c语言ping程序会有端错误,初学者,ping程序无法记录时间

菜鸟求助,ping程序无法记录时间

本人是编程菜鸟,最近在网上找了一个实现ping的代码,编译能通过,但是运行的结果是错误的,编译器也不报错,我就不会调试了,所以特地上论坛求助,还望高手帮忙。

运行样例(时间完全不对)

123522376.jpg

代码,有点长#include 

#include 

#include 

#pragma comment(lib, "ws2_32.lib")

#define ICMP_ECHOREPLY 0 //ICMP回应答复

#define ICMP_ECHOREQ 8 //ICMP回应请求

#define REQ_DATASIZE 32 //请求数据报大小

#include 

using namespace std;

//定义IP首部格式

typedef struct _IPHeader

{

u_char VIHL; //版本和首部长度

u_char ToS; //服务类型

u_short TotalLen; //总长度

u_short ID; //标识号

u_short Frag_Flags; //片偏移量

u_char TTL; //生存时间

u_char Protocol; //协议

u_short Checksum; //首部校验和

struct in_addr SrcIP; //源IP地址

struct in_addr DestIP; //目的地址

}IPHDR, *PIPHDR;

//定义ICMP首部格式

typedef struct _ICMPHeader

{

u_char Type; //类型

u_char Code; //代码

u_short Checksum; //首部校验和

u_short ID; //标识

u_short Seq; //序列号

char Data; //数据

}ICMPHDR, *PICMPHDR;

//定义ICMP回应请求

typedef struct _ECHOREQUEST

{

ICMPHDR icmpHdr;

DWORD dwTime;

char cData[REQ_DATASIZE];

}ECHOREQUEST, *PECHOREQUEST;

//定义ICMP回应答复

typedef struct _ECHOREPLY

{

IPHDR ipHdr;

ECHOREQUEST echoRequest;

char cFiller[256];

}ECHOREPLY, *PECHOREPLY;

//计算校验和

u_short checksum(u_short *buffer, int len)

{

register int nleft = len;

register u_short *w = buffer;

register u_short answer;

register int sum = 0;

//使用32位累加器,进行16位的反馈计算

while ( nleft > 1 )

{

sum += *w++;

nleft -= 2;

}

//补全奇数位

if ( nleft == 1 )

{

u_short u = 0;

*(u_char *)(&u) = *(u_char*)w;

sum += u;

}

//将反馈的16位从高位移到低位

sum = (sum >> 16) + (sum & 0xffff);

sum += (sum >> 16);

answer = ~sum;

return (answer);

}

//发送回应请求函数

int SendEchoRequest(SOCKET s, struct sockaddr_in *lpstToAddr)

{

static ECHOREQUEST echoReq;

static int nId = 1;

static int nSeq = 1;

int nRet;

//填充回应请求消息

echoReq.icmpHdr.Type = ICMP_ECHOREQ;

echoReq.icmpHdr.Code = 0;

echoReq.icmpHdr.Checksum = 0;

echoReq.icmpHdr.ID = nId++;

echoReq.icmpHdr.Seq = nSeq++;

//填充要发送的数据

for (nRet = 0; nRet 

{

echoReq.cData[nRet] = '1' + nRet;

}

//存储发送的时间

echoReq.dwTime = GetTickCount();

//计算回应请求的校验和

echoReq.icmpHdr.Checksum = checksum((u_short*)&echoReq, sizeof(ECHOREQUEST));

//发送回应请求

nRet = sendto(s,(LPSTR)&echoReq,sizeof(ECHOREQUEST),

0,(struct sockaddr*)lpstToAddr,sizeof(SOCKADDR_IN));

if (nRet == SOCKET_ERROR)

{

printf("send to() error:%d\n", WSAGetLastError());

}

return (nRet);

}

//接收应答回复并进行解析

DWORD RecvEchoReply(SOCKET s, LPSOCKADDR_IN lpsaFrom, u_char *pTTL)

{

ECHOREPLY echoReply;

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
VR(Virtual Reality)即虚拟现实,是一种可以创建和体验虚拟世界的计算机技术。它利用计算机生成一种模拟环境,是一种多源信息融合的、交互式的三维动态视景和实体行为的系统仿真,使用户沉浸到该环境中。VR技术通过模拟人的视觉、听觉、触觉等感觉器官功能,使人能够沉浸在计算机生成的虚拟境界中,并能够通过语言、手势等自然的方式与之进行实时交互,创建了一种适人化的多维信息空间。 VR技术具有以下主要特点: 沉浸感:用户感到作为主角存在于模拟环境中的真实程度。理想的模拟环境应该使用户难以分辨真假,使用户全身心地投入到计算机创建的三维虚拟环境中,该环境中的一切看上去是真的,听上去是真的,动起来是真的,甚至闻起来、尝起来等一切感觉都是真的,如同在现实世界中的感觉一样。 交互性:用户对模拟环境内物体的可操作程度和从环境得到反馈的自然程度(包括实时性)。例如,用户可以用手去直接抓取模拟环境中虚拟的物体,这时手有握着东西的感觉,并可以感觉物体的重量,视野中被抓的物体也能立刻随着手的移动而移动。 构想性:也称想象性,指用户沉浸在多维信息空间中,依靠自己的感知和认知能力获取知识,发挥主观能动性,寻求解答,形成新的概念。此概念不仅是指观念上或语言上的创意,而且可以是指对某些客观存在事物的创造性设想和安排。 VR技术可以应用于各个领域,如游戏、娱乐、教育、医疗、军事、房地产、工业仿真等。随着VR技术的不断发展,它正在改变人们的生活和工作方式,为人们带来全新的体验。
VR(Virtual Reality)即虚拟现实,是一种可以创建和体验虚拟世界的计算机技术。它利用计算机生成一种模拟环境,是一种多源信息融合的、交互式的三维动态视景和实体行为的系统仿真,使用户沉浸到该环境中。VR技术通过模拟人的视觉、听觉、触觉等感觉器官功能,使人能够沉浸在计算机生成的虚拟境界中,并能够通过语言、手势等自然的方式与之进行实时交互,创建了一种适人化的多维信息空间。 VR技术具有以下主要特点: 沉浸感:用户感到作为主角存在于模拟环境中的真实程度。理想的模拟环境应该使用户难以分辨真假,使用户全身心地投入到计算机创建的三维虚拟环境中,该环境中的一切看上去是真的,听上去是真的,动起来是真的,甚至闻起来、尝起来等一切感觉都是真的,如同在现实世界中的感觉一样。 交互性:用户对模拟环境内物体的可操作程度和从环境得到反馈的自然程度(包括实时性)。例如,用户可以用手去直接抓取模拟环境中虚拟的物体,这时手有握着东西的感觉,并可以感觉物体的重量,视野中被抓的物体也能立刻随着手的移动而移动。 构想性:也称想象性,指用户沉浸在多维信息空间中,依靠自己的感知和认知能力获取知识,发挥主观能动性,寻求解答,形成新的概念。此概念不仅是指观念上或语言上的创意,而且可以是指对某些客观存在事物的创造性设想和安排。 VR技术可以应用于各个领域,如游戏、娱乐、教育、医疗、军事、房地产、工业仿真等。随着VR技术的不断发展,它正在改变人们的生活和工作方式,为人们带来全新的体验。
基于GPT-SoVITS的视频剪辑快捷配音工具 GPT, 通常指的是“Generative Pre-trained Transformer”(生成式预训练转换器),是一个在自然语言处理(NLP)领域非常流行的深度学习模型架构。GPT模型由OpenAI公司开发,并在多个NLP任务上取得了显著的性能提升。 GPT模型的核心是一个多层Transformer解码器结构,它通过在海量的文本数据上进行预训练来学习语言的规律。这种预训练方式使得GPT模型能够捕捉到丰富的上下文信息,并生成流畅、自然的文本。 GPT模型的训练过程可以分为两个阶段: 预训练阶段:在这个阶段,模型会接触到大量的文本数据,并通过无监督学习的方式学习语言的结构和规律。具体来说,模型会尝试预测文本序列中的下一个词或短语,从而学习到语言的语法、语义和上下文信息。 微调阶段(也称为下游任务训练):在预训练完成后,模型会被应用到具体的NLP任务中,如文本分类、机器翻译、问答系统等。在这个阶段,模型会使用有标签的数据进行微调,以适应特定任务的需求。通过微调,模型能够学习到与任务相关的特定知识,并进一步提高在该任务上的性能。 GPT模型的优势在于其强大的生成能力和对上下文信息的捕捉能力。这使得GPT模型在自然语言生成、文本摘要、对话系统等领域具有广泛的应用前景。同时,GPT模型也面临一些挑战,如计算资源消耗大、训练时间长等问题。为了解决这些问题,研究人员不断提出新的优化方法和扩展模型架构,如GPT-2、GPT-3等,以进一步提高模型的性能和效率。

“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