[stime官网]stime

局域网内linux(RedHat)NTP时间同步的配置方法2009.12.31目录1. NTP跟踪层级安排2. NTP配置数据对单点故障应对能力的评估3. NTP服务器-redhat服务器的配置数据及说明4. NTP客户机一redhat服务器的配置数据及说明NTP跟踪层级安排设备第1跟踪时钟源第2跟踪时钟源第3跟踪时钟源网内NTP S/C192.168.80.31192.168.80.4prefer注1127.127.1.0server 192.168.80.34192.168.80.4prefer注1127.127.1.0server 其他redhat机器192.168.80.31或192.168.80.34192.168.80.34或192.168.80.31127.127.1.0client 注1:如有其他与192.168.80.4同级的时钟源可用，则NTP的可靠性更佳。

网内所有NTP客户机由自已的NTP算法根据当时NTP服务器及网络状态自行选择NTP服务器：不是192.168.80.3僦是192.168.80.34一旦网内NTP客户机失去了与网内NTP服务器的连接，将会按照自已的时钟频率将系统时间继续走下去，除了可能会造成日志时间和告警时间与标准时间有非常小的偏差外，不会对服务器应用或自身造成任何影响。

二.NTP配置数据对单点故障应对能力的评估下面就局域网内系统中相关设备发生单点故障时，各设备的NTP时钟跟踪情况做一分析：1. .上级NTP服务器单机失效但vrrp有效：2. 上级NTP服务器vrrp失效）：3. 局域网内的NTPserver_1(31)失效:4. 局域网内的NTPserver_2(34)失效:三.NTP服务器—redhat服务器(31,34)的配置数据及说明(注：对NTP服务器的唯一要求是机器上不要跑双机系统。

)1. NTP的配置文件(/etc/ntp.conf)的内容：#ntprestrictpartrestrictdefaultkodnomodifynotrapnopeernoqueryrestrict127.0.0.1restrict192.168.80.0mask255.255.255.0nomodifynotraprestrict192.168.81.0mask255.255.255.0nomodifynotrap#ntpserverpartserver192.168.80.4version3server127.127.1.0#fudge127.127.1.0stratum10#ntpotherpartdriftfile/var/lib/ntp/drift2. 硬件时间每日有条件地被系统时间更新的配置(1)创建硬件时间更新脚本：/root/day_update_hwclock.sh的内容:/usr/sbin/ntpq-p>/root/tmp_ntpq.txt2>&1ifgrep"*†192.168.80.4"/root/tmp_ntpq.txtthen/bin/date>>/root/tmp_ntpq.txt2>&1/usr/sbin/hwclock--show>>/root/tmp_ntpq.txt2>&1/usr/sbin/hwclock-w>>/root/tmp_ntpq.txt2>&1[$?-eq0]&&echo"hwclock-wsuccess">>/root/tmp_ntpq.txt2>&1/bin/date>>/root/tmp_ntpq.txt2>&1/usr/sbin/hwclock--show>>/root/tmp_ntpq.txt2>&1elselogger-palert"[HC]:NTPserverlostorNTPservicestop"fihwclock-wsuccessMonJan414:19:20CST2010Mon04Jan201002:19:20PMCST-0.015907seconds[root@ftpnode2~]#该脚本用于将系统时间去同步硬件时间，以消除硬件时间的累积误差。

爱迪尔门锁系统接口函数（SDK）说明(动态联接库函数说明)适用门锁接口：Lock3200.DLL，Lock3200K.DLL，Lock4200.DLL，Lock4200D.DLL，Lock5200.DLL，Lock6200.DLL，Lock7200.DLL，Lock7200D.DLL，Lock9200.DLL，Lock9200T.DLL。

适用门锁系统：V5.1及以上，V6.5以下版本。

一、门锁函数（必须已经安装并设置好门锁系统）1、Init初始化。

函数原形：int Init(char *server, int port, int Encoder, int TMEncoder);参数：server [in]：字符指针，指定门锁系统数据库安装的服务器（SQL Server）名。

Port [in]：串口号，1-COM1，2-COM2，3-COM3，4-COM4依次类推。

Encoder [in]：发行机类型，0-手动发行机，1-自动发行机。

TMEncoder [in]：TM发行机类型，1-DS9097E，5-DS9097U返回值：见注1。

2、EndSession结束工作期。

函数原形：int EndSession(void);参数：无返回值：见注1。

3、IssueCard发行客人卡。

函数原形：int IssueCard(char *room,char *gate,char *stime,char *guestname,char *guestid, int overflag, long *cardno,char * track1,char * track2);参数：room [in]：房号，6字节字符串，必须是门锁系统设置的房号。

gate [in]：公共通道，字符串参数，“00”表示按默认授权通道，“99”表示授权所有公共通道，其他为指定通道代码。

例如：“010203”表示授权01、02、03三个通道。

Stime [in]：起止时间，24字节字符串，格式yyyymmddhhnnyyyymmddhhnn，例如：“200012311230200101011230”表示2000年12月31日12时30分到2001年1月1日12时30分。

DateDiff 函数
返回变量型（长型），指定两个指定的日期之间的时间间隔数。
语法
DateDiff(interval, date1, date2 [, firstdayofweek] [, firstweekofyear] )
DateDiff 函数的语法包含以下参数：
参数
说明
interval
必选。字符串表达式，该表达式为用于计算 date1 和 date2 之 间的差的时间间隔
DateAdd(IntervalType, Number, FirstDate) MsgBox Msg
其它示例： 1、三个月前的今天：=DateAdd("m",-3,Date()) 2、三年前的今天：=DateAdd("yyyy",-3,Date()) 3、指定日期三年前的日期：=DateAdd("yyyy",-3,[日期]) 4、SQL 中使用：删除表 1 中三个月前的数据 DELETE * FROM 表 1 WHERE 日期<DateAdd("m",-3,Date());
示例 在表达式中使用 DateDiff 函数 在任何可以使用表达式的地方都可以使 用 DateDiff 函数。例如，假定您具有一个用来履行客户订单的窗体。在“订 单 (Orders)”表中，有一个名为“到货日期 (ReceiveBefore)”的字段，其中 包含客户需要接收所订货物的日期。您可以使用 DateDiff 函数以及窗体上的 文本框显示到必须送货的日期所剩余的天数。 假定送货需要十天时间，则可如下设置文本框的“控件来源”属性： =DateDiff(“d”, Now(), [Orders].[ReceiveBefore])-10 在窗体视图中打开窗体时，文本框会显示到必须送货的日期前剩余的天数。 如果到客户需要收货的日期的天数少于 10 天，则文本框中的数字为负数，指 示如果立即送货客户收货时间的延迟天数。 在 VBA 代码中使用 DateDiff 函数 注释 以下示例演示了此功能在 Visual Basic for Applications (VBA) 模 块中的使用。有关使用 VBA 的详细信息，请在“搜索”旁边的下拉列表中选择 “开发人员参考”，然后在搜索框中输入一个或多个词条。 以下示例使用 DateDiff 函数显示给定日期和今天之间的天数。 Dim TheDate As Date ' Declare variables.

Python的tushare库实现沪深300指数数据分析———CAMP模型.（1）筛选使⽤作业1的程序1. 完成对沪深300指数成分股过去2015年1⽉-2018年1⽉三年的数据分析2. 按alpha从⼤到⼩，选择出30只alpha最⾼的股票形成股票池1，以备进⼀步分析（2）预测1. 对沪深300指数成分股2018年1⽉-2021年1⽉三年的数据分析2. 选择出30只alpha最⾼的股票形成股票池23. 观察股票池1和股票池2的重合度4. 分别计算股票池1在2015-2018时间段和2018-2021时间段的Alpha均值，观察Alpha均值的变化5. 对观察结果进⾏思考与分析使⽤tushare库爬取股票交易数据，建⽴CAMP模型，进⾏分析，废话不多话，直接上代码！"""python3.7-*- coding: UTF-8 -*-@Project -> File ：Code -> CAMP@IDE ：PyCharm@Author ：YangShouWei@USER: 296714435@Date ：2021/4/6 15:41:37@LastEditor:"""import pandas as pdimport tushare as tsimport matplotlib.pyplot as pltimport statsmodels.api as smimport reimport numpy as npdef modelCAMP(code,name, starttime, endtime):# 资本资产进价模型(CAPM)# Ri -Rf = β*(Rm-Rf) + ε# 载⼊股指数据sh = ts.get_k_data('sh', start=starttime,end=endtime, autype='qfq') # 获取上证数据sh["p_change"] = (sh["close"] / sh["close"].shift(1) - 1) * 100 # 利⽤今⽇收盘价和前⽇收盘价计算股价波动，新增⼀列try:gzmt = ts.get_k_data(code, start=starttime,end=endtime, autype='qfq') # 获取股票数据# ⼀些企业在2018年之前还未上市，作为特殊情况处理，返回0if len(gzmt.date) == 0:return [0]gzmt["p_change"] = (gzmt["close"] / gzmt["close"].shift(1) - 1) * 100except:return [0]# print(code)ret_merge = pd.merge(pd.DataFrame(sh.p_change), pd.DataFrame(gzmt.p_change), left_index = True, right_index = True, how = 'inner')# 计算⽇⽆风险利率Rf_year = 0.04 # 以2018 年中国三年期国债年化收益率为⽆风险利率Rf = (1+Rf_year)**(1/365)-1 # 年利率转化为⽇利率# 计算风险溢价:Ri-RfEret = ret_merge-RfEret.head()# 画出两个风险溢价的散点图，查看相关性plt.scatter(Eret.values[:, 0], Eret.values[:,1])# plt.show()# 利⽤最⼩⼆乘法进⾏线性回归，拟合CAPM 模型md_capm = sm.OLS(Eret.p_change_y[1:], sm.add_constant(Eret.p_change_x[1:]))result = md_capm.fit()text = str(result.summary())print("\n{}CAMP建⽴".format(name))print(result.summary())alpha = result.params[0] # α系数Beita = result.params[1] # β系数Pvalue = result.pvalues[1]print("a={},β={},pvalue={}".format(alpha,Beita,Pvalue))# print("{}的α系数：{},β系数：{}".format(name,number1,number2))return [alpha, Beita]def readData():# 读取沪深300成分股的基础信息data = pd.read_csv('one.csv')# print(data.head())# print(data.columns)# 处理数据，将股票代码的数据类型从int转换成字符串code =[]for i in data['股票代码']:if i<10:i = '00000'+str(i)elif i<100:i = '0000' + str(i)elif i < 1000:i = '000' + str(i)elif i < 10000:i = '00' + str(i)elif i < 100000:i = '0' + str(i)else:i = str(i)code.append(i)data["股票代码"] = codeplt.rcParams["font.sans-serif"] = "SimHei" #设置图⽚中字体为中⽂⿊体# 绘制沪深300指数成分股⾏业汇总统计图draw = pd.DataFrame({"⾏业": data.groupby('主营⾏业')["主营⾏业"].count()})draw.plot(kind="barh")plt.title("沪深300成分股⾏业统计图")plt.xlabel("数量")plt.ylabel("⾏业名称")plt.tick_params(axis='x', labelsize=8)plt.tick_params(axis='y', labelsize=8)plt.show()return dataif __name__ == "__main__":data = readData() # 读取股票基础数据info ={"股票代码":list(data["股票代码"]), "企业名称": list(data['股票简称']),"主营⾏业":list(data["主营⾏业"])} df = pd.DataFrame(info)# print(df)# 筛选stime = '2015-01-01'etime = '2018-01-01'# 依次计算企业的CAMP拟合结果code = list(df['股票代码'])name = list(df["企业名称"])n1 = [] # ⽤于存放α系数n2 = [] # ⽤于存放β系数print("对沪深300指数成分股2015年1⽉-2018年1⽉的CAMP模型计算")for i in range(len(code)):num = modelCAMP(code[i],name[i],stime,etime)if len(num) == 2:n1.append(num[0])n2.append(num[1])elif num[0] == 0:# print("{}在2018年还未上市".format(name[i]))n1.append(np.nan)n2.append(np.nan)else:print("不存在风险系数")df1 = dfdf1['α'] = n1 # 添加股票α系数df1['β'] = n2 # 添加股票β系数new1 = df1.sort_values(by='α', ascending=False) # 按照α进⾏降序new1.to_csv("stock1.csv", index=False) # 将数据存⼊csv⽂件中new1 = new1[:100]# 设定股票池1,选取α系数前30 的股票放⼊股票池1mean1 = new1['α'].mean()# print("股票池1的α平均值{}".format(mean1))# 预测stime = '2018-01-01'etime = '2021-01-01'n3 = [] # 存放α系数n4 = [] # 存放β系数print("对沪深300指数成分股2018年1⽉-2021年1⽉的CAMP模型计算")for i in range(len(code)):num = modelCAMP(code[i],name[i], stime, etime)if len(num) == 2:n3.append(num[0])n4.append(num[1])else:print("不存在风险系数")df2 = dfdf2['α'] = n3 # 添加股票α系数df2['β'] = n4 # 添加股票β系数new2 = df2.sort_values(by='α', ascending=False) # 按照α进⾏降序new2.to_csv("stock2.csv", index=None)new2 = new2[:100] # 设定股票池1,选取α系数前30 的股票放⼊股票池2# 计算股票池1和股票池2的重合度c = 0print("股票池1和股票池2都出现的企业")for i in new1["企业名称"]:if i in list(new2["企业名称"]):print(i)c += 1print("股票池1和股票池2⼀共有{}⽀股票重合，重合度为{}".format(c,c/100))# 绘制股票池中企业所属⾏业分布图# draw1 = pd.DataFrame({"⾏业": new1.groupby('主营⾏业')["主营⾏业"].count()})# draw1.plot(kind="barh")# plt.title("股票池1⾏业统计图")# plt.xlabel("数量")# plt.ylabel("⾏业名称")# plt.tick_params(axis='x', labelsize=8)# plt.tick_params(axis='y', labelsize=8)## draw2 = pd.DataFrame({"⾏业": new2.groupby('主营⾏业')["主营⾏业"].count()})# draw2.plot(kind="barh")# plt.title("股票池2⾏业统计图")# plt.xlabel("数量")# plt.ylabel("⾏业名称")# plt.tick_params(axis='x', labelsize=8)# plt.tick_params(axis='y', labelsize=8)# plt.show()## stime = '2018-01-01'# etime = '2021-01-01'# n5=[]# print("对股票池1中的股票2018年1⽉-2021年1⽉的阿尔法值进⾏计算")# code = list(new1["股票代码"])# name = list(new1["企业名称"])# for i in range(len(code)):# num = modelCAMP(code[i], name[i], stime, etime)# if len(num) == 2:# n5.append(num[0])# elif num[0] == 0:# print("{}在2018年还未上市".format(name[i]))# else:# print("不存在风险系数")# df3 = new1# df3['α'] = n5 # 添加股票α系数# m = 0# for i in n5:# m += i# mean2 = m/len(n5)# print("股票池1在2015年-2018年的α均值{},在2018年-2021年α的均值{}".format(mean1, mean2))。