Java之美[从菜鸟到高手演练]之网络体系结构的划分

五层协议的体系结构
这章的知识点主要是网络的基本概念,上学的时候学过,不过已经忘得差不多了,所以翻了翻书总结一下,以此来加深对网络结构的了解,文字和图片基本摘自谢希仁《计算机网络》第五版。
按照OSI(Open System Interconnection)的标准,网络协议被划分为7层:应用层、表示层、会话层、运输层、网络层、数据链路层、物理层。虽然这样的划分比较具体、完整,但是过于复杂且不实用。TCP/IP协议是一个四层的体系结构,包含应用层、运输层、网际层、网络接口层,且在OSI出来之前TCP/IP协议簇早已流行开来且无形之中成为标准,所以,人们采用折中的办法,得出了五层网络体系结构:应用层、运输层、网际层、数据链路层、物理层。下面我们分别从概念方面介绍一下每一层。

物理层

物理层是最底下的一层,直接和硬件设备打交道,传输的是比特流(10101111100010...),物理层的作用就是尽可能的屏蔽掉各种不同的传输介质之间的差异,使得数据链路层不用考虑具体的传输介质,这个原理就类似与JVM的作用,JVM就是使Java程序可以运行在各类操作系统之上,而无需考虑底层的OS的实现。我们可以先看一个简单的例子,两台计算机之间发送文字的过程,来理解一些物理层的概念。

基本概念
这里涉及到数据通信的三个层面,源系统、传输系统、目的系统。源系统又包含源点、发送器、接收器、终点。
源点:在上面的图中,将键盘输入汉字转为数字比特流的即可作为一个源点。
发送器:将比特流转为可以进行传输的信号的设备,图中的调制器,作用是将数字信号转为模拟信号。
接收器:反过来,将模拟信号转化为数字信号,发送器和接收器合起来称为调制解调器,即我们常说的“猫”。
终点:就是将比特流转化为输出信息的终端。
还有一个概念就是信道,关于信道一般有三种方式:单向信道(单工信道),双向交替信道(半双工信道),双向同时信道(全双工信道)。根据字面意思我们就可以看出这些方式的不同点,这里只是简单的提一下,我们不做具体的解释。还有一类概念就是常用的传输介质,导向传输媒体有双绞线,同轴电缆,光缆三种,非导向传输媒体主要就是指各种各样的无线电波。
信道复用技术
频分复用,时分复用,统计时分复用,波分复用,码分复用。
数字传输系统
宽带接入技术
记录三条常用的用户接口盒:
1. 使用同轴电缆连接到机顶盒,然后连接电视机。
2. 使用双绞线连接电话。
3. 使用调制解调器连接到计算机。
这里就简单提一下这些概念,因为物理层偏离我们软件开发层面太远,所以这里就不详细的介绍了。

数据链路层

数据链路层虽然在物理层之上,但是依然是网络结构中较低的一层,主要使用两种信道:
1. 点对点信道(1对1)
2. 广播信道(1对多)
链路层的作用就是把网络层传输过来的IP数据报封装成帧,以及相反,将物理层传过来的比特流解析成帧。
这幅图比较形象的描绘了数据从一个节点的网络层到数据链路层到物理层再到另一个节点的示意,而下面这幅图则表明链路层两个节点之间的数据传输。
从这幅图可以看出,在数据链路层,结点之间传输的是帧,这里涉及到了链路层协议的三个基本问题。
1. 封装成帧
帧其实就是给IP数据报添加了头部和尾部后的单元,因此一个帧就包括:帧首部,数据部分,帧尾部,看下图。
2. 透明传输
如果一个帧像下面这样,在数据部分出现了和帧首或者帧尾一样的字符,这样检测帧的边界的时候就容易产生错误判断,如何解决呢?
就是用字符填充法,在数据部分和帧首或者帧尾相同的字符前加入一个转义字符,如果转义依然相同,那继续插入一个转义,如下图。
3. 差错检测
顾名思义,就是为了保证数据的可靠性,在传输过程中进行的一系列数据差错检测措施。

网络层

网络层是网络结构里面很重要的一部分,是OSI参考模型中的第三层,介于传输层和数据链路层之间,它在数据链路层提供的两个相邻端点之间的数据帧的传送功能上,进一步管理网络中的数据通信,将数据设法从源端经过若干个中间节点传送到目的端,从而向运输层提供最基本的端到端的数据传送服务。主要内容有:虚电路分组交换和数据报分组交换、路由选择算法、阻塞控制方法、X.25协议、综合业务数据网(ISDN)、异步传输模式(ATM)及网际互连原理与实现。

运输层

运输层位于网络层之上、应用层之下,它利用网络层子系统提供给它的服务去开发本层的功能,并实现本层对会话层的服务。常说的TCP和UDP协议就是在这一层。

应用层

应用层也称为应用实体(AE),它由若干个特定应用服务元素(SASE)和一个或多个公用应用服务元素(CASE)组成。每个SASE提供特定的应用服务,例如文件运输访问和管理(FTAM)、电子文电处理(MHS)、虚拟终端协议(VAP)等。CASE提供一组公用的应用服务,例如联系控制服务元素(ACSE)、可靠运输服务元素(RTSE)和远程操作服务元素(ROSE)等。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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 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