计算机网络基础ppt23页,计算机网络基础-习题解答-1、2章.ppt

《计算机网络基础-习题解答-1、2章.ppt》由会员分享,可在线阅读,更多相关《计算机网络基础-习题解答-1、2章.ppt(16页珍藏版)》请在装配图网上搜索。

1、习题解答,1-03 试从多个方面比较电路交换、报文交换和分组交换的主要优缺点。,答:(1)电路交换:端对端通信质量因约定了通信资源获得可靠保障,对连续传送大量数据效率高。 (2)报文交换:无须预约传输带宽,动态逐段利用传输带宽对突发式数据通信效率高,通信迅速。 (3)分组交换:具有报文交换之高效、迅速的要点,且各分组小,路由灵活,网络生存性能好。,2,1-08 计算机网络都有哪些类别?各种类别的网络都有哪些特点?,答:按范围: (1)广域网WAN:远程、高速、是Internet的核心网。 (2)城域网:城市范围,链接多个局域网。 (3)局域网:校园、企业、机关、社区。 (4)个域网PAN:个人。

2、电子设备,1-09 计算机网络中的主干网和本地接入网的主要区别是什么?,答:主干网:提供远程覆盖高速传输和路由器最优化通信 本地接入网:主要支持用户的访问本地,实现散户接入,速率低。,1-10 试在下列条件下比较电路交换和分组交换。要传送的报文共x(bit)。从源点到终点共经过k段链路,每段链路的传播时延为d(s),数据率为b(b/s)。在电路交换时电路的建立时间为s(s)。在分组交换时分组长度为p(bit),且各结点的排队等待时间可忽略不计。问在怎样的条件下,分组交换的时延比电路交换的要小?,电路交换时延:kd+x/b+s, 分组交换时延:kd+(x/p)*(p/b)+ (k-1)*(p/b。

3、) 其中(k-1)*(p/b)表示K段传输中,有(k-1)次的储存转发延迟,当s(k-1)*(p/b)时,电路交换的时延比分组交换的时延大,当xp,相反。,1-11 在上题的分组交换网中,设报文长度和分组长度分别为x和(p+h)(bit),其中p为分组的数据部分的长度,而h为每个分组所带的控制信息固定长度,与p的大小无关。通信的两端共经过k段链路。链路的数据率为b(b/s),但传播时延和结点的排队时间均可忽略不计。若打算使总的时延为最小,问分组的数据部分长度p应取为多大?,答:总时延D表达式,分组交换时延为: D= kd+(x/p)*(p+h)/b)+ (k-1)*(p+h)/b D对p求导后。

4、,令其值等于0,求得p=(xh)/(k-1)0.5,1-15 假定网络利用率达到了90%。试估计一下现在的网络时延是它的最小值的多少倍?,解:设网络利用率为U。网络时延为D,网络时延最小值为D0 U=90%;D=D0/(1-U)-D/ D0=10 现在的网络时延是最小值的10倍,1-17 收发两端之间的传输距离为1000km,信号在媒体上的传播速率为2108m/s。试计算以下两种情况的发送时延和传播时延: (1) 数据长度为107bit,数据发送速率为100kb/s。(2) 数据长度为103bit,数据发送速率为1Gb/s。从上面的计算中可以得到什么样的结论?,解:(1)发送时延:ts=107。

5、/105=100s 传播时延tp=106/(2108)=0.005s (2)发送时延ts =103/109=1s 传播时延:tp=106/(2108)=0.005s 结论:若数据长度大而发送速率低,则在总的时延中,发送时延往往大于传播时延。 若数据长度短而发送速率高,则传播时延就可能是总时延中的主要成分。,1-18,解:(1)1Mb/s:传播时延=0.1/(2108)=510-10 比特数=510-101106=510-4 1Gb/s: 比特数=510-101109=510-1 (2)1Mb/s: 传播时延=100/(2108)=510-7 比特数=510-71106=510-1 1Gb/s:。

6、 比特数=510-71109=5102 (3) 1Mb/s: 传播时延=100000/(2108)=510-4 比特数=510-41106=5102 1Gb/s: 比特数=510-41109=5105 (4)1Mb/s: 传播时延=5000000/(2108)=2.510-2 比特数=2.510-21106=5104 1Gb/s: 比特数=2.510-21109=5107,1-19 长度为100字节的应用层数据交给传输层传送,需加上20字节的TCP首部。再交给网络层传送,需加上20字节的IP首部。最后交给数据链路层的以太网传送,加上首部和尾部工18字节。试求数据的传输效率。数据的传输效率是指发。

7、送的应用层数据除以所发送的总数据(即应用数据加上各种首部和尾部的额外开销)。若应用层数据长度为1000字节,数据的传输效率是多少?,(1)100/(100+20+20+18)=63.3% (2)1000/(1000+20+20+18)=94.5%,1-24 论述具有五层协议的网络体系结构的要点,包括各层的主要功能,答:综合OSI 和TCP/IP 的优点,采用一种原理体系结构。各层的主要功能: 物理层 物理层的任务就是透明地传送比特流。(注意:传递信息的物理媒体,如双绞线、同轴电缆、光缆等,是在物理层的下面,当做第0 层。) 物理层还要确定连接电缆插头的定义及连接法。 数据链路层 数据链路层的任。

8、务是在两个相邻结点间的线路上无差错地传送以帧(frame)为单位的数据。每一帧包括数据和必要的控制信息。 网络层 网络层的任务就是要选择合适的路由,使发送站的运输层所传下来的分组能够正确无误地按照地址找到目的站,并交付给目的站的运输层。 运输层 运输层的任务是向上一层的进行通信的两个进程之间提供一个可靠的端到端服务,使它们看不见运输层以下的数据通信的细节。 应用层 应用层直接为用户的应用进程提供服务。,2-08 假定要用3KHz带宽的电话信道传送64kb/s的数据(无差错传输),试问这个信道应具有多高的信噪比?(分别用比值和分贝来表示?这个结果说明什么问题?),答:C=Wlog2(1+S/N)。

9、(b/s) W=3khz,C=64khz S/N=64.2dB 是个信噪比要求很高的信源,2-09用香农公式计算一下,假定信道带宽为3100Hz,最大信道传输速率为35Kb/,那么若想使最大信道传输速率增加,问信噪比/应增大到多少倍?如果在刚才计算出的基础上将信噪比/再增大到十倍,问最大信息速率能否再增加?,答:C = W log2(1+S/N)b/s SN1=2*(C1/W)-1=2*(35000/3100)-1 SN2=2*(C2/W)-1=2*(1.6*C1/w)-1=2*(1.6*35000/3100)-1 SN2/SN1=100信噪比应增大到约100倍。 C3=Wlog2(1+SN3。

10、)=Wlog2(1+10*SN2) C3/C2=18.5% 如果在此基础上将信噪比S/N再增大到10倍,最大信息通率只能再增加18.5%左右,2-11假定有一种双绞线的衰减是0.7dB/km(在 1 kHz时),若容许有20dB的衰减,试问使用这种双绞线的链路的工作距离有多长?如果要双绞线的工作距离增大到100公里,试应当使衰减降低到多少?,解:使用这种双绞线的链路的工作距离为=20/0.7=28.6km 衰减应降低到20/100=0.2db,2-12 试计算工作在1200nm到1400nm之间以及工作在1400nm到1600nm之间的光波的频带宽度。假定光在光纤中的传播速率为2*108m/s.,解: V=L*F F=V/L B=F2-F1=V/L1-V/L2 1200nm到1400nm:带宽=23.8THZ 1400nm到1600nm:带宽=17.86THZ,2-15 码分多址CDMA为什么可以使所有用户在同样的时间使用同样的频带进行通信而不会互相干扰?这种复用方法有何优缺点?,答:各用户使用经过特殊挑选的相互正交的不同码型,因此彼此不会造成干扰。 这种系统发送的信号有很强的抗干扰能力,其频谱类似于白噪声,不易被敌人发现。占用较大的带宽。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
机器学习是一种人工智能(AI)的子领域,致力于研究如何利用数据和算法让计算机系统具备学习能力,从而能够自动地完成特定任务或者改进自身性能。机器学习的核心思想是让计算机系统通过学习数据中的模式和规律来实现目标,而不需要显式地编程。 机器学习应用非常广泛,包括但不限于以下领域: 图像识别和计算机视觉: 机器学习在图像识别、目标检测、人脸识别、图像分割等方面有着广泛的应用。例如,通过深度学习技术,可以训练神经网络来识别图像中的对象、人脸或者场景,用于智能监控、自动驾驶、医学影像分析等领域。 自然语言处理: 机器学习在自然语言处理领域有着重要的应用,包括文本分类、情感分析、机器翻译、语音识别等。例如,通过深度学习模型,可以训练神经网络来理解和生成自然语言,用于智能客服、智能助手、机器翻译等场景。 推荐系统: 推荐系统利用机器学习算法分析用户的行为和偏好,为用户推荐个性化的产品或服务。例如,电商网站可以利用机器学习算法分析用户的购买历史和浏览行为,向用户推荐感兴趣的商品。 预测和预测分析: 机器学习可以用于预测未来事件的发生概率或者趋势。例如,金融领域可以利用机器学习算法进行股票价格预测、信用评分、欺诈检测等。 医疗诊断和生物信息学: 机器学习在医疗诊断、药物研发、基因组学等领域有着重要的应用。例如,可以利用机器学习算法分析医学影像数据进行疾病诊断,或者利用机器学习算法分析基因数据进行疾病风险预测。 智能交通和物联网: 机器学习可以应用于智能交通系统、智能城市管理和物联网等领域。例如,可以利用机器学习算法分析交通数据优化交通流量,或者利用机器学习算法分析传感器数据监测设备状态。 以上仅是机器学习应用的一部分,随着机器学习技术的不断发展和应用场景的不断拓展,机器学习在各个领域都有着重要的应用价值,并且正在改变我们的生活和工作方式。

“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