IP地址和子网掩码



一、为什么要使用

IP

地址

 

 

 

一个

IP

地址是用来标识网络中的一个通信实体,

比如一台主机,

或者是路由器的某一个端口。

而在基于

IP

协议网络中传输的数据包,

也都必须使用

IP

地址来进行标识,如同我们写一封信,要标明收信

人的通信地址和发信人的地址,

而邮政工作人员则通过该地址来决定

邮件的去向。

 

 

 

同样的过程也发生在计算机网络里,

每个被传输的数据包也要包

括的一个源

IP

地址和一个目的

IP

地址,当该数据包在网络中进行传

输时,

这两个地址要保持不变,

以确保网络设备总是能根据确定的

IP

地址,将数据包从源通信实体送往指定的目的通信实体。

 

 

 

目前,

IP

地址使用

32

位二进制地址格式,为方便记忆,通常使

用以点号划分的十进制来表示,如:

202.112.14.1. 

 

 

一个

IP

地址主要由两部分组成:一部分是用于标识该地址所从

属的网络号;另一部分用于指明该网络上某个特定主机的主机号。

 

 

 

为了给不同规模的网络提供必要的灵活性,

IP

地址的设计者将

IP

地址空间划分为五个不同的地址类别,如下表所示,其中

A

B

C

三类最为常用:

 

 

 

A

 

0

127 0 8

 24

 

 

 

B

 128

191 10 16

 16

 

 

 

C

 192

223 110 24

 

8

 

 

 

D

 224

239 1110 

组播地址

 

 

 

E

 240

255 1111 

保留试验使用

 

 

 

网络号由因特网权力机构分配,

目的是为了保证网络地址的全球

唯一性。主机地址由各个网络的管理员统一分配。因此,网络地址的

唯一性与网络内主机地址的唯一性确保了

IP

地址的全球唯一性。

 

 

 

二、划分子网

 

 

 

为了提高

IP

地址的使用效率,可将一个网络划分为子网:采用

借位的方式,

从主机位最高位开始借位变为新的子网位,

所剩余的部

分则仍为主机位。这使得

IP

地址的结构分为三部分:网络位、子网

位和主机位。

 

 

 

引入子网概念后,

网络位加上子网位才能全局唯一地标识一个网

络。把所有的网络位用

1

来标识,主机位用

0

来标识,就得到了

子网

掩码

。如下图所示的子网掩码转换为十进制之后为:

255.255.255.224 

 

 

子网编址使得

IP

地址具有一定的内部层次结构,这种层次结构

便于

IP

地址分配和管理。

 

 

 

它的使用关键在于选择合适的层次结构

——

如何既能适应各种

现实的物理网络规模,又能充分地利用

IP

地址空间(即:从何处分

隔子网号和主机号)。

 

小窍门

——

子网的计算

 

 

 

在思科网络技术学院

CCNA

教学和考试当中,不少同学在进行

IP

地址

规划时总是很头疼子网和掩码的计算。现在给大家一个小窍门,

可以顺利的解决这个问题。

 

 

 

首先,我们看一个

CCNA

考试中常见的题型:一个主机的

IP

址是

202.112.14.137

,掩码是

255.255.255.224

,要求计算这个主机所

在网络的网络地址和广播地址。

 

 

 

常规办法是把这个主机地址和

子网掩码

都换算成二进制数,

两者

进行逻辑与运算后即可得到网络地址。

其实大家只要仔细想想,

可以

得到另一个方法:

 255.255.255.224

的掩码所容纳的

IP

地址有

256

224

32

个(包括网络地址和广播地址),那么具有这种掩码的网络

地址一定是

32

的倍数。而网络地址是子网

IP

地址的开始,广播地址

是结束,可使用的主机地址在这个范围内,因此略小于

137

而又是

32

的倍数的只有

128

,所以得出网络地址是

202.112.14.128.

而广播地

址就是下一个网络的网络地址减

1.

而下一个

32

的倍数是

160

,因此

可以得到广播地址为

 202.112.14.159.

可参照下图来理解本例:

 

一、为什么要使用

IP

地址

 

 

 

一个

IP

地址是用来标识网络中的一个通信实体,

比如一台主机,

或者是路由器的某一个端口。

而在基于

IP

协议网络中传输的数据包,

也都必须使用

IP

地址来进行标识,如同我们写一封信,要标明收信

人的通信地址和发信人的地址,

而邮政工作人员则通过该地址来决定

邮件的去向。

 

 

 

同样的过程也发生在计算机网络里,

每个被传输的数据包也要包

括的一个源

IP

地址和一个目的

IP

地址,当该数据包在网络中进行传

输时,

这两个地址要保持不变,

以确保网络设备总是能根据确定的

IP

地址,将数据包从源通信实体送往指定的目的通信实体。

 

 

 

目前,

IP

地址使用

32

位二进制地址格式,为方便记忆,通常使

用以点号划分的十进制来表示,如:

202.112.14.1. 

 

 

一个

IP

地址主要由两部分组成:一部分是用于标识该地址所从

属的网络号;另一部分用于指明该网络上某个特定主机的主机号。

 

 

 

为了给不同规模的网络提供必要的灵活性,

IP

地址的设计者将

IP

地址空间划分为五个不同的地址类别,如下表所示,其中

A

B

C

三类最为常用:

 

 

 

A

 

0

127 0 8

 24

 

 

 

B

 128

191 10 16

 16

 

 

 

C

 192

223 110 24

 

8

 

 

 

D

 224

239 1110 

组播地址

 

 

 

E

 240

255 1111 

保留试验使用

 

 

 

网络号由因特网权力机构分配,

目的是为了保证网络地址的全球

唯一性。主机地址由各个网络的管理员统一分配。因此,网络地址的

唯一性与网络内主机地址的唯一性确保了

IP

地址的全球唯一性。

 

 

 

二、划分子网

 

 

 

为了提高

IP

地址的使用效率,可将一个网络划分为子网:采用

借位的方式,

从主机位最高位开始借位变为新的子网位,

所剩余的部

分则仍为主机位。这使得

IP

地址的结构分为三部分:网络位、子网

位和主机位。

 

 

 

引入子网概念后,

网络位加上子网位才能全局唯一地标识一个网

络。把所有的网络位用

1

来标识,主机位用

0

来标识,就得到了

子网

掩码

。如下图所示的子网掩码转换为十进制之后为:

255.255.255.224 

 

 

子网编址使得

IP

地址具有一定的内部层次结构,这种层次结构

便于

IP

地址分配和管理。

 

 

 

它的使用关键在于选择合适的层次结构

——

如何既能适应各种

现实的物理网络规模,又能充分地利用

IP

地址空间(即:从何处分

隔子网号和主机号)。

 

小窍门

——

子网的计算

 

 

 

在思科网络技术学院

CCNA

教学和考试当中,不少同学在进行

IP

地址

规划时总是很头疼子网和掩码的计算。现在给大家一个小窍门,

可以顺利的解决这个问题。

 

 

 

首先,我们看一个

CCNA

考试中常见的题型:一个主机的

IP

址是

202.112.14.137

,掩码是

255.255.255.224

,要求计算这个主机所

在网络的网络地址和广播地址。

 

 

 

常规办法是把这个主机地址和

子网掩码

都换算成二进制数,

两者

进行逻辑与运算后即可得到网络地址。

其实大家只要仔细想想,

可以

得到另一个方法:

 255.255.255.224

的掩码所容纳的

IP

地址有

256

224

32

个(包括网络地址和广播地址),那么具有这种掩码的网络

地址一定是

32

的倍数。而网络地址是子网

IP

地址的开始,广播地址

是结束,可使用的主机地址在这个范围内,因此略小于

137

而又是

32

的倍数的只有

128

,所以得出网络地址是

202.112.14.128.

而广播地

址就是下一个网络的网络地址减

1.

而下一个

32

的倍数是

160

,因此

可以得到广播地址为

 202.112.14.159.

可参照下图来理解本例:

 

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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