 洛杉矶 zayo.com
164.21 ms AS6461 [ABOVENET-6] 美国 加利福尼亚 洛杉矶 zayo.com
160.05 ms AS4837 [CU169-BACKBONE] 中国 北京 chinaunicom.cn 联通
182.24 ms AS4837 [CU169-BACKBONE] 中国 北京 chinaunicom.cn 联通
285.14 ms AS4837 [CU169-BACKBONE] 中国 北京 chinaunicom.cn 联通
198.84 ms AS17816 [APNIC-AP] 中国 广东省 深圳市 chinaunicom.cn 联通
199.08 ms AS17623 [APNIC-AP] 中国 广东 深圳 chinaunicom.cn 联通
216.17 ms AS17623 中国 广东 深圳 宝安区 chinaunicom.cn 联通
广州移动 12 ...
⭐ 家人们，MAC版的one drive是不是不太好用？ by 梅东 #uid59775
用onedirve 然后选择将 所有文件保持在本地 ，看one drive也成功下载所有文件了
但是就是一个文件都打不开，要么双击文件 没反应，要么提醒打不开，要么提醒无法建立通信信道，要么提醒重启one drive再试...
家人们，MAC版的onedrive有什么使用技巧吗
用onedirve 然后选择将 所有文件保持在本地 ，看one drive也成功下载所有文件了
但是就是一个文件都打不开，要么双击文件 没反应，要么提醒打不开，要么提醒无法建立通信信道，要么提醒重启one drive再试...
家人们，MAC版的onedrive有什么使用技巧吗
⭐ 举报刷屏刷回复，凌晨报复式的用小号疯狂乱刷乱发版块！ by lllllll #uid57830
前几天封禁了一个用aff刷屏刷广告的号
@qwe520
又发现用小号：@人类统领
凌晨期间报复式的刷广告，乱发版块刷广告
---
在隔壁NodeSeek也是个刷屏狗！
ID：zhenhua
前几天封禁了一个用aff刷屏刷广告的号
@qwe520
又发现用小号：@人类统领
凌晨期间报复式的刷广告，乱发版块刷广告
---
在隔壁NodeSeek也是个刷屏狗！
ID：zhenhua
⭐ 【踢楼抽奖】非凡云联通10099正式上线！踢楼送5台一年云..... by 非凡云 #uid75150
本帖最后由 非凡云 于 2025-5-6 10:29 编辑
非凡云重磅更新！联通AS10099线路正式上线！专为大陆优化，延迟更低、稳定性再升级！
活动：https://www.ffy.com/latest-activity
QQ群：1033811584
踢楼口号：非凡云ffy.com夏季冲浪，联通AS10099云服务器，五一钜惠专场！
奖品：联通AS10099线路 2C2G 50G存储 20M带宽 不限流量 高防云服务器 时长一年
开奖时间：2025/5/8 16:00
中奖规则：重复中奖以第一次为准，随机数生成工具，5个随机数对应中奖楼层
感谢老铁们一路相伴！美国原生→AS9929→AS10099，非凡云始终以提升用户体验为核心目标，不断优化产品与服务！
----------
✍️ 非凡云致力于提供高品质、高性价比的云服务产品
本帖最后由 非凡云 于 2025-5-6 10:29 编辑
非凡云重磅更新！联通AS10099线路正式上线！专为大陆优化，延迟更低、稳定性再升级！
活动：https://www.ffy.com/latest-activity
QQ群：1033811584
踢楼口号：非凡云ffy.com夏季冲浪，联通AS10099云服务器，五一钜惠专场！
奖品：联通AS10099线路 2C2G 50G存储 20M带宽 不限流量 高防云服务器 时长一年
开奖时间：2025/5/8 16:00
中奖规则：重复中奖以第一次为准，随机数生成工具，5个随机数对应中奖楼层
感谢老铁们一路相伴！美国原生→AS9929→AS10099，非凡云始终以提升用户体验为核心目标，不断优化产品与服务！
----------
✍️ 非凡云致力于提供高品质、高性价比的云服务产品