计算机网络RSI,计算机网络实验三:协议分析(6页)-原创力文档

天津理工大学实验报告

学院(系)名称: 计算机与通信工程学院

姓名

学号

2012**

2012**

专业

计算机科学与技术(中加)

班级

教学2班

实验项目

实验三:协议分析

课程名称

计算机网络

课程代码

0662016

实验时间

2015年6月18日第7、8节

实验地点

7-219

批改意见

成绩

教师签字:

(一)实验目的:掌握常用TCP/IP协议族中协议的原理及工作过程。

(二)实验环境:

软件环境: Windows 2000 / XP

硬件环境:IBM — PC或兼容机

局域网、PC机连入In ternet

(三)实验学时:2学时,必做.

(四)实验要求:利用Wireshark抓包,并进行协议分析。

(五)实验内容:

熟练掌握Wireshark的使用方法。

掌握TCP、IP、ARP、DNS、HTTP和Ethernet等协议的基本原理。

3?详细分析HTTP协议的通信过程。

4.尝试使用 Follow TCP Stream 功能。

(六)实验步骤:

安装并启动wireshark。选择网卡,设置过滤条件,开始抓包。

打开浏览器,在地址栏中输入教师指定的web服务器地址。 9。为了确保

连通性,可以先ping —下服务器。

在打开的页面上,鼠标右键单击你看到的图片,将图片另存为到本地。

鼠标左键单击图片,页面改变后,关闭浏览器,停止wireshark抓包。

在wireshark中将抓到的数据包保存。

6.列举出你所抓到数据包的种类(协议名称)。列表写出客户端、网关、web服务器的IP地址和

MAC地址。HTTP客户端和服务器段的端口号。

答:数据包的种类 TCP UDP DNS DHCP ARP OSPF LLDP SSL TLS NBNS BROWSE等。

1

客户端

网关

Web服务器

IP地址

101460.122

1

9

MAC地 址

58:6a:b1:5d:be:33

44:37:e6:04:08:9f

44:37:e6:04:09:c5

£ tijercitt II, Src: C3:6i:bl:od:b=: 3-3 jB;Bi: bLr 3d: be. 33;, Dst: HunbcJFi:_e:C€

HTTP客户端的端口号:80,服务器端口号:2518。

7?将TCR IP、ARP DNS HTTP和Ethernet的首部字段的名字和值按照协议的格式(参见附录2) 分别记录下来。(任意打开一个消息)

答:IP:

TwieSource

TwieSource

friDrCocol

14 4-703452001203. 115, 78,31

101. 4. 60. 122

TCP

15 4.7M36QW3Q3.113. 76. 31

】g 4,悶1说

TCP

氐 7Q7350MI10]. 4.购? 1Z3

aox ns. 7@. a

TCP

17 ■ 713049001101.4.饋.123

■■ 113. ■ ■

TCP

18 4,71306Sro< 101.4. Wo 123

303.113. 78. 31

TCP

19 4+713QB40O4 202.113. 78. 31

101- 4. 60. 1ZZ

TCP

30 4.713141001202.113. 78. 31

101. 4< SO, 1ZZ

TCP

21 4. 7:4950001 If3-nttajFt_04;0S;3f

EirDndcast

ARP

Info

willy .■ hfc.ii?二『乩.昶tin ‘丄?閃 Lon:D

villr > http Erait MX1 Seq=l Ack=l TiiriMHO LvirTlE m切 > TillF [ACK~ Srq=l Ark=7]6 T?in=l612H Ler,=0 hltr > villy >5H, ACK'Ack=:l& *ii=161ZB Lr~EcZ

http > willy [FIN, MX1Ack=716 >1d=]M28 Lcn=0

htip :址杠 3nj:7 J. At k<54 W:n=7jrDE L-j-C viiir > http [rnif mkI 3m>7i5 mhzs* 叫呼蹄旳氏 l?

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
RSI-CB256数据集是一个256类的图像分类数据集,可以使用卷积神经网络(CNN)对其进行分类。下面是使用Python进行RSI-CB256数据集分类的一般步骤: 1. 导入必要的库和模块: ```python import tensorflow as tf from tensorflow.keras import layers from tensorflow.keras.preprocessing.image import ImageDataGenerator ``` 2. 准备数据集并进行预处理: ```python train_datagen = ImageDataGenerator(rescale=1./255, shear_range=0.2, zoom_range=0.2, horizontal_flip=True) test_datagen = ImageDataGenerator(rescale=1./255) train_set = train_datagen.flow_from_directory('path/to/train/folder', target_size=(256, 256), batch_size=32, class_mode='categorical') test_set = test_datagen.flow_from_directory('path/to/test/folder', target_size=(256, 256), batch_size=32, class_mode='categorical') ``` 3. 定义模型: ```python model = tf.keras.models.Sequential() model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(256, 256, 3))) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(64, (3, 3), activation='relu')) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(128, (3, 3), activation='relu')) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Flatten()) model.add(layers.Dense(512, activation='relu')) model.add(layers.Dense(256, activation='relu')) model.add(layers.Dense(256, activation='relu')) model.add(layers.Dense(256, activation='relu')) model.add(layers.Dense(256, activation='softmax')) ``` 4. 编译模型: ```python model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) ``` 5. 训练模型: ```python model.fit(train_set, epochs=50, validation_data=test_set) ``` 6. 评估模型: ```python test_loss, test_acc = model.evaluate(test_set) print('Test accuracy:', test_acc) ``` 以上是使用Python基于卷积神经网络对RSI-CB256数据集分类的一般步骤,你可以根据自己的需求进行相应的修改。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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