CloudDrive1.1.52版本发布

CloudDrive1.1.52版本发布

挂载阿里云盘到本地磁盘的效果

更新内容:

1. 应对近期服务器出现异常外来流量触发阿里云限流,导致无法正常登录和注册,在服务器上临时增加流控机制,更新到本版本可正常登录和注册,登录和注册时间可能会比以前稍长,请耐心等待

2. 迁移功能增加阿里云盘/115和天翼云盘之间的互相迁移,适合小文件迁移,大文件速度会较慢

3. 迁移功能增加本地文件夹到云盘的迁移,Web界面添加本地文件夹后可选择将本地文件夹迁移到云盘,迁移在后台进行,不占用本地缓存空间,需要大量上传本地文件的建议采用此功能。PS. 用资源管理器拷贝文件到挂载的本地盘仍然需要占用本地缓存空间。

4. 修复阿里云盘登录过期的问题

5. 进一步提高115列文件速度

6. 其它性能改进和bug修复

已知问题

1. 基于musl-libc的系统挂载的目录文件可能存在显示不全,包括openwrt、Alpine Linux等,Web界面不受影响

2. 直接在网盘上编辑文档还有待大量测试,重要文档编辑前请做好备份

3. 暂时不支持Synology File Station

以上问题将逐步在后续版本中修复

Windows版安装方法:

下载最新Windows版安装程序并执行安装

下载地址: https://www.aliyundrive.com/s/EJVa5fueTs1

docker版下载地址:

https://hub.docker.com/r/cloudnas/clouddrive

docker版更新方法:

docker-compose pull

docker-compose up -d

内容来源网络,如有侵权,联系删除,本文地址:https://www.230890.com/zhan/97665.html

(0)

相关推荐

  • 萎缩性胃炎如何根治,萎缩性胃炎有治好的朋友请告诉一下

    慢性萎缩性胃炎病理复杂,往往寒热虚实互见,临床多以脾胃虚寒、肝胃不和、胃阴亏虚、脾胃湿热四种证型进行辨证,但疗效往往不太理想。笔者认为,本病多有瘀血,由于病程顽长,病情发展缓慢,常可导致淤血内停。气滞日久不能行血,阳虚寒邪侵袭血液凝滞;阴虚血少或邪热煎熬津液,血流不畅;气虚运血无力;湿邪阻塞血道,血行迟缓。上述各种原因均可导致淤血,这符合“久病入络”“顽疾多淤血”之说。笔者认为血淤日久病进,凝滞淤结为淤血。淤血患者有局部刺痛、钝瘤、绞痛、痛有定处、据按或见肌肤有青紫、淤斑,但血淤患者一般不完全具备上述各种症状,临床诊断血淤证多以舌脉为依据,若舌紫暗、暗红或兼有淤斑,脉沉细、沉涩或沉弦,即可诊为血淤证。用药时未必待有明显的淤血指征时方应用活血化淤药。实践证 明,活血化淤药能增加胃粘膜血流量,改善微循环,加速炎症吸收,促进胃粘膜恢复正常屏障作用,促使固有腺体再生,有利于萎缩的胃粘膜转化修复。

    生活 2021年10月27日
  • 秋季补得好 冬病不来找 滋补秘方 照着吃准没错

    秋季补得好 冬病不来找

    生活 2021年10月19日
  • 五脏虚实辩证,五脏六腑气虚的症状

    1:脾阳虚——舌苔淡白

    生活 2021年11月27日
  • 双11服务崩溃,损失了1个亿...

    【51CTO.com原创稿件】程序裸奔在服务器,没有经过任何的处理(至于怎么处理,这里先卖个关子,待会儿给大家慢慢道来......),当大流量来临后,会发生什么呢?

    科技 2021年10月31日
  • 媒体:预计苹果OLED屏MacBook Pro将推迟发布,此前预计2025年推出

    据报道,苹果打算在2025年推出采用OLED屏幕的MacBookPro,但从目前的情况来看,预计会推迟发布。苹果和三星、LG在洽谈一种新结构的OLED屏幕,屏幕亮度翻倍,寿命延长,但成本也将翻番,制造难度也会更大。至于采用OLED屏幕MacBook Pro在何时推出,目前还没有定论。最终何时推出,在苹果正式发布时才会揭晓。(TechWeb)

    科技 2021年11月20日
  • 干货!面向开放世界的推荐系统:基于图结构学习的归纳式协同过滤

    基于协同过滤的推荐模型通过将观察到的用户评分矩阵分解为两组嵌入因子(用户embedding和物品embedding)的内积,可以有效地估计潜在的用户兴趣并预测用户的未来行为。然而,特定于用户的嵌入因子只能以传导式(transductive)的方式学习,这使得推荐模型很难处理测试数据中的新用户。在现实场景中,推荐模型往往只能在有限时间窗口内收集的数据上训练,在未来的测试阶段则需要处理训练阶段未见的新用户。本文提出了一种可以实现归纳式学习的新型协同过滤方法。该方法包含两个表示学习模型:第一个模型遵循传统的矩阵分解方法,即对一组种子用户(key users)的评分矩阵进行分解,以获得他们对应的嵌入因子;第二个模型采用基于注意力机制的图结构学习方法,估计新的查询用户(query user)与种子用户之间的隐含关系,并通过图上的神经消息传递来归纳式的估计查询用户的嵌入表示。理论分析表明本文提出的模型可以保证与矩阵分解等价的表示能力。在5个公开数据集上的实验表明,我们的方法能够显著提升在具有少量行为数据的用户上的推荐性能,并且当模型仅在一部分用户上完成训练后可以有效迁移到新用户(不需要新的训练)。

    科技 2021年12月2日