计算机网络基础

于 2024-08-06 12:31:04 发布
阅读量221 收藏 7
点赞数 4
文章标签： 计算机网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_86272265/article/details/140952587
版权

文章目录

计算机网络基础

一、计算机网络章节介绍

1.网络与生活密不可分

2.IT行业的网络

3.如何学习网络技术

重在理解。理解原理，理解概念（能够复述）

4.网络基础概念

  1. 网络基础概念–网络模型
  2. 各种网络协议–报文结构
  3. 网络技术

二、单机设备实现上网的必备条件

1.网卡

  • 数据信号传输过程。

  • 信号的转换过程——调制与解调过程

    • 调制过程：二进制信号转换为电信号的过程
    • 解调过程：电信号转换为数据信号的过程

2.传输媒介

1.网线
双绞线
	线序：
	568a：白绿，绿，白橙，蓝，白蓝，橙，白棕，棕
	568b：橙白，橙，白绿，蓝，白蓝，绿，白棕，棕。目前最为常见
    制作材质区分
    五类线  网线外侧有 CAT.5 的标记，最高的传输频率为 100MHz，传输速率为 100Mbps，适用于百兆以下的网络
	超五类  网线外侧有 CAT.5e 的标记 传输频率与五类相同，但最高传输速率是 1000Mbps，适用于千兆网络上 
	六类线  网线外侧有 CAT.6 的标记，传输频率是 250MHz，最高传输速率为 1Gbps，适用于千兆网络中
	超六类  网线外侧有 CAT.6e 的标记，最大传输频率为 500 MHz，传输速度为 10Gbps，适合用于万兆的网络中
	七类线  七类的线芯是 0.57mm 左右的铜线，是高纯度的无氧铜，这能保证超低电阻，从而能传输更远，更稳定
	八类线  40Gbps

光纤：一定不可以折死角

网线长度越长带宽速率损耗越大
最高的传输频率传输速率适用于
五类线CAT.5100MHz100Mbps百兆以下的网络
超五类CAT.5e100MHz100Mbps千兆网络
六类线CAT.6250MHz1Gbps千兆网络
超六类CAT.6e500 MHz10Gbps万兆网络
2.wifi
版本：
wifi4
wifi5
wifi6
wifi7

3.接口需要具备速率协商

由高频率一方向下兼容

三、多人网络是如何构成的

1.交换机

通过广播构建多人同网段的局域网

​ 容易产生广播风暴问题：vlan技术

2.路由器

通过路由规则，打通不同的网络通信

四、网络模型标准——osi七层模型

1.介绍

七层模型，亦称OSI（Open System Interconnection）。参考模型是国际标准化组织制定的一个用于计算机或通信系统间互联的标准体系，一般称为OSI参考模型或七层模型。

2.七层结构

物理层
	建立、维护、断开物理连接。（由底层网络定义协议）

数据链路层
	建立逻辑连接、进行硬件地址寻址、差错校验等功能。（由底层网络定义协议）
	将比特组合成字节进而组合成帧，用MAC地址访问介质，错误发现但不能纠正。
	协议：ARP协议  实现MAC地址的寻址

网络层 
    进行逻辑地址寻址，实现不同网络之间的路径选择。ip地址
	协议有：ICMP(ping命令) IGMP IP（IPV4 IPV6）

传输层
    定义传输数据的协议端口号，以及流控和差错校验。
	协议有：TCP UDP，数据包一旦离开网卡即进入网络传输层

会话层：负责通信会话的连接与断开
表示层：数据包进行进一步处理，数据格式加密，数据包压缩
应用层：协议有：HTTP HTTPS FTP TFTP SMTP POP3 SNMP DNS TELNET DHCP
	HTTP超文本传输协议
	HTTPS安全的超文本传输协议
	FTP文件传输协议
	TFTp特殊的文件传输协议
	SMTP，POP3邮件协议
	SNMP传输系统性能指标的协议，一般用于监控
	DNS域名解析
	TELNET连接接口默认23端口
	DHCP
七层结构功能协议
物理层建立、维护、断开物理连接
数据链路层建立逻辑链接，进行硬件地址寻址、差错校验等功能arp
网络层进行逻辑地址寻址。实现不同网络间的路径选择icmp，igmp，ip
传输层定义传输数据的协议端口号，以及流控和差错校验tcp，udp
会话层负责通信会话的连接与断开
表示层对数据包进一步处理，数据格式加密，数据包压缩
应用层http，https，dhcp，telnet，dns，ftp

3.OSI七层模型规划出来的数据包的封装与解封装的流程

97762bf917f885fdbc1e3c72a11b6fda

Wxr不是外星人
关注
  • 4
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
计算机网络基础.pdf
06-05
计算机网络基础是信息技术的核心组成部分，它涉及数据通信、资源共享和分布式处理等方面。自20世纪40年代计算机诞生以来，计算机网络经历了漫长的发展过程，从早期的主机-终端架构到现代的分组交换网络，再到广泛...
计算机网络基础知识（非常详细）
热爱数据库的小胖
09-09 7万+
TCP建链时，携带的连接控制参数。TCP_MAXSEG：设置MSS（Max Segment Size），发送SYN时，告知对端可以接受的最⼤分节⼤⼩；即在当前连接中每个TCP分节中可以接受的最⼤数据量，接收SYN的⼀端会据此设置发送分节的 最⼤⼤⼩。通过TCP_MAXSEG设置；SO_RCVBUF：设置接收缓冲区⼤⼩，据此告知对端通告窗⼝的⼤⼩；SO_SNDBUF：设置发送缓冲区⼤⼩；
计算机网络基础知识大全
热门推荐
学Java，找哪吒
07-26 10万+
️️️一、计算机网络的概念 计算机网络：是一个将分散的、具有独立功能的计算机系统，通过通信设备与线路连接起来，由功能完善的软件实现资源共享和信息传递的系统。 二、计算机网络的功能 1、数据通信 2、资源共享 3、分布式处理（多台计算机各自承担同一工作任务的不同部分） 4、提高可靠性 5、负载均衡 三、计算机网络的组成 1、组成部分 硬件、软件、协议 2、工作方式 边缘部分：用户直接使用（C/S方式、P2P方式） 核心部分：为边缘部分提供服务 3、功能组成 通信子网：实现数据通信
计算机网络基础知识
m0_59535683的博客
08-11 4931
osi七层网络模型、TCP/IP/五层模型、TCP/IP四层模型 三次握手以及四次会挥手
计算机基础——计算机网络基础
Java学不会的博客
05-20 2388
文章目录1、计算机网络概述 1、计算机网络概述 计算机网络定义：计算机网络是将若干台具有独立功能的计算机通过通信设备及传输媒体互联起来，在通信软件的支持下，实现计算机间资源共享、数据通信或协同工作的系统。计算机网络是计算机技术和通信技术紧密结合的产物。 ...
计算机网络基础知识~简单易懂-有图有内容建议码友们点亮拇指+收藏呐~
weixin_52606478的博客
04-06 4358
计算机网络基础知识一. 因特网概述1. 网络,互联网和因特网2. 因特网发展的三个阶段3. 因特网的标准化工作4. 因特网的组成二. 三种交换方式1. 电路交换(Circuit Switching)2. 分组交换(Packet Switching)3. 报文交换(Message Switching)4. 电路交换,报文交换,分组交换三者区别三.计算机网络的定义和分类1.计算机网络的定义2.计算机网络的分类 一. 因特网概述 1. 网络,互联网和因特网 网络: 由若干个结点和连接这些结点的链路(有限链路和无
基于“课程思政”的计算机网络基础课程教学研究.pdf
09-26
基于“课程思政”的计算机网络基础课程教学研究 本研究旨在探讨基于“课程思政”的计算机网络基础课程教学研究，旨在提高高等职业院校计算机网络基础课程的教学质量和学生的思想政治素质。本研究从教师自身思政水平...
中职计算机网络基础教程.pdf
12-05
最新编订的适用于中等职业技术学校使用人计算机网络教程，内容包括包括六大项目：通信与计算机网络、计算机网络的体系结构、局域网组网技术、计算机网络运行维护、计算机网络安全、计算机网络的延伸和扩展等六部分。
(基于分水岭算法的粘连目标检测).zip
09-06
1 目标检测的定义 目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务，目标定位和目标分类。首先检测图像中目标的位置（目标定位），然后给出每个目标的具体类别（目标分类）。输出结果是一个边界框（称为Bounding-box，一般形式为(x1,y1,x2,y2)，表示框的左上角坐标和右下角坐标），一个置信度分数（Confidence Score），表示边界框中是否包含检测对象的概率和各个类别的概率（首先得到类别概率，经过Softmax可得到类别标签）。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类：Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段，主要用于生成潜在的目标候选框（Bounding-box proposals）。这个阶段通常使用卷积神经网络（CNN）从输入图像中提取特征，然后通过一些技巧（如选择性搜索）来生成候选框。第二个阶段是分类和位置精修阶段，将第一个阶段生成的候选框输入到另一个 CNN 中进行分类，并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高，缺点是速度相对较慢。 常见Tow stage目标检测算法有：R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值，并利用这些特征值进行目标的分类和定位，不需要生成Region Proposal。这种方法的优点是速度快，因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低，因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有：YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框，对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制，作用是从众多预测边界框中挑选出最具代表性的结果，这样可以加快算法效率，其主要流程如下： 设定一个置信度分数阈值，将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序，选中值最大的框 遍历其余的框，如果和当前框的重叠面积(IOU)大于设定的阈值（一般为0.7），就将框删除（超过设定阈值，认为两个框的里面的物体属于同一个类别） 从未处理的框中继续选一个置信度分数最大的，重复上述过程，直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度，当预测边界框和真实边界框差异很小时，或重叠度很大时，表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度，是评估目标检测模型效果的最重要指标，这个值介于0到1之间，且越大越好。mAP是AP(Average Precision)的平均值，那么首先需要了解AP的概念。想要了解AP的概念，还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值（Confidence Threshold）和IoU阈值（一般设置为0.5，也会衡量0.75以及0.9的mAP值）： 当一个预测边界框被认为是True Positive（TP）时，需要同时满足下面三个条件： Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3，则认为是False Positive（FP）。当对应同一个真值有多个预测结果时，只有最高置信度分数的预测结果被认为是True Positive，其余被认为是False Positive。 Precision和Recall的概念如下图所示： Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值，可以获得多组Precision和Recall，Recall放X轴，Precision放Y轴，可以画出一个Precision-Recall曲线，简称P-R
硕士毕业设计，水稻害虫识别，水稻病害分类，虫情测报灯害虫监测。.zip
09-06
图像识别技术在病虫害检测中的应用是一个快速发展的领域，它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分： 1. **数据收集**：首先需要收集大量的植物图像数据，这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**：对收集到的图像进行处理，以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**：从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**：使用机器学习算法（如支持向量机、随机森林、卷积神经网络等）来训练模型。训练过程中，算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**：在独立的测试集上验证模型的性能，以确保其准确性和泛化能力。 6. **部署和应用**：将训练好的模型部署到实际的病虫害检测系统中，可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**：在实际应用中，系统可以实时接收植物图像，并快速给出病虫害的检测结果。 8. **持续学习**：随着时间的推移，系统可以不断学习新的病虫害样本，以提高其识别能力。 9. **用户界面**：为了方便用户使用，通常会有一个用户友好的界面，显示检测结果，并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害，甚至在早期阶段就能发现问题，从而及时采取措施。此外，它还可以减少对化学农药的依赖，支持可持续农业发展。随着技术的不断进步，图像识别在病虫害检测中的应用将越来越广泛。
基于python3.8部署mjpg-streamer服务器，结合yolov5算法实现目标检测.zip
09-06
1 目标检测的定义 目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务，目标定位和目标分类。首先检测图像中目标的位置（目标定位），然后给出每个目标的具体类别（目标分类）。输出结果是一个边界框（称为Bounding-box，一般形式为(x1,y1,x2,y2)，表示框的左上角坐标和右下角坐标），一个置信度分数（Confidence Score），表示边界框中是否包含检测对象的概率和各个类别的概率（首先得到类别概率，经过Softmax可得到类别标签）。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类：Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段，主要用于生成潜在的目标候选框（Bounding-box proposals）。这个阶段通常使用卷积神经网络（CNN）从输入图像中提取特征，然后通过一些技巧（如选择性搜索）来生成候选框。第二个阶段是分类和位置精修阶段，将第一个阶段生成的候选框输入到另一个 CNN 中进行分类，并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高，缺点是速度相对较慢。 常见Tow stage目标检测算法有：R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值，并利用这些特征值进行目标的分类和定位，不需要生成Region Proposal。这种方法的优点是速度快，因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低，因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有：YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框，对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制，作用是从众多预测边界框中挑选出最具代表性的结果，这样可以加快算法效率，其主要流程如下： 设定一个置信度分数阈值，将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序，选中值最大的框 遍历其余的框，如果和当前框的重叠面积(IOU)大于设定的阈值（一般为0.7），就将框删除（超过设定阈值，认为两个框的里面的物体属于同一个类别） 从未处理的框中继续选一个置信度分数最大的，重复上述过程，直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度，当预测边界框和真实边界框差异很小时，或重叠度很大时，表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度，是评估目标检测模型效果的最重要指标，这个值介于0到1之间，且越大越好。mAP是AP(Average Precision)的平均值，那么首先需要了解AP的概念。想要了解AP的概念，还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值（Confidence Threshold）和IoU阈值（一般设置为0.5，也会衡量0.75以及0.9的mAP值）： 当一个预测边界框被认为是True Positive（TP）时，需要同时满足下面三个条件： Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3，则认为是False Positive（FP）。当对应同一个真值有多个预测结果时，只有最高置信度分数的预测结果被认为是True Positive，其余被认为是False Positive。 Precision和Recall的概念如下图所示： Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值，可以获得多组Precision和Recall，Recall放X轴，Precision放Y轴，可以画出一个Precision-Recall曲线，简称P-R
无人机技术应用资料文档合集14篇.zip
09-06
无人机培训课件：无人机导航技术 无人机技术在管道巡检中的应用 无人机技术在婚礼摄影中的应用 无人机技术的救援应用 无人机技术的消防应用 无人机技术在军队的应用 农业无人机技术应用 无人机技术的创新与应用 无人机行业应用与发展无人机发展 无人机技术在农业中的应用 GIS与无人机技术的协同应用 无人机摄像技术的发展与应用 军事无人机技术的发展与应用 无人机技术与应用 无人机应用无人机技术的市场前景
病虫害检测后端model.zip
09-06
图像识别技术在病虫害检测中的应用是一个快速发展的领域，它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分： 1. **数据收集**：首先需要收集大量的植物图像数据，这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**：对收集到的图像进行处理，以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**：从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**：使用机器学习算法（如支持向量机、随机森林、卷积神经网络等）来训练模型。训练过程中，算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**：在独立的测试集上验证模型的性能，以确保其准确性和泛化能力。 6. **部署和应用**：将训练好的模型部署到实际的病虫害检测系统中，可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**：在实际应用中，系统可以实时接收植物图像，并快速给出病虫害的检测结果。 8. **持续学习**：随着时间的推移，系统可以不断学习新的病虫害样本，以提高其识别能力。 9. **用户界面**：为了方便用户使用，通常会有一个用户友好的界面，显示检测结果，并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害，甚至在早期阶段就能发现问题，从而及时采取措施。此外，它还可以减少对化学农药的依赖，支持可持续农业发展。随着技术的不断进步，图像识别在病虫害检测中的应用将越来越广泛。
8051Proteus仿真c源码用定时器T0查询方式P2口8位控制LED闪烁
09-06
8051Proteus仿真c源码用定时器T0查询方式P2口8位控制LED闪烁提取方式是百度网盘分享地址
8051Proteus仿真c源码用LCD循环右移显示WelcometoChina
09-06
8051Proteus仿真c源码用LCD循环右移显示Welcome to China提取方式是百度网盘分享地址
数字电子技术实验报告+
09-06
数字电子技术实验报告+
基于Android的本地备忘录应用.zip
最新发布
09-06
基于Android的本地备忘录应用 项目简介 这是一个基于Android平台开发的本地备忘录应用，使用Java语言和Android Studio进行开发。该应用提供了用户注册、登录、修改密码、查看备忘录列表、添加备忘录等功能，适合初学者学习和课程设计使用。 项目的主要特性和功能 1. 用户管理 用户注册新用户可以注册账号。 用户登录已注册用户可以登录应用。 修改密码用户可以修改自己的密码。 2. 备忘录管理 查看备忘录列表用户可以查看所有保存的备忘录。 添加备忘录用户可以添加新的备忘录。 编辑备忘录用户可以编辑已有的备忘录。 删除备忘录用户可以通过长按删除备忘录。 3. 数据存储 使用SharedPreferences进行本地数据存储，确保用户数据在应用关闭后依然保留。 4. 测试 提供了单元测试和集成测试，确保应用的稳定性和可靠性。
番茄病虫害知识图谱.zip
09-06
图像识别技术在病虫害检测中的应用是一个快速发展的领域，它结合了计算机视觉和机器学习算法来自动识别和分类植物上的病虫害。以下是这一技术的一些关键步骤和组成部分： 1. **数据收集**：首先需要收集大量的植物图像数据，这些数据包括健康植物的图像以及受不同病虫害影响的植物图像。 2. **图像预处理**：对收集到的图像进行处理，以提高后续分析的准确性。这可能包括调整亮度、对比度、去噪、裁剪、缩放等。 3. **特征提取**：从图像中提取有助于识别病虫害的特征。这些特征可能包括颜色、纹理、形状、边缘等。 4. **模型训练**：使用机器学习算法（如支持向量机、随机森林、卷积神经网络等）来训练模型。训练过程中，算法会学习如何根据提取的特征来识别不同的病虫害。 5. **模型验证和测试**：在独立的测试集上验证模型的性能，以确保其准确性和泛化能力。 6. **部署和应用**：将训练好的模型部署到实际的病虫害检测系统中，可以是移动应用、网页服务或集成到智能农业设备中。 7. **实时监测**：在实际应用中，系统可以实时接收植物图像，并快速给出病虫害的检测结果。 8. **持续学习**：随着时间的推移，系统可以不断学习新的病虫害样本，以提高其识别能力。 9. **用户界面**：为了方便用户使用，通常会有一个用户友好的界面，显示检测结果，并提供进一步的指导或建议。 这项技术的优势在于它可以快速、准确地识别出病虫害，甚至在早期阶段就能发现问题，从而及时采取措施。此外，它还可以减少对化学农药的依赖，支持可持续农业发展。随着技术的不断进步，图像识别在病虫害检测中的应用将越来越广泛。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值