接口传值后不起作用_华为HCIE网络工程师技术细节详解——什么是PPP MP接口?...

华为HCIE课程中,提到的一种接口类型PPP MP接口是什么?

MP是Multi-Link PPP的缩写,是将多个物理链路的PPP捆绑在同一个逻辑端口,旨在增加链路的带宽,只要是支持PPP的物理链路都可以启用MP。

MP允许将IP等网络层的报文进行碎片处理,将碎片的报文通过多个链路传输,同时抵达同一个目的地,以求汇总所有链路的带宽。

MP的工作过程。通常PPP物理链路在协商完LCP的一般参数之后,再发起MP请求,如果对方的链路支持MP,并且给出正确的应答,那么将和其他的物理链路共同捆绑到逻辑端口上,进而进行NCP(比如IPCP)协商,如果协商成功,所有的MP的物理链路将都使用同一个逻辑端口的网络地址。

b4714454d67da959ac2e8878e7665add.png

MP方式下的接口进程

(1) 检测对端是否工作在MP方式。首先和对端进行LCP协商,协商过程中,除了协商一般的LCP参数外,还验证对端接口是否也工作在MP方式下。如果对端不工作在MP方式下,则在LCP协商成功后,进行NCP协商步骤,不进行MP捆绑。

(2) 将接口捆绑至虚模板接口。有两种方法可以将接口捆绑至虚模板接口:直接捆绑和根据用户名或终端标识符捆绑。直接捆绑是指不检测PPP接口的用户名和终端标识符,直接将接口捆绑至指定的虚模板接口。根据用户名或终端标识符捆绑是指根据PPP验证的用户名或接口的终端标识符将接口捆绑至虚模板接口。

(3) 进行NCP协商等操作。PPP接口被捆绑至虚模板接口之后,将根据虚模板接口的各项NCP参数(如IP地址等)进行NCP协商,物理接口配置的NCP参数不起作用。NCP协商通过后,即可建立MP链路,用更大的带宽传输数据。

PPP MP基本配置(这里使用POS接口演示,不采用虚模板):

[PE3]interface Mp-group 0/0/0

[PE3-Mp-group0/0/0]ip address 10.2.33.1 255.255.255.252

[PE3-Mp-group0/0/0]undo shutdown

[PE3-Mp-group0/0/0]int pos5/0/0

[PE3-Pos5/0/0]link-protocol ppp

[PE3-Pos5/0/0]ppp mp Mp-group 0/0/0

[PE3-Pos5/0/0]int pos6/0/0/0/0

[PE3-Pos6/0/0]link-protocol ppp

[PE3-Pos6/0/0]ppp mp Mp-group 0/0/0

IELAB网络实验室技术分享,转载需注明出处

免费学习资料后台私信可领取,帮助对网络技术感兴趣的同学收货更多知识~

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