DNS及其解析过程


网络通讯大部分是基于TCP/IP的,而TCP/IP是基于IP地址的,所以计算机在网络上进行通讯时只能识别如“202.96.134.133”之类的IP地址,而不能认识域名DNS

DNS 又称域名系统,其主要功能就是将人易于记忆的域名与不容易记忆的IP地址相互转换。

DNS命名用于TCP/IP网络,用来通过用户的名称定位计算机的服务,当用户在应用程序中输入域名的时候,DNS服务可以将此名称解析为与此名称相关的信息,如IP地址。

DNS查询的工作方式:

1:客户机利用缓存中记录的以前查询信息直接查询请求。

2DNS 服务器利用缓存中的记录信息回答查询请求。

3DNS服务器通过查询其他服务器获得查询信息并将它发送给客户机。

更详细的内容可以参考下面这位大神的博客:

http://blog.sina.com.cn/s/blog_4078ccd60101cj6r.html

 查询过程:

1: 在浏览器中输入www.baidu.com域名,操作系统会首先检查自己本地的hosts文件 ( hosts文件是一个用于储存计算机网络中各节点信息的计算机文件。这个文件负责将主机名映射到相应的IP地址。hosts文件通常用于补充或取代网络中DNS的功能。和DNS不同的是,计算机的用户可以直接对hosts文件进行控制, 用来提高解析效率)是否有此映射关系,如果有就调用这个IP地址,完成解析。

2:如果host与本地DNS服务器都没有缓存相应的网址映射关系,则根据本地DNS服务器的设置(是否转发)进行转发,

3DNS服务器提交查询到顶级域(root),root会返回管理.com的服务器的一个IP,本地DNS服务器收到IP信息后,将会联系.com域的这台服务器,这台负责.com域的服务器收到请求后,如果无法完成解析,就会找一个管理.com的下一级域名服务器的地址 (baidu.com) 给本地的DNS服务器,当本地DNS服务器收到这个地址后就会找到baidu.com域服务器,重复上面的动作直至找到www.baidu.com主机。

注意:

如果用的是转发模式,此DNS服务器就会把请求转发至上一级DNS服务器,由上一级服务器进行解析,上一级服务器如果不能解析,或找根DNS或把转请求转至上上级,以此循环。不管是本地DNS服务器用是用转发,还是根提示,最后都是把结果返回给本地DNS服务器,由此DNS服务器再返回给客户机

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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