博客
关于我
EOS系列 - 超级节点的硬件要求
阅读量:79 次
发布时间:2019-02-25

本文共 797 字,大约阅读时间需要 2 分钟。

EOS的BP节点硬件要求及配置说明

硬件要求EOS的备选节点需要具备足够的硬件资源以支持公众服务的正常运行。建议至少配置4台面向公众服务的终端,确保用户能够顺利查询交易状态及提交交易请求。

具体硬件配置根据不同的BP类型,以下是详细的硬件配置建议:

一、EOS Huobi Pool硬件配置部署3台物理服务器,其中2台用于负载均衡,1台作为备用服务器。主服务器配置:

  • 内存:64GB
  • CPU:8核
  • 存储:2TB

测试服务器配置:

  • 部署在AWS平台上,配置为1台测试服务器
  • 内存:8GB
  • CPU:4核
  • 存存:100GB

扩展计划:主服务器可扩展至:

  • 内存:1TB
  • CPU:128核
  • 存存:20TB

测试服务器可扩展至:

  • 内存:1TB
  • CPU:128核
  • 存存:20TB

二、EOS Gravity硬件配置部署2台物理服务器,其中1台主服务器,1台备用服务器。网络设备:

  • 交换机:H3C S5130 48端口型,配置2台
  • WAF:WebRAY Ray-WAF-1006P(需购买许可证)

主服务器配置(PowerEdge R730xd型号):

  • CPU:Intel® Xeon® 4核
  • 内存:128G(2×64GB 2400MHz)
  • 系统存储:2×300GB 7200rpm
  • 数据存储:1×512GB SSD
  • 电源配置:双电源

备用服务器扩展计划:主服务器扩展:

  • CPU:4核 Intel® Xeon®
  • 内存:4T(建议扩展至4T+)
  • 系统存储:2×300GB 7200rpm
  • 数据存储:2×1TB SSD
  • 电源配置:双电源

存储服务器配置:

  • CPU:Intel® Xeon®
  • 内存:32G(2×16GB 2400MHz)
  • 系统存储:2×300GB 7200rpm
  • 数据存储:24×10T 10000rpm
  • 电源配置:双电源

以上配置均基于实际需求进行调整,具体实施时需根据网络环境和负载情况进行优化。

转载地址:http://wme.baihongyu.com/

你可能感兴趣的文章
OpenCV与AI深度学习 | 基于PyTorch语义分割实现洪水识别(数据集 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLO11的车体部件检测与分割
查看>>
OpenCV与AI深度学习 | 基于YoloV11自定义数据集实现车辆事故检测(有源码,建议收藏!)
查看>>
OpenCV与AI深度学习 | 基于YOLOv8 + BotSORT实现球员和足球检测与跟踪 (步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLOv8实现高级目标检测和区域计数
查看>>
VS2003 Front Page Server Extension
查看>>
OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测
查看>>
OpenCV与AI深度学习 | 基于YoloV8的药丸/片剂类型识别
查看>>
OpenCV与AI深度学习 | 基于YOLO和EasyOCR从视频中识别车牌
查看>>
OpenCV与AI深度学习 | 基于图像处理的火焰检测算法(颜色+边缘)
查看>>
OpenCV与AI深度学习 | 基于拉普拉斯金字塔实现图像融合(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 基于改进YOLOv8的景区行人检测算法
查看>>
OpenCV与AI深度学习 | 基于机器视觉的磁瓦表面缺陷检测方案
查看>>
OpenCV与AI深度学习 | 基于深度学习的轮胎缺陷检测系统
查看>>
OpenCV与AI深度学习 | 如何使用YOLO-World做目标检测
查看>>
OpenCV与AI深度学习 | 如何使用YOLOv9分割图像中的对象
查看>>
OpenCV与AI深度学习 | 如何使用YOLOv9检测图片和视频中的目标
查看>>
OpenCV与AI深度学习 | 如何在 Docker 容器中使用 GPU
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV中更稳更快的找圆方法--EdgeDrawing使用演示(详细步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV传统方法实现密集圆形分割与计数(详细步骤 + 代码)
查看>>