计算机网络结构笔记

简介: DTE类设备:"DataTerminalEquipment(数据终端设备)"的首字母缩略词。DTE提供或接收数据。联接到调制解调器上的计算机就是一种DTE。 如:PC、路由器、交换机uplink口、HUB级联口  DCE类设备:CE是数据通信设备,如MODEM,连接DTE设备的通信设备。

DTE类设备:"DataTerminalEquipment(数据终端设备)"的首字母缩略词。DTE提供或接收数据。联接到调制解调器上的计算机就是一种DTE。 如:PC、路由器、交换机uplink口、HUB级联口 

DCE类设备:CE是数据通信设备,如MODEM,连接DTE设备的通信设备。(一般广域网常用DCE设备有:CSU/DSU,广域网交换机,MODEM)

  DTE,DCE的含义和判断方法

  DTE是数据终端设备,如终端,是广义的概念,PC也可以是终端。(一般广域网常用DTE设备有:路由器,终端主机)


同类设备间相连使用交叉线方式;异类设备间相连使用直通线方式。

双绞线分为直通线,交叉线和反转线:


直通线:两头都是A类或B类

交叉线:一头A类一头B类

反转线:一头A类另一头把A类线的线序反过来


如使用直连线的情况:router-switch,switch-pc等!

交叉线:router-router,pc-pc,swithch-switch等!   


譬如现在市场上很多交换机就具有端口MDI/MDI-X自动识别功能。这种交换机和其他任何类型的交换机或hub互连,就可以用直通线或交叉线!而不是一定要用交叉线! (我们宿舍的两个交换机相连就是都用的直通线

    网线的两种标准:

      EIA/TIA 568A标准:

      网线的排序:绿白 绿 橙白 蓝 蓝白 橙 棕白 棕

      EIA/TIA 568B标准:

      网线的排序:橙白 橙 绿白 蓝 蓝白 绿 棕白 棕

(A和B标准的不同就是绿色跟橙色交换)


    直连线的两头,要么都是EIA/TIA 568A标准,要么都是EIA/TIA 568B标准,即两头的排序是一样的。

      交叉线的两头,一头是EIA/TIA 568A标准,另外一头是EIA/TIA 568B标准,EIA/TIA 568B标准和EIA/TIA 568A标准的差别就是8根网线中的1和3、2和6互换一下。

      反转线的两头,一头可以是EIA/TIA 568A标准,或者EIA/TIA 568B标准,另外一头要按照相反的方向,比如EIA/TIA 568A标准的线的排序是:绿白 绿 橙白 蓝 蓝白 橙 棕白 棕,那么另外一头线的排序应该是棕 棕白 橙 蓝白 蓝 橙白 绿 绿白。

为了提醒大家,特意再次列出电缆的常见用途:

直通电缆用于连接:

交换机到路由器

计算机到交换机

计算机到集线器

交叉电缆用于连接:

交换机到交换机

交换机到集线器

集线器到集线器

路由器到路由器

计算机到计算机

计算机到路由器



相关文章
|
26天前
|
机器学习/深度学习 资源调度 自然语言处理
不同类型的循环神经网络结构
【8月更文挑战第16天】
29 0
|
3天前
|
编解码 人工智能 文件存储
卷积神经网络架构:EfficientNet结构的特点
EfficientNet是一种高效的卷积神经网络架构,它通过系统化的方法来提升模型的性能和效率。
9 1
|
1月前
|
机器学习/深度学习 算法 文件存储
【博士每天一篇文献-算法】 PNN网络启发的神经网络结构搜索算法Progressive neural architecture search
本文提出了一种名为渐进式神经架构搜索(Progressive Neural Architecture Search, PNAS)的方法,它使用顺序模型优化策略和替代模型来逐步搜索并优化卷积神经网络结构,从而提高了搜索效率并减少了训练成本。
31 9
|
29天前
|
机器学习/深度学习 人工智能 PyTorch
AI智能体研发之路-模型篇(五):pytorch vs tensorflow框架DNN网络结构源码级对比
AI智能体研发之路-模型篇(五):pytorch vs tensorflow框架DNN网络结构源码级对比
53 1
|
2月前
|
机器学习/深度学习 自然语言处理
像生物网络一样生长,具备结构可塑性的自组织神经网络来了
【7月更文挑战第24天】Sebastian Risi团队发布的arXiv论文探讨了一种模仿生物神经网络生长与适应特性的新型神经网络。LNDP利用结构可塑性和经验依赖学习,能根据活动与奖励动态调整连接,展现自我组织能力。通过基于图变换器的机制,LNDP支持突触动态增删,预先通过可学习随机过程驱动网络发育。实验在Cartpole等任务中验证了LNDP的有效性,尤其在需快速适应的场景下。然而,LNDP在复杂环境下的可扩展性及训练优化仍面临挑战,且其在大规模网络和图像分类等领域的应用尚待探索
69 20
|
1月前
|
机器学习/深度学习 Linux TensorFlow
【Tensorflow+keras】用代码给神经网络结构绘图
文章提供了使用TensorFlow和Keras来绘制神经网络结构图的方法,并给出了具体的代码示例。
33 0
|
24天前
|
机器学习/深度学习 API 数据处理
《零基础实践深度学习》2.4手写数字识别之网络结构
这篇文章介绍了手写数字识别任务中网络结构设计的优化,比较了多层全连接神经网络和卷积神经网络两种模型结构,并展示了使用PaddlePaddle框架实现这些网络结构,训练并观察它们在MNIST数据集上的表现。
|
2月前
|
机器学习/深度学习 自然语言处理 算法
深度学习的关键概念和网络结构
度学习是人工智能和机器学习的一个重要分支,它通过模拟人脑神经元的工作方式来处理复杂的模式识别和数据分析任务。深度学习已经在许多领域取得了显著的成果,如图像识别、语音识别和自然语言处理。
36 1
|
2月前
|
机器学习/深度学习 PyTorch 算法框架/工具
图神经网络是一类用于处理图结构数据的神经网络。与传统的深度学习模型(如卷积神经网络CNN和循环神经网络RNN)不同,
图神经网络是一类用于处理图结构数据的神经网络。与传统的深度学习模型(如卷积神经网络CNN和循环神经网络RNN)不同,
|
2月前
|
存储 算法 Python
Python图论实战:从零基础到精通DFS与BFS遍历,轻松玩转复杂网络结构
【7月更文挑战第11天】图论在数据科学中扮演关键角色,用于解决复杂网络问题。Python因其易用性和库支持成为实现图算法的首选。本文通过问答形式介绍DFS和BFS,图是节点和边的数据结构,遍历用于搜索和分析。Python中图可表示为邻接表,DFS用递归遍历,BFS借助队列。DFS适用于深度探索,BFS则用于最短路径。提供的代码示例帮助理解如何在Python中应用这两种遍历算法。开始探索图论,解锁更多技术可能!
87 6