在Azure中部署AD FS

article/2025/10/20 6:05:46

AD FS提供简化安全的身份联合验证和Web SSO。
ADFS和Azure AD O365联合起来的话,用户就可以拿本地的凭据来访问云上的所有资源。所以,ADFS就将本地资源和云上资源整合起来,至关重要。

ADFS部署在Azure上有以下有点:

  1. 高可用:因为有Azure Availability Set, 可以提高高可用性
  2. 容易扩容
  3. 跨地理冗余
  4. 容易管理

在这里插入图片描述

  • DC/ADFS:如果只有不到1000个用户ADFS角色可以直接部署在DC上。如果不想让ADFS影响DC的性能或者用户多于1000个,这样的话就要单独不部署一个ADFS
    Server。

  • WAP(Web Application
    Proxy)如果有外网用户想要访问,就必须要部署WAP,WAP要部署在DMZ外围网中。

  • DMZ:外围网,WAP部署在此。

  • 负载平衡:在ADFS server 和WAP前面都要放置负载平衡器

  • 可用性集:就是给相似的工作负载部署多台虚机,这样提高可用性。

  • 存储账户:建议有两个存储账户,如果只有一个存储账户的话,很容易有单点故障。

  • 网络分割:WAP要部署在外围网中,必须要把Vnet分为两个子网,然后把WAP部署在其中一个隔离的子网中。这个隔离用NGS network group security 来设置,设置两个子网中的通信限制。

用Azure Traffic Manager来部署ADFS跨地理位置的高可用部署

Azure Traffic Manager用来实现ADFS跨地理位置的高可用,通过用路由的方法来满足需求。
跨地理位置的高可用可以让ADFS可以:

  1. 可以克服单点故障
  2. 性能提高

在这里插入图片描述
上图和Azure ADFS 没太大差别,就是拓展了另一个地理区域。
有以下几点需要考虑:

  • 虚拟网络: 第二个地理区域需要重新建一个新的Vnet。
  • DC和新地理位置的ADFS server: 建议在新的地理位置的部署自己的DC,这样就不用跑老远去找遥远的DC去进行验证,这样慢、性能差。
  • 存储账户:新地儿要建立一个新的存储账户
  • NSG:一个地儿的NSG不能用在新地儿,所以要在新地方重新创建一个差不多的NSG
  • Azure Traffic Manager: Azure Traffic Manager把流量全球范围内进行分发, Azure Traffic Manager工作在DNS级别,DNS将客户端流量转去全球分布的终端点,这样客户端就直接和终端点链接,可以自定义不同的路由方式,权重,优先级,从而来自定义来满足自己的需求。
  • 两个区域内V-net和V-net之间的连接:不需要建立虚拟网络之间的连接,因为每个虚拟网络可以访问自己的DC,有自己的ADFS、WAP,所以联合身份验证在没有虚拟网络连接的区域之间也可以正常工作。

http://chatgpt.dhexx.cn/article/LfaCkZN0.shtml

相关文章

Python中的Unicode编码和UTF-8编码

下午看廖雪峰的Python2.7教程,看到 字符串和编码 一节,有一点感受,结合 崔庆才的Python博客 ,把这种感受记录下来: ASCII码:是用一个字节(8bit, 0-255)中的127个字母表示…

01、ADS新建工程后初始设置

为了避免版图报错,需要在ADS新建工程之后进行一些初始设置 Option→Technology→Technology Setup... 此时可以看到已经不报错了

Windows Server 2012 AD域控搭建-系统安装及环境配置

一、安装系统 首先https://msdn.itellyou.cn,去下载系统。 刻录到U盘省略,创建虚拟机步骤省略,直接进入安装步骤: 选择带标准版,带GUI的服务器安装 后面选择硬盘即可 等等等,完成后设置密码,一…

论文阅读ICLR2020《ADAPTIVE STRUCTURAL FINGERPRINTS FOR GRAPH ATTENTION NETWORKS》

论文阅读ICLR2020《ADAPTIVE STRUCTURAL FINGERPRINTS FOR GRAPH ATTENTION NETWORKS》 摘要确定节点相似性时图的结构Adaptive Structural Fingprients(ADSF)模型介绍结果分析原作CONCLUSION AND FUTURE WORK论文 摘要 观点:如何利用注意力…

MDC300的ADSFI框架介绍

文章目录 什么是ADSFI框架?ADSFI应用框架图MDC300上有哪些ADSFI框架?各个ADSFI框架的联系单个ADSFI框架的构成单个ADSFI框架中的yaml文件 什么是ADSFI框架? ADSFI(Autonomous Driving Service Framework Initiative) …

论文阅读笔记(4-2)---吴恩达DNN算法分析和仿真实现

算法开发 该深度卷积神经网络以原始心电图数据(以200Hz或每秒200个样本为样本)作为输入,并且每256个样本(或每1.28秒)生成一个预测,我们称之为输出间隔。网络仅以原始心电图样本为输入,网络架构…

LightGBM的基本原理以及使用

LightGBM的基本原理以及使用 LightGBM的基本原理 LightGBM是一款常用的GBDT工具包,由微软亚研院开发,速度比XGBoost快,精度稍低 。他的设计理念是:1.单个机器在不牺牲速度的情况下,尽可能使用上更多的数据。2.多机并…

从心电信号分类过渡到心音信号分类

首先刚接手这种关于信号的分类问题,以下可能会有不对的地方,接下去通过学习会对不正确的地方进行更正或者补充。 心电信号分类参考文献:Cardiologist-LevelArrhythmiaDetectionwithConvolutionalNeuralNetworks目标:对传感器采集…

LightGBM调参

GBDT模型的另一个进化版本:LightGBM。LigthGBM是boosting集合模型中的新进成员,由微软提供,它和XGBoost一样是对GBDT的高效实现,原理上它和GBDT及XGBoost类似,都采用损失函数的负梯度作为当前决策树的残差近似值&#…

XGBoost调参步骤及常见问题

XGBoost xgboost中的基学习器除了可以是CART(gbtree)也可以是线性分类器(gblinear) xgboost在目标函数中显示的加上了正则化项,基学习为CART时,正则化项与树的叶子节点的数量T和叶子节点的值有关。 正则项…

LightGBM原理介绍

简介 是GBDT模型的一个进化版本,其主要思想是利用弱分类器(决策树)迭代训练以得到最优模型,该模型具有训练效果好、不易过拟合等优点(备注:容易出现过拟合的风险,需要限制树的最大深度来防止过…

lightbgm参数_参数调优LightGBM-商品分类-代码

1.直接调用LightGBM内嵌的cv寻找最佳的参数n_estimators(弱分类器数目) Otto商品分类数据 导入必要模型import lightgbm as lgbm import pandas as pd import numpy as np from sklearn.model_selection import GridSearchCV from sklearn.model_selection import StratifiedKF…

Xgboost回归四种调参方法及Python简单实现

前言 Xgboost对特征工程和数据处理比较友好,相比之下调参成为用好Xgboost重要的一环,本文分别从参数、调参方法、Python实现的维度进行梳理,作为调参思路的记录。 本文将关注以下几个问题: 1.Xgboost哪些参数需要调参&#xff…

Python机器学习10——梯度提升

本系列所有的代码和数据都可以从陈强老师的个人主页上下载:Python数据程序 参考书目:陈强.机器学习及Python应用. 北京:高等教育出版社, 2021. 本系列基本不讲数学原理,只从代码角度去让读者们利用最简洁的Python代码实现机器学…

【机器学习】集成学习代码练习

课程完整代码:https://github.com/fengdu78/WZU-machine-learning-course 代码修改并注释:黄海广,haiguang2000wzu.edu.cn import warnings warnings.filterwarnings("ignore") import pandas as pd from sklearn.model_selection …

Keras 1.0 与 2.0 中 Convolution1D 的区别(其实是tf1.0 2.0 区别)

1.0 Convolution1D: 一维卷积层 nb_filter: 卷积核的个数 filter_length: 每个卷积核的长度 init: 权重初始化函数名称 weights: 权重初始化 border_mode: valid, same or full 如果是‘valid ’ 进行有效的卷积,对边界数据不处理,‘same表示保留…

数据挖掘入门_Task04

线性回归模型 线性回归(Linear Regression)是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。 可以直接使用sklearn建立线性模型: from sklearn.linear_model import LinearRegression model LinearRegression(n…

task4 建模调参

1 读取数据 import pandas as pd import numpy as np import warnings warnings.filterwarnings(ignore)note: 将整型变量的类型尽量压缩,逐步判断并转化为int8,int16,int32,int64 def reduce_mem_usage(df):""" iterate through all the columns …

深度学习与神经网络(七)——卷积神经网络之池化pooling 上采样upsample与降采样downsample(下采样)(subsample)(nn.MaxPool2d)

池化层pooling与采样 upsample与downsample upsample(interpolating)是上采样,是图片的放大 unpool是上采样的一种 downsample(subsample)是下采样,是图片的缩小 在卷积神经网络中使用的采样方式就是pooling,有点类似下采样,但不太…

有放回随机抽样:重要参数subsample

原理透析 确认了有多少棵树之后,我们来思考一个问题:建立了众多的树,怎么就能够保证模型整体的效果变强呢?集成的目的是为了模型在样本上能表现出更好的效果,所以对于所有的提升集成算法,每构建一个评估器&…