一步一步CCNA之五:交换机vlan配置

前边我们讲了路由器用户模式,特权模式,全局配置模式以及端口配置,交换机的也具有前三种相同模式,同时配置方法也几乎一样(细微的差别请用【?】命令在各个模式下边查看比较)。本节我们将介绍交换机vlan配置。

1.vlan简单介绍:如图所示结构,因为交换机端口仅隔离冲突域,而不能隔离广播域,因此,四台PC虽然连接在两台交换机上,但是处于同一个广播域当中(关于冲突域广播域概念请查询相关资料)。vlan技术用在企业应用中,将同一局域网划分为虚拟的几个子局域网,即virtual lan。在下图中,如果没有配置vlan,则四台PC之间均可ping通,我们要做的是将192.168.0.1与192.168.0.3配置为一个vlan,192.168.0.2与192.168.0.4配置为一个vlan,这样只有处于同一个vlan下边的两台PC相互之间才能够ping通。

2. 设备连接:

设备连接如上图所示,示例端口连接为两交换机之间通过各自的0/3端口连接,192.168.0.1和192.168.0.3分别连接到交换机的0/1端口,192.168.0.2和192.168.0.4分别连接到交换机的0/2端口。

 

3.配置PC的IP地址

鼠标左键单击PC0,然后单击IP Configuration图标,配置IP地址与子网掩码,完成之后图示如下,然后直接关闭界面即可。对其他三台PC做同样配置,分别设置IP为上图所示IP。

 

4. 测试vlan配置前PC的连接情况:

通过192.168.0.1这台PC尝试ping 192.168.0.2以及192.168.0.3,均能够ping通。配置完成之后的结果为仅能ping通192.168.0.3,因为192.168.0.2将被配置为和192.168.0.1不在同一个vlan。

 

5. 配置交换机端口为trunk:

进入交换机Switch0的0/3端口,输入【switchport mode trunk】或者简略输入【sw mo tr】,设置该端口模式为trunk模式,所谓trunk模式就是让两个交换机的0/3端口可以同时传输不同vlan间的数据。同样设置Switch1的0/3端口模式为trunk. 通过【end】退出到特权模式,然后通过【show interface trunk】查看刚才配置的情况。

 

6. 在【Switch0】全局配置模式下,输入【vlan 10】和【vlan 20】定义两个vlan,对这两个vlan的命名是可选的,即可以不用【name IT】等。在【Switch1】中作同样配置,这里我们和【Switch0】一样,通过手工进行【Switch1】配置,下一节我们讲【vtp】时候,可以只配【Switch0】, 而让【Switch1】通过学习得到相同配置。

 

7.  配置交换机端口分别属于不同vlan:

进入交换机Switch0端口0/1,输入【switchport mode access】或者【sw mo ac】设置端口模式为接入模式【access】,输入【switchport access vlan 10】或者【sw ac vlan 10】将该端口加入【vlan 10】; 同样设置将0/2端口加入vlan 20。 同样设置将【Switch1】的【0/1】端口加入【vlan 10】, 【0/2】端口加入【vlan 20】.

 

8. 在特权模式下,输入【show vlan brief】查看vlan配置。

 

9. 查看配置完成情况:

在【192.168.0.1】这台PC上,重新ping 【192.168.0.3】可以通,ping 【192.168.0.2】不通,说明配置正确了。因为此时【192.168.0.1】与【192.168.0.3】处于【vlan 10】, 而【192.168.0.2】与【192.168.0.4】处于【vlan 20】。

 

本节我们讲解了vlan的配置,通过vlan配置,可以在局域网内部设置不通的vlan,达到减小广播域,同时方便管理等的目的。下一节我们会讲解vtp的配置。

转载于:https://www.cnblogs.com/thlzhf/archive/2010/09/21/1832610.html

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