Introduction to Computer Networking学习笔记(十八):Switching 交换工作实现

原贴地址:https://blog.csdn.net/djl806943371/article/details/89400112

多终端对多终端传输过程中,将来自多个发送者的数据包发送到不同接收者的过程是如何实现的呢?这就是本节主要内容。目前主要有三种实现方式:

  • Output queueing:如下图,缓存区在output一侧。这样有一个缺点,就是当所有input的包都要转发到同一个output链路时,这一个output queue的内存处理速率需要达到(假设n个输入,输入速率均为R)(n+1)R。对内存运行速度提出很高的要求。

  • Input queueing:如下图,缓冲区设置在input一侧,向output中某个目的地发送数据包时是一个一个进行的,多的数据包暂存在input中的缓冲区中。优点就是将缓冲区处理速率降低到了2R。

          但是单纯的input queueing存在一个问题,就是head of line blocking,如下图。当input各个入口来的数据包中最前面一个都是通向同一个目的地时,即使其他目的地是空闲的,后面的数据包也无法发送,要分别等各自前面的红色数据包发送完毕才能发送。这样output中各个出口的效率没有充分利用,延迟也变大。

  • Virtual output queueing:如下图,每个入口缓冲区按照出口分别缓冲,避免head of line blocking的影响。

最后再看一下各种方式的延迟负载关系图。蓝色曲线为output queueing,红色为input queueing,由于 head of line blocking的影响,渐近线出现在负载为58%,延迟急速上升。而将input queueing与virtual output queueing结合使用则可以将渐近线提高到100%,而对内存的处理速度要求相比output queueing降低到了最小。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、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挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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