TCP三次握手与四次挥手

TCP三次握手与四次挥手

TCP是传输层面向连接的协议,它向上层提高的是可靠的服务。面向连接通常都需要经过三个步骤。第一步是连接的建立;第二步是传输数据;第三步是数据传输结束后连接的释放。

TCP在建立连接的过程中需要有三个步骤,也就是通常我们所说的“三次握手”

  1. 第一步:主机A向服务器B发送一个连接建立请求报文,也就是A向B说,嘿,我想给你发信息啦。这里的SYN置为1,也就是建立同步请求,seq是报文序列号,假设A此时发送的请求报文的序列号为x。
  2. 第二步:B回复A的连接建立请求,也就是B告诉A,好,我知道了,我们建立连接吧。这个报文的SYN也置为1,回复建立同步请求,seq同样是报文序列号,表示B这个回复报文的序列号为y,ack表示的是B已经接收到了A的序列号为X的报文了,期待A下一次把x下一个报文发过来,也就是序列号为x+1的报文。
  3. 第三步:主机A对B发来的回复报文的回答,相当于A对B说,好,我知道你同意了,我下面就开始发送数据了哈。在这时开始分给这个TCP连接分配缓存和变量。在这里ACK的值为1,seq的值为x+1,表示发送了x后面一个序列号的报文。ack的值为y+1,表示已经接收到B的序列号为y的报文,期待B发送序列号为y+1的报文。

TCP连接在发送完数据后,要释放连接,释放连接的过程有四个步骤,也就是我们常说的“四次挥手”

  1. 第一步:A在结束数据传送后发送一个结束报文,这个报文的FIN置为1,seq为u,也就是假设这个报文的序列号为u。我们可以理解为,A在发完数据后对B说,嘿,我的数据发完啦。
  2. 第二步:B在收到A发来的结束报文后,B要回答A,所以要返回一个确认报文。也就是B告诉A,好了,我知道你发完了。这个报文的ACK置为1,seq为v,假设这个确认报文的序列号为v,ack就是告诉A,我已经收到了你的序列号为u的报文了。但是TCP连接是一个全双工通信,也就A和B彼此在发送数据的同时也会接收数据。这里A到B的数据传输结束了,但是B到A 的数据传输可能还没结束,也就是B到A可能还有数据没发完。第二步相当于B告诉A,好,我知道你发完了,你等等我,等我再发完。
  3. 第三步:等到B终于发完数据了,B就会发送一个数据传输结束报文给A,告诉A自己的数据都发完了。这里的FIN置为1,ACK为1,seq为w,ack依旧为u+1,表示已经接收到A的u号报文。
  4. 第四步:A要对B的结束报文做出回复,A对B说,好了,我知道了,你发完了。这个回复报文的ACK置为1,seq为u+1,因为上一个A发出的报文序列号为u,ack为w+1,表示A已经受到了B序列号为w的报文了。

这里,A需要等待一段时间,也就是等待2MSL的时间才会关闭服务器,而B则是在收到这个回复报文后就直接关闭服务器了。为什么A要等待这一段时间呢?如果网络发生拥塞或者其它问题,导致A发送的这个回复报文丢失了,那么B 就会一直傻等,等待这个回复报文,超过一定时间后就会启动超时重传机制,然后B就会重新发送这个结束报文,如果此时A把服务器早早就关了,那么B 将陷入死等中,于是A就会稍微等待一段时间才关闭服务器。
在这里插入图片描述

  • 3
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论 1
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