1. Создать резервную копию​

Перейдите к каталогу, содержащему ваш файл docker compose.yml.

Database Backup​

docker compose exec postgres pg_dump -U postgres planka > planka_backup_$(date +%Y%m%d).sql

Volume Backups​

docker run --rm -v $(pwd):/backup -v planka_user-avatars:/data alpine tar -czvf /backup/user-avatars.tar.gz -C /data .
docker run --rm -v $(pwd):/backup -v planka_attachments:/data alpine tar -czvf /backup/attachments.tar.gz -C /data .
docker run --rm -v $(pwd):/backup -v planka_project-background-images:/data alpine tar -czvf /backup/project-background-images.tar.gz -C /data .

2. Остановите и удалите контейнеры​

docker compose down

3. Измените тег образа на 2.0.0-rc.3​

Отредактируйте свой файл docker-compose.yml и обновите образ PLANKA:

services:
  planka:
-   image: ghcr.io/plankanban/planka:latest
+   image: ghcr.io/plankanban/planka:2.0.0-rc.3
    ...

4. Добавьте новые хранилища​

Update the volumes sections:

services:
  planka:
    ...
    volumes:
+     - favicons:/app/public/favicons
      - user-avatars:/app/public/user-avatars
      - project-background-images:/app/public/project-background-images # Will be deleted after migration
+     - background-images:/app/public/background-images
      - attachments:/app/private/attachments
    ...

volumes:
+ favicons:
  user-avatars:
  project-background-images:
+ background-images:
  attachments:
  db-data:

5. Очистка переменных среды​

Удалите устаревшие переменные

Удалите следующее из раздела environment:

• ALLOW_ALL_TO_CREATE_PROJECTS — Now managed via user-specific global roles.
• SLACK_*, GOOGLE_*, TELEGRAM_* — Replaced by in-app notifications with support for 100+ services.

Обновите значение TRUST_PROXY

Независимо от того, устанавливали ли вы ранее переменную окружения TRUST_PROXY, вы должны убедиться, что она использует правильное логическое строковое значение. Если в настоящее время она установлена ​​на 0, обновите ее на false (даже если переменная закомментирована). Если она установлена ​​на 1, обновите ее на true. Использование числовых значений (0 или 1) больше не поддерживается и может привести к неожиданному поведению.

Добавьте новую переменную:

DEFAULT_LANGUAGE=en-US

Это устанавливает язык по умолчанию для отправки уведомлений для пользователя (если пользователь не выбрал язык) и для доски. Это также действует как резервный вариант, когда переводы недоступны.

6. Извлеките образ Docker​

docker compose pull

7. Скопируйте фоновые изображения в новое место​

Копировать фоновые изображения в новое место:

docker compose run --rm planka cp -av /app/public/project-background-images/. /app/public/background-images

8. Запустите скрипт обновления базы данных​

Это необходимо сделать перед первым запуском PLANKA.

docker compose run --rm planka npm run db:upgrade

9. Удалить старую ссылку на хранилище​

Обновите docker-compose.yml, чтобы удалить старый том project-background-images:

services:
  planka:
    ...
    volumes:
      - favicons:/app/public/favicons
      - user-avatars:/app/public/user-avatars
-     - project-background-images:/app/public/project-background-images
      - background-images:/app/public/background-images
      - attachments:/app/private/attachments
    ...

volumes:
  favicons:
  user-avatars:
- project-background-images:
  background-images:
  attachments:
  db-data:

10. Запустите PLANKA и проверьте​

Запустите PLANKA:

docker compose up -d

Мониторинг журналов на предмет проблем:

docker compose logs -f

11. Очистка​

Убедившись, что все работает, удалите старый том:

docker volume rm planka_project-background-images

Поиск неисправностей​

Если у вас возникли проблемы:

• Проверьте журналы с помощью docker compose logs -f planka
• Убедитесь, что миграция базы данных выполнена успешно
• При необходимости восстановите данные из резервной копии и повторите попытку

Kerio Connect установлен в данном примере на Ubuntu.

Устанавливаем fail2ban:

sudo apt update
sudo apt install fail2ban

Прописываем набор правил:

sudo nano /etc/fail2ban/jail.local

[DEFAULT]
# Игнорируем свои доверенные IP (white list)
ignoreip = 192.168.0.0/16

[kerio-connect]
enabled = true
filter = kerio-connect
logpath = /media/data/store/logs/security.log
backend = auto
maxretry = 3
findtime = 10m
bantime = 1h
banaction = iptables-multiport
port = smtp,ssmtp,submission

Определяем как нам вычислять атаки из журнала security.log :

sudo nano /etc/fail2ban/filter.d/kerio-connect.conf

[Definition]
failregex = ^.*SMTP: User .* doesn't exist\\. Attempt from IP address <HOST>\\.$
ignoreregex =

Перезагружаем сервис fail2ban, включаем и смотрим статус:

sudo systemctl restart fail2ban
sudo systemctl enable fail2ban
sudo systemctl status fail2ban

#смотрим статус заданий
sudo fail2ban-client status

#смотрим забаненные IP
sudo fail2ban-client status kerio-connect

Посмотреть детали по одному из IP:

sudo fail2ban-client get kerio-connect baninfo <IP>

Разблокировать IP:

sudo fail2ban-client set kerio-connect unbanip <IP>

• Шаблон VM VMware
• Шаблон VM VMware Guest
• Шаблон VM VMware Hypervisor

1. Настройка Zabbix-сервера:

В файле конфигурации Zabbix-сервера (например, /etc/zabbix/zabbix_server.conf) для мониторинга vCenter необходимо настроить следующие параметры:

StartVMwareCollectors - количество префорков процессов коллектора VMware.
Это значение зависит от количества vCenter. Для большинства случаев значение должно быть таким:
vCenter count < StartVMwareCollectors < (vCenter count * 2).
Например, если у вас 1 контролируемый vCenter, установите StartVMwareCollectors равным 2, если у вас 3 vCenters, установите параметр равным 5. Обратите внимание, что в большинстве случаев это значение не должно быть меньше 2 и не должно превышать количество контролируемых vCenters более чем в 2 раза. Помните, что это значение также зависит от размера среды VMware, параметров конфигурации VMwareFrequency и VMwarePerfFrequency (см. ниже).

VMwareCacheSize - общая память для хранения данных VMware. Для мониторинга использования кэша VMware можно использовать внутренние проверки VMware - zabbix[vmware, buffer,...] (см. раздел о внутренних проверках). Обратите внимание, что общая память не выделяется, если экземпляры коллектора VMware не настроены на запуск.

VMwareFrequency - задержка в секундах между сбором данных от одной службы VMware. Это значение должно быть установлено на наименьшее значение интервала обновления для любого элемента данных мониторинга VMware.
VMwarePerfFrequency - задержка в секундах между получением статистики по счетчикам производительности от одной службы VMware. Это значение должно быть установлено на наименьшее значение интервала обновления для любого элемента данных мониторинга VMware, использующего счетчики производительности VMware.

VMwareTimeout - максимальное количество секунд, в течение которых коллектор VMware будет ожидать ответа от службы VMware (vCenter или гипервизора ESX).

Перезапустите службу zabbix-server.

sudo systemctl restart zabbix-server

2. Настройка пользователя в vCenter:

В vCenter необходимо создать пользователя, под которым zabbix будет входить в vCenter, естественно, с правами только на чтение. В Menu > Administration > Single Sign On > Users and Groups.

Добавьте нового пользователя. Добавить пользователя. Запомните свой логин и пароль.

Мы даем пользователю права на чтение vCenter с вложениями (Hosts and Clusters > your vCenter > Permissions).

3. Добавляем vCenter в Zabbix 7:

Data collection -> Hosts -> Create Hosts

Добавляем макросы:

• {$VMWARE.PASSWORD} — пароль для пользователя zabbix созданного выше
• {$VMWARE.URL} — IP vCenter, а примере https://192.168.1.100/sdk
• {$VMWARE.USERNAME} — в примере zabbix@vsphere.local

Добавьте хост.

Теперь вам нужно подождать несколько часов, и все кластеры, гипервизоры и виртуальные машины будут обнаружены.

1.1. Если приватный ключ еще не создан (.key), то команда. Выполняем на MYWEB:

openssl req -new -inform DER -sha1 -newkey rsa:2048 -nodes -keyout myweb.key -out myweb.csr -config openssl.conf

1.2. Если приватный ключ уже есть, то:

openssl req -new -key myweb.key -out myweb.csr -config openssl.conf

где openssl.conf - это наш типовой конфиг

[req]
 default_bits = 2048
 prompt = no
 default_md = sha256
 req_extensions = req_ext
 distinguished_name = dn
 
[ dn ]
 C=RU
 ST=SO
 L=Moscow
 O=MyOrg
 OU=IT
 emailAddress=it@mydomain.dom
 CN = myweb.mydomain.dom
 
[ req_ext ]
 subjectAltName = @alt_names
 
[ alt_names ]
 DNS.1 = myweb
 DNS.2 = myweb.mydomain
 DNS.3 = myweb.mydomain.dom 

Размещаем файл с запросом в папку C:\Temp и указываем в запросе необходимый нам шаблон сертификата, в примере, это WebServer5Years.

Понадобится модуль PSPKI

Import-Module PSPKISubmit-CertificateRequest -path C:\Temp\myweb.csr -CertificationAuthority (Get-CertificationAuthority rds.mydomain.dom) -Attribute CertificateTemplate:WebServer5Years

где C:\Temp\myweb.csr - наш запрос, rds.mydomain.dom - сервер ЦС, WebServer5Years - название шаблона сертификатов

и выгружаем полученный сертификат

(Get-IssuedRequest -CertificationAuthority (Get-CertificationAuthority rds.mydomain.dom) -RequestID 20) | Receive-Certificate -Path C:\Temp -Force

где -RequestID 20 - номер запроса, его видно в консоли сервера ЦС (запуск PKIView.msc), C:\Temp - папка для выгрузки

3.1. Для некоторых серверов необходимо создать цепочку сертификатов, тогда необходимо создать такой файл (это нужно не для всех):

cat myweb.crt ca.crt > apweb-bundle.crt*

где apweb.crt - сертификат веб сервера, ca.crt - сертификат CA

ssl_certificate /var/www/cert/myweb.crt;
ssl_certificate_key /var/www/cert/myweb.key;

sudo systemctl restart nginx.service

MobaXterm - это ваш универсальный набор инструментов для удаленной работы. В одном приложении для Windows он предоставляет множество функций, предназначенных для программистов, веб-мастеров, IT-администраторов и практически всех пользователей, которым необходимо упростить работу с удаленными компьютерами.

MobaXterm предоставляет все важные удаленные сетевые инструменты (SSH, X11, RDP, VNC, FTP, MOSH, ...) и команды Unix (bash, ls, cat, sed, grep, awk, rsync, ...) на рабочий стол Windows в одном портативном exe-файле, который работает «из коробки». Дополнительная информация о поддерживаемых сетевых протоколах.

Free version имеет ограничения, но пользоваться можно. Чтобы отучить от жадности - есть способ на github.

https://github.com/mzjdy/MobaXterm-Keygen

Прикладываю дистриб ПО v24.3 и дистриб KG с github.

Как работает KG?

MobaXterm-Keygen.py <UserName> <Version>

Пример:

PS C:\\Users\\DoubleSine\\Github\\MobaXterm-Keygen> .\\MobaXterm-Keygen.py "User" 24.3
[*] Success!
[*] File generated: C:\\Users\\DoubleSine\\Github\\MobaXterm-Keygen\\Custom.mxtpro
[*] Please move or copy the newly-generated file to MobaXterm's installation path.

Формируется файл Custom.mxtpro , его надо скопировать в папку с ПО C:\Program Files (x86)\Mobatek\MobaXterm.

mkdir watchtower
cd watchtower
nano docker-compose.yml

Прописываем наши настройки - токен бота telegram и номер чата для уведомлений, каждый день в 23:00 выполняется проверка

---
version: '3.3'

services:
  watchtower:
    image: containrrr/watchtower
    container_name: watchtower
    restart: unless-stopped
    volumes:
      - '/var/run/docker.sock:/var/run/docker.sock'
    environment:
      - TZ=Asia/Yekaterinburg
      - WATCHTOWER_LIFECYCLE_HOOKS=True
      - WATCHTOWER_NOTIFICATIONS=shoutrrr
      - WATCHTOWER_NOTIFICATION_URL=telegram://ТОКЕН_ВАШЕГО_БОТА@telegram/?channels=ID_ВАШЕГО_ЧАТА_ИЛИ_ГРУППЫ
      - WATCHTOWER_DEBUG=true
      - WATCHTOWER_CLEANUP=true
      - WATCHTOWER_SCHEDULE=0 0 23 * * *

sudo docker compose up -d

Для обновления WatchTower:

sudo docker compose down
sudo docker compose pull
sudo docker compose up -d

1. Выбор инструмента для преобразования речи в текст (STT).

Были протестированы следующие инструменты:

• [x] Yandex STT
• [x] Google speech
• [x] Silero STT
• [x] AssemblyAI
• [x] VOSK
• [x] WHISPER

Короткие выводы:

Плюсы: хорошее распознавание русской речи, высокая скорость

Минусы: платная, сложность настройки

Плюсы: неплохое распознавание русской речи

Минусы: платная, сложность оплаты(карты не РФ), сложность настройки

API направление не развивается, предоставляют доступ только в индивидуальном режиме.

На момент теста модель vosk-model-ru-0.10 (2.5G)

Плюсы: высокая скорость обработки, среднее качество распознавания русской речи

Минусы: не было необходимых выходных форматов, среднее качество распознавания русской речи

Нашли более быстрый форк Faster-whisper:

GitHub - SYSTRAN/faster-whisper: Faster Whisper transcription with CTranslate2

Скорость обработки значительно возросла при сохранении качества.

2. Настройка обработки звуковых файлов - телефонных диалогов.

В качестве ОС решили использовать последний LTS Ubuntu Server (на тот момент 22.04), т.к. для этой ОС всегда есть необходимые пакеты ПО.

Общая схема предполагалась следующей:

1. Сервер АТС (asterisk) выдает файлы тел. диалогов в директорию на файловом сервере в формате *.wav .
2. После чего сервер STT начинает его обработку:

В диалоге есть 2 канала - первый - это операторы ДЦ, второй - клиент. Поэтому мы решили сначала делить аудио файл на два и транскрибировать их отдельно с выводом в 2 отдельных текстовых файла с временными метками. После чего объединяем 2 файла в один.

Для обработки выбрали Python (v3.10) - библиотеки pydub (для обработки аудио) и faster_whisper (для транскрибации).

Python скрипт:

from pydub import AudioSegment
from faster_whisper import WhisperModel
import sys
import os

input_name = sys.argv[1]

# Разделение аудиофайла на каналы
audio = AudioSegment.from_wav("/mnt/media/OP/" + input_name +  ".wav")

# Извлечение каналов
left_channel = audio.split_to_mono()[0]
right_channel = audio.split_to_mono()[1]

# Сохранение отдельных каналов во временные файлы
left_channel.export("" + input_name +  "left_channel.wav", format="wav")
right_channel.export("" + input_name +  "right_channel.wav", format="wav")

# Инициализация модели
model_size = "large-v3"
model = WhisperModel(model_size, device="cpu", compute_type="int8")

def transcribe_and_label(channel_file, channel_label):
    segments, _ = model.transcribe(
        channel_file,
        beam_size=5,
        language="ru",
        condition_on_previous_text=False,
        vad_filter=True,
        vad_parameters=dict(min_silence_duration_ms=500),
    )
    labeled_segments = [
        {"start": segment.start, "end": segment.end, "text": segment.text, "channel": channel_label}
        for segment in segments
    ]
    return labeled_segments

# Транскрипция каналов с маркировкой
left_segments = transcribe_and_label("" + input_name +  "left_channel.wav", "Клиент")
right_segments = transcribe_and_label("" + input_name +  "right_channel.wav", "Оператор")

# Объединение и сортировка сегментов по времени начала
all_segments = left_segments + right_segments
all_segments.sort(key=lambda x: x["start"])

# Запись в файл
with open("/mnt/media/OP/" + input_name +  ".txt", "w", encoding="utf-8") as f:
    for segment in all_segments:
        segment_text = "[%.2fs -> %.2fs] (%s channel) %s" % (segment["start"], segment["end"], segment["channel"], segment["text"])
        f.write(segment_text + "\\n")
        print(segment_text)

# Удаление временных файлов (если необходимо)
os.remove("" + input_name +  "left_channel.wav")
os.remove("" + input_name +  "right_channel.wav")

# Функция для удаления временных меток и замены текста
def clean_transcription_file(input_file, output_file):
    with open(input_file, "r", encoding="utf-8") as f:
        lines = f.readlines()

    with open(output_file, "w", encoding="utf-8") as f:
        for line in lines:
            # Удаление временных меток
            cleaned_line = line.split('] ')[1] if '] ' in line else line
            # Замена текста "(Оператор channel)" на "Оператор:"
            cleaned_line = cleaned_line.replace("(Клиент channel)", "Клиент:").replace("(Оператор channel)", "Оператор:")
            f.write(cleaned_line)

# Использование функции для очистки файла
clean_transcription_file("/mnt/media/OP/" + input_name +  ".txt", "/mnt/media/OP/txt/" + input_name +  ".txt")
os.rename("/mnt/media/OP/" + input_name +  ".txt", "/mnt/media/OP/txt_temp/" + input_name +  ".txt")

os.rename("/mnt/media/OP/" + input_name +  ".wav", "/mnt/media/OP/done/" + input_name +  ".wav")

3. Анализ диалога с помощью ИИ.

Далее была поставлена задача по анализированию диалога с помощью ИИ. Мы выбрали для данного решения ChatGPT, как наиболее развитую ИИ технологию. На тот момент использовали модель gpt-4o.

Возникла проблема в доступности API ChatGPT из РФ. Для решения данной проблемы мы использовали собственный прокси сервер в виде локального TOR.

1. Устанавливаем TOR на сервер STT для обработки в ChatGPT, добавляем порт в “/etc/tor/torrc” и перезагружаем TOR “sudo systemctl restart tor”

HTTPTunnelPort 9081

1. Для обработки в ChatGPT мы так же решили использовать Python - библиотеки requests и json, напрямую библиотеку openai использовать не получилось из-за обхода ограничений.

import requests
import sys
import os
import json

# Добавляем чтение аргументов из cmd
input_name = sys.argv[1]

# Your OpenAI API key
api_key = "sk-****-*********************************************"

# Пути к вх. и исх. файлам
file_path = f"/mnt/media/OP/txt/{input_name}.txt"
output_file_path = f"/mnt/media/OP/openai/{input_name}.txt"
prompt = "Прошу проверить разговор продавца с клиентом, используя следующий чек-лист-\\nВопрос 1- Продавец поздоровался?\\nВопрос 2- Продавец представился?\\nВопрос 3- Продавец в течении разговора обратился к клиенту по имени не менее 2 раз?\\nВопрос 4- Продавец назвал первичные потребности клиента?\\nВопрос 5- Продавец задавал открытые вопросы, направленные на выявление потребностей клиента в автомобиле?\\nВопрос 6- Продавец предложил клиенту альтернативные варианты автомобилей?\\nВопрос 7- Продавец согласовал с клиентом дату и время следующей встречи или звонка?\\nВопрос 8- Продавец в конце разговора подтвердил номер телефона клиента?\\nВопрос 9- Продавец подвел итоги диалога?\\nВопрос 10- Продавец спросил, есть ли у клиента еще какие-либо вопросы?\\nВопрос 11- Продавец в конце разговора предложил свою электронную визитку или номер телефона?\\nВопрос 12- Продавец поблагодарил клиента за звонок?\\nВопрос 13- Продавец вежливо попрощался?\\nВопрос 14- Какая договоренность была озвучена в итоге разговора?\\nВопрос 15- Продавец проявлял инициативность и заинтересованность в разговоре с клиентом? Сделай оценку так - каждый вопрос - это 1 балл и рассчитай долю положительных ответов."
# Конф. Proxy 
proxies = {
    "http": "<http://localhost:9081>",
    "https": "<http://localhost:9081>",
}

# Читаем содержимое файла
with open(file_path, 'r', encoding='utf-8') as file:
    file_content = file.read()

# Объединяем текст промта и содержимое текст. файла
full_prompt = prompt + file_content

# JSON payload для API запроса
payload = {
    "model": "gpt-4o",
    "messages": [
        {"role": "system", "content": "You are an assistant."},
        {"role": "user", "content": full_prompt}
    ],
    "max_tokens": 1500,
    "temperature": 0.7
}

# Отправляем запрос в OpenAI через прокси
response = requests.post(
    "<https://api.openai.com/v1/chat/completions>",
    headers={
        "Content-Type": "application/json",
        "Authorization": f"Bearer {api_key}",
    },
    json=payload,
    proxies=proxies
)

# Проверяем доступность
if response.status_code == 200:
    response_json = response.json()
    response_text = response_json['choices'][0]['message']['content'].strip()

    # Write the response to the output file
    with open(output_file_path, 'w', encoding='utf-8') as output_file:
        output_file.write(response_text)

    print(f"Ответ записан в файл {output_file_path}")
else:
    print(f"Ошибка: {response.status_code}")
    print(response.text)

4. Фронт- и бэкенд для контроля системы

У нас уже был в компании веб сервер, работающий на NGINX+PHP+MySQL, поэтому систему решили настраивать на нём.

1. Первый этап - транскрибация, в таблице MySQL делается отметка о загрузке файла и статус транскрибации изменяется на “process”. После транскрибации звуковой файл перемещается в папку “done”, а текстовый файл в папку “txt”
2. Второй этап - система проверяет наличие сформированного текстового файла в папке “txt” и делает отметку в таблице о готовности транскрибации
3. Третий этап - система смотрит задания с положительным статусом транскрибации и отправляет текстовые файлы с указанным нами промтом на анализ в ChatGPT. После чего получает ответный проанализированный текстовый файл и сохраняет его в папке “openai”, при этом делая в таблице отметку об отправке в ChatGPT. В случае ошибки система направляет уведомление в Телеграм.
4. Четвертый этап - постобработка, например, выделение необходимого ответа из анализа ChatGPT.
5. Вывод таблицы с данными. Выводим на веб странице таблицу с с необходимыми нам данными.

Резервирование происходит по протоколу FTP, поэтому нужны — ip сервера ftp, логин (mikrotik_backup) и пароль для доступа.

#pull date

:local tmpdate [/system clock get date];
:local months ("jan","feb","mar","apr","may","jun","jul","aug","sep","oct","nov","dec");
:local month [ :pick $tmpdate 0 3 ];
:local mm ([ :find $months $month -1 ] + 1);
:if ($mm < 10) do={ :set mm ("0" . $mm); }
:local date ([:pick $tmpdate 4 6] ."-" . $mm ."-" . [:pick $tmpdate 7 11])

#FTP access

:local myname "Mikrotik_MY"
:local fname ($myname."_".$date);
:local bname ($myname."_".$date.".backup");
:local ename ($myname."_".$date.".rsc");
:local ftpuser "mikrotik_backup";
:local ftppass "Пароль_mikrotik_backup";
:local ftpaddr "IP_сервера_FTP";

#create backup

/system backup save name=$fname password=;
:delay 10;
/export file=$fname
:delay 10;

#pull backup to FTP

/tool fetch address=$ftpaddr src-path=$bname user=$ftpuser password=$ftppass port=21 upload=yes mode=ftp dst-path=$bname
:delay 15;
/tool fetch address=$ftpaddr src-path=$ename user=$ftpuser password=$ftppass port=21 upload=yes mode=ftp dst-path=$ename
:delay 15;

#delete files on mikrotik

/file remove $bname;
/file remove $ename;

Умеет генерировать трафик различного типа для анализа пропускной способности сети. Поддерживается многопоточная работа через параметры у клиента. По умолчанию тест выполняется в направлении от клиента к серверу. Для двунаправленного тестирования со стороны клиента необходимо использовать ключ -R.

Скачать можно здесь:

https://iperf.fr/iperf-download.php

C:\Distr\iperf-3.1.3-win64\iperf-3.1.3-win64>iperf3.exe /?
iperf3: parameter error - must either be a client (-c) or server (-s)

Usage: iperf [-s|-c host] [options]
       iperf [-h|--help] [-v|--version]

Server or Client:
  -p, --port      #         server port to listen on/connect to
  -f, --format    [kmgKMG]  format to report: Kbits, Mbits, KBytes, MBytes
  -i, --interval  #         seconds between periodic bandwidth reports
  -F, --file name           xmit/recv the specified file
  -B, --bind      <host>    bind to a specific interface
  -V, --verbose             more detailed output
  -J, --json                output in JSON format
  --logfile f               send output to a log file
  -d, --debug               emit debugging output
  -v, --version             show version information and quit
  -h, --help                show this message and quit
Server specific:
  -s, --server              run in server mode
  -D, --daemon              run the server as a daemon
  -I, --pidfile file        write PID file
  -1, --one-off             handle one client connection then exit
Client specific:
  -c, --client    <host>    run in client mode, connecting to <host>
  -u, --udp                 use UDP rather than TCP
  -b, --bandwidth #[KMG][/#] target bandwidth in bits/sec (0 for unlimited)
                            (default 1 Mbit/sec for UDP, unlimited for TCP)
                            (optional slash and packet count for burst mode)
  -t, --time      #         time in seconds to transmit for (default 10 secs)
  -n, --bytes     #[KMG]    number of bytes to transmit (instead of -t)
  -k, --blockcount #[KMG]   number of blocks (packets) to transmit (instead of -
t or -n)
  -l, --len       #[KMG]    length of buffer to read or write
                            (default 128 KB for TCP, 8 KB for UDP)
  --cport         <port>    bind to a specific client port (TCP and UDP, default
: ephemeral port)
  -P, --parallel  #         number of parallel client streams to run
  -R, --reverse             run in reverse mode (server sends, client receives)
  -w, --window    #[KMG]    set window size / socket buffer size
  -M, --set-mss   #         set TCP/SCTP maximum segment size (MTU - 40 bytes)
  -N, --no-delay            set TCP/SCTP no delay, disabling Nagle's Algorithm
  -4, --version4            only use IPv4
  -6, --version6            only use IPv6
  -S, --tos N               set the IP 'type of service'
  -Z, --zerocopy            use a 'zero copy' method of sending data
  -O, --omit N              omit the first n seconds
  -T, --title str           prefix every output line with this string
  --get-server-output       get results from server
  --udp-counters-64bit      use 64-bit counters in UDP test packets

[KMG] indicates options that support a K/M/G suffix for kilo-, mega-, or giga-

iperf3 homepage at: http://software.es.net/iperf/
Report bugs to:     https://github.com/esnet/iperf

Пример использования

На сервере запускаем:

iperf3.exe -s

На клиенте запускаем:

iperf3.exe -с 10.10.12.8 -P 5 -R

Где:

• 10.10.12.8 - IP адрес сервера,
• -P 5 - пять потоков,
• -R - двунаправленная передача.

Результат:

Обратите внимание, что это работает одинаково во всех версиях Windows.

Просто найдите cmd, а затем щелкните правой кнопкой мыши на значке командной строки в меню “Пуск” или на начальном экране.

Если вы работаете в Windows 10, 11 или 8.1, вы можете щелкнуть правой кнопкой мыши на кнопке “Пуск” и выбрать таким образом открытие командной строки.

Теперь введите следующую команду:

net user administrator /active:yes

Вы должны увидеть сообщение об успешном завершении команды.

Выйдите из системы, и теперь вы увидите учетную запись администратора в качестве выбора.

Вы заметите, что у этой учетной записи нет пароля, поэтому, если вы хотите оставить ее включенной, вам следует изменить пароль.

Отключение встроенной учетной записи администратора

Убедитесь, что вы вошли в систему под учетной записью обычного пользователя, а затем откройте командную строку в режиме администратора, как указано выше.

Введите следующую команду:

net user administrator /active:no