计算机网络原理的基本概念

简介: 计算机网络原理的基本概念

🔎IP地址

概念

IP地址主要用于标识网络主机, 其他网络设备(如路由器)的网络地址

IP地址用于定位主机的网络地址

格式

IP 地址是一个32位的二进制数, 通常被分割为4个 “8位二进制数”(分割成4组)

比如

01100100.00000100.00000101.00000110

通常用点分十进制表示, 即 a.b.c.d 的形式 (a, b, c, d 都是 0 ~ 255之间的整数)

特殊IP地址

网络地址

0.0.0.0

广播地址

255.255.255.255

环回地址

127.0.0.1

私有地址

A类: 0.0.0.0 ~ 127.255.255.255

B类: 128.0.0.0 ~ 191.255.255.255

C类: 192.0.0.0 ~ 223.255.255.255

🔎端口号

概念

端口号可以标识主机中发送数据, 接收数据的进程(应用程序)

端口号用于定位主机中的进程(应用程序)

格式

端口号是 0~65535 范围的数字

在网络通信中, 进程可以通过绑定一个端口号, 来发送及接收网络数据

注意

两个不同的进程(应用程序), 不能绑定同一个端口号, 但一个进程可以绑定多个端口号

🔎关于IP地址与端口号

当我们买快递的时候,需要填写收件人的地址(IP地址)

但光有地址也不行,还得知道收件人是谁(端口号)

🔎协议

概念

协议是网络通信(网络数据传输)经过的所有网络设备都必须共同遵从的一组约定, 规则

举个栗子🥝

不同的游戏有不同的规则

有的游戏是推塔才能取得最终的胜利

有的游戏是击败最终的BOSS才能取得最终的胜利

在推塔取得胜利的游戏中, 玩家虽然击败了BOSS, 但却未能获得胜利(未遵守协议)

在击败最终BOSS的游戏中, 玩家虽然摧毁了地方的防御塔, 但却未能获得胜利(未遵守协议)

这些不同的规则就属于不同的协议

协议的三要素

语法

数据与控制信息的结构或格式

类似我们学习英语时, 遵守的语法格式

语义

需要发出何种控制信息, 完成何种动作以及做出何种响应

语义主要用来说明通信双方应该做什么, 用于协调与差错处理的控制信息

时序

事件实现顺序的详细说明

协议最终体现为网络上传输的数据包的格式

协议的作用

计算机之间的传输媒介是光信号和电信号

通过频率和强弱来表示 0 和 1

要想传递各种不同的信息, 就需要约定好传输的数据格式(协议)

🔎协议分层

当一个协议较为复杂时,就会拆分成多个协议

每个协议负责完成整个协议的一部分职责

可能存在有些小的协议, 作用是类似的, 就可以针对这些协议进行分类

同时在针对不同的类别, 进行分层

协议分层的作用

约定了层级与层级之间的调用关系

上层协议调用下层协议, 下层协议为上册协议提供支持, 不能跨层调用

类似于代码中的接口

一方为接口的实现类(提供服务)

一方为接口的使用类(调用服务)

对于接口的使用方, 不需要关心接口是如何实现的

对于接口的实现方, 利用封装的特性,隐藏了实现的细节, 只需要提供接口即可



🔎OSI 模型

图片内容摘抄自网络

🔎网络设备所在分层

主机

它的操作系统内核实现了从传输层到物理层的内容

路由器

它实现了从网络层到物理层

交换机

它实现了从数据路路层到物理层

集线器

它只实现了物理层

这里所说的路由器与交换机, 也称为二层交换机, 三层路由器

也就是传统意义上的交换机和路由器

🔎封装与分用

🔎结尾

创作不易,如果对您有帮助,希望您能点个免费的赞👍

大家有什么不太理解的,可以私信或者评论区留言,一起加油

相关文章
|
5月前
|
机器学习/深度学习 存储 算法
NoProp:无需反向传播,基于去噪原理的非全局梯度传播神经网络训练,可大幅降低内存消耗
反向传播算法虽是深度学习基石,但面临内存消耗大和并行扩展受限的问题。近期,牛津大学等机构提出NoProp方法,通过扩散模型概念,将训练重塑为分层去噪任务,无需全局前向或反向传播。NoProp包含三种变体(DT、CT、FM),具备低内存占用与高效训练优势,在CIFAR-10等数据集上达到与传统方法相当的性能。其层间解耦特性支持分布式并行训练,为无梯度深度学习提供了新方向。
206 1
NoProp:无需反向传播,基于去噪原理的非全局梯度传播神经网络训练,可大幅降低内存消耗
|
4月前
|
监控 应用服务中间件 Linux
掌握并发模型:深度揭露网络IO复用并发模型的原理。
总结,网络 I/O 复用并发模型通过实现非阻塞 I/O、引入 I/O 复用技术如 select、poll 和 epoll,以及采用 Reactor 模式等技巧,为多任务并发提供了有效的解决方案。这样的模型有效提高了系统资源利用率,以及保证了并发任务的高效执行。在现实中,这种模型在许多网络应用程序和分布式系统中都取得了很好的应用成果。
124 35
|
4月前
|
机器学习/深度学习 算法 测试技术
图神经网络在信息检索重排序中的应用:原理、架构与Python代码解析
本文探讨了基于图的重排序方法在信息检索领域的应用与前景。传统两阶段检索架构中,初始检索速度快但结果可能含噪声,重排序阶段通过强大语言模型提升精度,但仍面临复杂需求挑战
125 0
图神经网络在信息检索重排序中的应用:原理、架构与Python代码解析
|
5月前
|
数据采集 存储 监控
Python 原生爬虫教程:网络爬虫的基本概念和认知
网络爬虫是一种自动抓取互联网信息的程序,广泛应用于搜索引擎、数据采集、新闻聚合和价格监控等领域。其工作流程包括 URL 调度、HTTP 请求、页面下载、解析、数据存储及新 URL 发现。Python 因其丰富的库(如 requests、BeautifulSoup、Scrapy)和简洁语法成为爬虫开发的首选语言。然而,在使用爬虫时需注意法律与道德问题,例如遵守 robots.txt 规则、控制请求频率以及合法使用数据,以确保爬虫技术健康有序发展。
721 31
|
6月前
|
机器学习/深度学习 数据可视化 PyTorch
深入解析图神经网络注意力机制:数学原理与可视化实现
本文深入解析了图神经网络(GNNs)中自注意力机制的内部运作原理,通过可视化和数学推导揭示其工作机制。文章采用“位置-转移图”概念框架,并使用NumPy实现代码示例,逐步拆解自注意力层的计算过程。文中详细展示了从节点特征矩阵、邻接矩阵到生成注意力权重的具体步骤,并通过四个类(GAL1至GAL4)模拟了整个计算流程。最终,结合实际PyTorch Geometric库中的代码,对比分析了核心逻辑,为理解GNN自注意力机制提供了清晰的学习路径。
468 7
深入解析图神经网络注意力机制:数学原理与可视化实现
|
7月前
|
网络协议 安全 网络安全
应用程序中的网络协议:原理、应用与挑战
网络协议是应用程序实现流畅运行和安全通信的基石。了解不同协议的特点和应用场景,以及它们面临的挑战和应对策略,对于开发者和用户都具有重要意义。在未来,随着技术的不断发展,网络协议也将不断优化和创新,为数字世界的发展提供更强大的支持。
205 1
|
8月前
|
机器学习/深度学习 算法 PyTorch
深度强化学习中SAC算法:数学原理、网络架构及其PyTorch实现
软演员-评论家算法(Soft Actor-Critic, SAC)是深度强化学习领域的重要进展,基于最大熵框架优化策略,在探索与利用之间实现动态平衡。SAC通过双Q网络设计和自适应温度参数,提升了训练稳定性和样本效率。本文详细解析了SAC的数学原理、网络架构及PyTorch实现,涵盖演员网络的动作采样与对数概率计算、评论家网络的Q值估计及其损失函数,并介绍了完整的SAC智能体实现流程。SAC在连续动作空间中表现出色,具有高样本效率和稳定的训练过程,适合实际应用场景。
2224 7
深度强化学习中SAC算法:数学原理、网络架构及其PyTorch实现
|
9月前
|
前端开发 网络协议 安全
【网络原理】——HTTP协议、fiddler抓包
HTTP超文本传输,HTML,fiddler抓包,URL,urlencode,HTTP首行方法,GET方法,POST方法
|
9月前
|
域名解析 网络协议 关系型数据库
【网络原理】——带你认识IP~(长文~实在不知道取啥标题了)
IP协议详解,IP协议管理地址(NAT机制),IP地址分类、组成、特殊IP地址,MAC地址,数据帧格式,DNS域名解析系统
|
9月前
|
存储 JSON 缓存
【网络原理】——HTTP请求头中的属性
HTTP请求头,HOST、Content-Agent、Content-Type、User-Agent、Referer、Cookie。

热门文章

最新文章