大白话说网络-----路由协议基础(一)

路由协议基础(一)

       随着科技发展和需求的变化,网络的规划也是越来越复杂,路由协议就是为了解决在复杂网络中如何进行最优路径的选择,指导网络设备沿着最优路径进行数据转发。

定义:路由协议是一种在网络中进行选路的协议,

一、路由协议分为:静态路由协议和动态路由协议。

  1. 静态路由协议是指网络管理人员手工对数据转发的路径进行配置,这种方式转发数据快速,耗费设备资源少,但是只适合小型的网络,因为这种路由配置起来出现故障后必须要手动修正,不能自动根据网络状态进行路由调整。配置耗费人工大。
  2. 动态路由协议是指可以根据网络状况进行自动调整的一种路由协议,该协议一旦配置完成,会随着网络状况的变化,自动进行最优路径选择,适合中、大型的网络。

二、静态路由配置:

我们使用华为的仿真软件eNSP在三层交换机或者路由器上完成静态路由的配置。

1、 默认路由配置
       当进行路由匹配的时候,找不到可以选择的路由,则都会走默认路由。
配置命令:

Ip route-static 0.0.0.0 0.0.0.0 下一跳地址(如10.10.0.2) 也可以写成 0.0.0.0 0
下一跳地址(10.10.0.2)

       该路由的含义:当到达数据包的目的地址不在路由表中,不知道发往哪里的时候,则就发往目的地址为:10.10.0.2的设备。

在这里插入图片描述

2、 静态路由配置
       管理员手工配置路由条目,包括目的地址和下一跳。
配置命令:

Ip route-static 192.168.20.0 255.255.255.0 192.168.10.1 即: ip
route-static 目的地址 目的地址子网掩码 下一跳地址

       该路由含义:当收到的数据包想要发往192.168.20.0 网段的时候,则就把数据包发往192.168.10.1这个地址的所在的端口进行转发。
在这里插入图片描述

三、动态路由协议分类

       由于静态地址配置麻烦,只适合小型网络,而且无法动态的响应网络的变化,因此出现了动态路由协议,可以动态响应网络的变化,而且配置也不复杂,适合中、大型网络。
动态路由协议现如今通常有两种分类方法:
1、 按照工作区域分类
       (1). IGP(Interior Gateway Protocols,内部网关协议)
              有RIP、OSPF、IS-IS三种路由协议。
       (2). EGP(Exterior Gateway Protocols,外部网关协议)
              有BGP一种路由协议。
2、按照路由协议的工作机制和算法分类
       (1).距离矢量路由协议
              有RIP路由协议。

(这里说明一下,BGP协议是距离向量算法,某些说法也会和RIP的距离矢量路由算法等同)

       (2).链路状态路由协议
              有OSPF、IS-IS两种路由协议。


在这里插入图片描述

3、解释下工作区域划分和工作机制划分的区别。
       (1).工作区域划分
              外部网关和内部网关是根据自治系统(AS)来进行区分的。一个自治系统内部运行的路由协议叫做内部网关协议,不同自治系统之间运行的协议叫做外部网关协议。

Ps: 自治系统:可以看作一个小型的局域网

        (2).按工作机制和算法来划分为距离矢量路由协议和链路状态路由协议
              运行距离矢量路由协议的路由器周期性的泛洪自己的路由表。
              对于网络中的所有路由器而言,路由器并不清楚网络的拓扑,只是简单的知道要去往某个目的方向在哪里,距离有多远。

Ps: 泛洪就是将收的数据发往除接收到的端口以外的所有端口,类似广播

              运行链路状态的路由协议的路由器通告的是LSA,也就是链路状态信息

Ps: 链路状态信息包括接口的开销、连接的对象等链路上的信息。

小结:

1、默认路由配置 Ip route-static 0.0.0.0 0 下一跳地址
2、静态路由配置 Ip route-static 目的地址 目的地址子网掩码 下一跳地址
3、动态路由协议分类:按工作区域分和按照工作机制划分。

        以上是个人对网络学习过程的一些见解,有不对的地方还请批评指正,谢谢!

点赞就是对我最大的支持,非常感谢!

在这里插入图片描述

卷积神经网络(CNN)是一种常用于图像处理和模式识别的深度学习模型。它的设计灵感来自于生物学中视觉皮层的神经元结构。为了用通俗的语言解释CNN,我们可以用以下方式来理解它: 假设你要识别一张猫的图片。首先,你的大脑会将这张图片的像素点转化成一系列数字,并且记录下它们的位置和颜色。然后,大脑会将这些数字输入到“卷积层”中。 在卷积层中,会有很多个“过滤器”。这些过滤器可以视为一双眼睛,它们通过抓取图片的不同特征来帮助你识别物体。每个过滤器都在图片上滑动并计算一个“特征图”,这个特征图描述了所检测到的特定特征。例如,一个过滤器可以检测到猫的边缘,另一个可以检测到猫的颜色等等。当所有过滤器完成计算后,就会得到一些不同的特征图。 在“池化层”中,每个特征图都会被压缩,去除一些不重要的信息。这样可以减少需要计算的数据量,并且使得特征更加鲁棒和不变形。 最后,在全连接层中,所有的特征图都被连接起来,形成一个巨大的向量。接下来,这个向量会通过一些神经元节点,最终输出识别结果,也就是“这是一张猫的图片”。 CNN的一个重要特点是参数共享,这意味着每个过滤器会在整个图片上进行计算,而不仅仅是某个局部区域。这样可以减少需要计算的参数量,提高训练速度和模型的泛化能力。 总结一下,CNN通过卷积层来提取图像的特征,并通过池化层降低特征的维度。最后,通过全连接层将所有特征连接起来并输出结果。这种结构使得CNN非常适合于图像分类和识别任务。
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