华为认证Datacom-拓扑练习

简介: 华为认证Datacom-拓扑练习

图片.png


AR18

<Huawei>undo t m

<Huawei>sy

[Huawei]sy AR18

[AR18]int g0/0/0

[AR18-GigabitEthernet0/0/0]ip ad 10.1.1.254 24

[AR18-GigabitEthernet0/0/0]int g0/0/1

[AR18-GigabitEthernet0/0/1]ip ad 10.1.2.254 24

[AR18-GigabitEthernet0/0/1]int g0/0/2

[AR18-GigabitEthernet0/0/2]ip ad 12.1.1.1 24

[AR18-GigabitEthernet0/0/2]ospf 1

[AR18-ospf-1]a 0

[AR18-ospf-1-area-0.0.0.0]net 12.1.1.0 0.0.0.255

[AR18-ospf-1-area-0.0.0.0]net 10.1.1.0 0.0.0.255

[AR18-ospf-1-area-0.0.0.0]net 10.1.2.0 0.0.0.255

[AR18-ospf-1-area-0.0.0.0]q

[AR18-ospf-1]q

[AR18]ip route-static 0.0.0.0 0 g0/0/2 12.1.1.2

 

AR19

<Huawei>undo t m

<Huawei>sy

[Huawei]sy AR19

[AR19]int g0/0/0

[AR19-GigabitEthernet0/0/0]ip ad 12.1.1.2 24

[AR19-GigabitEthernet0/0/0]int g0/0/1

[AR19-GigabitEthernet0/0/1]ip ad 23.1.1.1 24

[AR19-GigabitEthernet0/0/1]ospf 1

[AR19-ospf-1]a 0

[AR19-ospf-1-area-0.0.0.0]net 12.1.1.0 0.0.0.255

[AR19-ospf-1-area-0.0.0.0]q

[AR19-ospf-1]q

[AR19]ip route-static 0.0.0.0 0 g0/0/1 23.1.1.2

[AR19]acl 2000

[AR19-acl-basic-2000]rule permit source 10.1.1.0 0.0.0.255

[AR19-acl-basic-2000]q

[AR19]int g0/0/1

[AR19-GigabitEthernet0/0/1]nat outbound 2000

 

AR20

<Huawei>undo t m

<Huawei>sy

[AR199]sy AR19

[AR19]int g0/0/0

[AR19-GigabitEthernet0/0/0]ip ad 23.1.1.2 24

[AR19-GigabitEthernet0/0/0]int g0/0/1

[AR19-GigabitEthernet0/0/1]ip ad 10.1.3.254 24

图片.png

相关文章
|
10月前
|
存储 算法 关系型数据库
|
网络协议 iOS开发
华为认证Datacom-拓扑练习06
华为认证Datacom-拓扑练习06
华为认证Datacom-拓扑练习06
|
iOS开发
华为认证Datacom-拓扑练习05
华为认证Datacom-拓扑练习05
华为认证Datacom-拓扑练习05
|
网络协议 iOS开发
华为认证Datacom-拓扑练习07
华为认证Datacom-拓扑练习07
华为认证Datacom-拓扑练习07
|
iOS开发
华为认证Datacom-拓扑练习02
华为认证Datacom-拓扑练习
华为认证Datacom-拓扑练习02
|
网络协议 iOS开发
华为认证Datacom-拓扑练习
华为认证Datacom-拓扑练习
华为认证Datacom-拓扑练习
|
网络虚拟化
华为认证Datacom-拓扑练习08
华为认证Datacom-拓扑练习08
华为认证Datacom-拓扑练习08
|
数据采集 算法 数据处理
CSI数据预处理之卡尔曼滤波、高斯滤波、简单平均
CSI数据预处理之卡尔曼滤波、高斯滤波、简单平均
389 0
|
安全 Java
Log4J漏洞本地快速复现
Log4J漏洞本地快速复现
245 0
|
机器学习/深度学习 计算机视觉
AMASS: Archive of Motion Capture as Surface Shapes论文精读
2005年,斯坦福大学的研究者们提出了SCAPE模型,2014年基于SCAPE模型马普所的研究者们提出了MoSh模型旨在更精细地利用光学动捕数据生成人体三维模型,2015年马普所的研究者们提出了新的SMPL人体三维模型,此后SMPL模型成为了更为主流的人体三维模型。2019年,为了整合现有光学动捕数据集光学标志点数量和位置不统一的情况,马普所提出了MoSh++方法,整合现有15个数据集,生成大规模人体动作捕捉数据集AMASS。
663 0