《端到端QoS网络设计(第2版)》一6.4 小结

简介:

本节书摘来自异步社区《端到端QoS网络设计(第2版)》一书中的第6章,第6.4节,作者【美】Tim Szigeti , 【加】Robert Barton , 【美】Christina Hattingh , 【美】Kenneth Briley,更多章节内容可以访问云栖社区“异步社区”公众号查看

6.4 小结

端到端QoS网络设计(第2版)
多年来,Cisco一直不懈地扩展RSVP的功能,并让RSVP具有更强的适应性和更出色的效率,这也是Cisco媒体网络(Medianet)倡议行动中的一个组成部分。RSVP是一个信令协议,这一点与本书到目前为止所介绍的其他QoS工具都不相同。它是一项核心的网络感知技术,可以在各类对带宽需求各异的实时流量(从G.729呼叫到高清多屏幕视频流)竞争带宽资源时,发挥仲裁者的作用。

在所有实施流量(如G.729和G.711语音呼叫)对带宽的需求都大同小异时,“呼叫计数”AC法倒也可以勉强应付得过来,但它无法有效处理各类流量(如语音和多种视频流量)对带宽需求差别较大的环境。

本章对RSVP的工作方式进行了简要的介绍。其中,在IntServ/DiffServ混合部署模型中,仅以RSVP作为AC机制(而没有使用整个协议栈中所有功能)的设计方案是这一章的重中之重。这种设计方案可以在富媒体网络流量中,更加高效地使用RSVP来提供AC机制,同时扩展性也更强。

一些媒体网络特性(Mediatrace与媒体监测)也会使用RSVP。不过,这些特性使用的并不是RSVP的AC和带宽预留方面的功能,它们只会使用RSVP来获得媒体检测信息。这部分内容将在第8章进行深入介绍。

相关文章
|
6天前
|
机器学习/深度学习 算法 网络架构
【CVPR2017】AOD-Net:端到端的除雾网络(原理&实操)
【CVPR2017】AOD-Net:端到端的除雾网络(原理&实操)
600 0
【CVPR2017】AOD-Net:端到端的除雾网络(原理&实操)
|
机器学习/深度学习 传感器 编解码
首篇!BEV-Locator:多目端到端视觉语义定位网络(清华&轻舟智航)(下)
准确的定位能力是自动驾驶的基础。传统的视觉定位框架通过几何模型来解决语义地图匹配问题,几何模型依赖于复杂的参数调整,从而阻碍了大规模部署。本文提出了BEV定位器:一种使用多目相机图像的端到端视觉语义定位神经网络。具体地,视觉BEV(鸟瞰图)编码器提取多目图像并将其展平到BEV空间中。而语义地图特征在结构上嵌入为地图查询序列。然后,cross-model transformer将BEV特征和语义图查询关联起来。通过交叉注意力模块递归地查询自车的定位信息。最后,可以通过解码transformer输出来推断自车位姿。论文在大规模nuScenes和Qcraft数据集中评估了所提出的方法。
首篇!BEV-Locator:多目端到端视觉语义定位网络(清华&轻舟智航)(下)
|
6天前
|
机器学习/深度学习 计算机视觉 网络架构
【FCN】端到端式语义分割的开篇之作! 从中窥探后续语义分割网络的核心模块(一)
【FCN】端到端式语义分割的开篇之作! 从中窥探后续语义分割网络的核心模块(一)
317 0
【FCN】端到端式语义分割的开篇之作! 从中窥探后续语义分割网络的核心模块(一)
|
6天前
|
自动驾驶 安全 网络安全
6G 移动通信网络端到端的技术需求指标
6G 移动通信网络端到端的技术需求指标
204 0
|
5月前
|
存储 传感器 监控
探密工业互联网网络体系:构建端到端的稳定传输
什么是工业互联网网络? 工业互联网网络是一种将工业设备、传感器和计算机系统连接到一起,以便它们可以共同工作、共享数据和实现更高效的生产和控制。这个网络体系的目标是提高工业过程的效率、可靠性和安全性。
|
9月前
|
算法 网络协议 网络性能优化
网络QoS
网络QoS
135 0
|
10月前
|
算法 物联网
m基于matlab的无线自组网性能仿真,包括端到端时延,吞吐量,初入网时间,迟入网时间,网络建立时间
m基于matlab的无线自组网性能仿真,包括端到端时延,吞吐量,初入网时间,迟入网时间,网络建立时间
208 0
|
算法 物联网
m基于matlab的AODV,leach自组网网络平台仿真,对比吞吐量,端到端时延,丢包率,剩余节点个数,节点消耗能量
m基于matlab的AODV,leach自组网网络平台仿真,对比吞吐量,端到端时延,丢包率,剩余节点个数,节点消耗能量
393 0
|
机器学习/深度学习 存储 编解码
首篇!BEV-Locator:多目端到端视觉语义定位网络(清华&轻舟智航)(上)
准确的定位能力是自动驾驶的基础。传统的视觉定位框架通过几何模型来解决语义地图匹配问题,几何模型依赖于复杂的参数调整,从而阻碍了大规模部署。本文提出了BEV定位器:一种使用多目相机图像的端到端视觉语义定位神经网络。具体地,视觉BEV(鸟瞰图)编码器提取多目图像并将其展平到BEV空间中。而语义地图特征在结构上嵌入为地图查询序列。然后,cross-model transformer将BEV特征和语义图查询关联起来。通过交叉注意力模块递归地查询自车的定位信息。最后,可以通过解码transformer输出来推断自车位姿。论文在大规模nuScenes和Qcraft数据集中评估了所提出的方法。
首篇!BEV-Locator:多目端到端视觉语义定位网络(清华&轻舟智航)(上)
|
机器学习/深度学习 编解码 算法
简答:如何设计一个深度学习网络来实现帧内预测?
简答:如何设计一个深度学习网络来实现帧内预测?
190 0
简答:如何设计一个深度学习网络来实现帧内预测?

热门文章

最新文章