计算机网络常考计算题整理

本文涉及的产品
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
简介: 计算机网络常考计算题整理

计算最短帧

已知总线长度为1km,信号在总线上的传播速度为2×10^8m/s,数据传输速率为10Mbit/s。请问CSMA/CD算法成立的最短帧长度是多少?写出计算过程。

最小帧长度=数据传输率 W*往返传输延时RTT

$$ RTT = 2*10^3/2*10^8 = 10^{-5}s \\ 最小帧长度 = W*RTT = 10*10^6 *10^{-5} = 10^{-2} = 100bit $$

划分数据报

一个UDP用户数据报的数据字段为5232字节,首部长为8字节。在链路层要使用以太网来传送,最大传输单元MTU为1500字节。在网络层假定IP数据报首部长度为20字节。试问,IP数据报应当划分为几个IP数据报分片?说明每一个IP数据报分片的数据字段长度、DF字段值、MF字段值和片偏移字段的值。

UDP总长度 = 数据字段+首部长 = 5232+8 = 5240

数据报分片 = 5240 /(1500-20)≈ 4

标志:MF 1 代表后面还有分片 DF 1 代表不能分片

偏移量:数据报片的起始字段号/8

序号 偏移量 长度 MF DF
1 0 1480 1 0
2 1480/8 1480 1 0
3 1480*2/8 1480 1 0
4 1480*3/8 980 0 0

计算时延

$$ 收发两端之间的传输距离为100km,信号在媒体上的传播速率为2*10^8m/s。试计算以下两种情况的发送时延和传播时延:\\ (1)数据长度为10^7bit,数据发送速率为100kbit/s;\\ (2)数据长度为10^3bit,数据发送速率为1Gbit/s。\\ 从以上计算结果可得出什么结论?\\ $$

$$ (1) 发送时延 = 数据长度 / 数据发送速率 = 10^7/105 = 100s \\ (2) 发送时延 = 10^3/109 = 10^{-6}\\ 传播时延 = 传输距离/传播速率 = 10^5/2*10^8 = 0.5*10^{-3} $$

若数据长度大而发送速率低,则在总的时延中,发送时延往往大于传播时延。但若数据度短而发送速率高,则传播时延又可能是总时延中的主要成分。

最大数据速率(奈氏准则&香农定理)

对于带宽为50kHz的信道,若有16种不同的物理状态来表示数据,信噪比为30dB.问按奈奎斯特定理,最大数据速率是多少?按香农定理,最大数据速率又是多少?

$$ 奈氏准则: 最大数据率 = 2*W*log_2{V}\\ 香农定理:最大数据率 = W*\log_{2}{(1+S/N)}\\ 算S/N 信噪比(dB) = 10log_{10}(S/N)\\ 按照奈氏准则 最大数据率 = 2*50*log_216 = 400kb/s\\ 按照香农定理 30 = 10log_{10}(S/N)\\ S/N = 1000\\ 最大数据率 = W*\log_{2}{(1+S/N)} = 50*log_{10}{(1+1000)} = 500kb/s $$

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
相关文章
|
6月前
|
机器学习/深度学习
【从零开始学习深度学习】33.语言模型的计算方式及循环神经网络RNN简介
【从零开始学习深度学习】33.语言模型的计算方式及循环神经网络RNN简介
【从零开始学习深度学习】33.语言模型的计算方式及循环神经网络RNN简介
|
16天前
|
机器学习/深度学习 数据采集 人工智能
基于Huffman树的层次化Softmax:面向大规模神经网络的高效概率计算方法
层次化Softmax算法通过引入Huffman树结构,将传统Softmax的计算复杂度从线性降至对数级别,显著提升了大规模词汇表的训练效率。该算法不仅优化了计算效率,还在处理大规模离散分布问题上提供了新的思路。文章详细介绍了Huffman树的构建、节点编码、概率计算及基于Gensim的实现方法,并讨论了工程实现中的优化策略与应用实践。
61 15
基于Huffman树的层次化Softmax:面向大规模神经网络的高效概率计算方法
|
4月前
|
机器学习/深度学习
神经网络各种层的输入输出尺寸计算
神经网络各种层的输入输出尺寸计算
270 1
|
2月前
|
存储 缓存 算法
|
2月前
|
存储
|
4月前
|
云安全 安全 网络安全
云端防御战线:融合云计算与网络安全的未来策略
【7月更文挑战第47天】 在数字化时代,云计算已成为企业运营不可或缺的部分,而网络安全则是维护这些服务正常运行的基石。随着技术不断进步,传统的安全措施已不足以应对新兴的威胁。本文将探讨云计算环境中的安全挑战,并提出一种融合云服务与网络安全的综合防御策略。我们将分析云服务模式、网络威胁类型以及信息安全实践,并讨论如何构建一个既灵活又强大的安全体系,确保数据和服务的完整性、可用性与机密性。
|
4月前
|
机器学习/深度学习 存储 自然语言处理
天啊!深度神经网络中 BNN 和 DNN 基于存内计算的传奇之旅,改写能量效率的历史!
【8月更文挑战第12天】深度神经网络(DNN)近年在图像识别等多领域取得重大突破。二进制神经网络(BNN)作为DNN的轻量化版本,通过使用二进制权重和激活值极大地降低了计算复杂度与存储需求。存内计算技术进一步提升了BNN和DNN的能效比,通过在存储单元直接进行计算减少数据传输带来的能耗。尽管面临精度和硬件实现等挑战,BNN结合存内计算代表了深度学习未来高效节能的发展方向。
61 1
|
4月前
|
网络协议 算法 网络架构
OSPF 如何计算到目标网络的最佳路径
【8月更文挑战第24天】
68 0
|
6月前
|
存储 机器学习/深度学习 弹性计算
阿里云ECS计算型c8i服务器测评_网络PPS_云盘IOPS性能参数
阿里云ECS计算型c8i实例采用Intel Xeon Emerald Rapids或Sapphire Rapids CPU,主频2.7 GHz起,支持CIPU架构,提供强大计算、存储、网络和安全性能。适用于机器学习、数据分析等场景。实例规格从2核到192核,内存比例1:2,支持ESSD云盘,网络带宽高达100 Gbit/s,具备IPv4/IPv6,vTPM和内存加密功能。详细规格参数表包括不同实例的vCPU、内存、网络带宽、IOPS等信息,最高可达100万PPS和100万IOPS。
|
6月前
|
机器学习/深度学习 算法
**反向传播算法**在多层神经网络训练中至关重要,它包括**前向传播**、**计算损失**、**反向传播误差**和**权重更新**。
【6月更文挑战第28天】**反向传播算法**在多层神经网络训练中至关重要,它包括**前向传播**、**计算损失**、**反向传播误差**和**权重更新**。数据从输入层流经隐藏层到输出层,计算预测值。接着,比较预测与真实值计算损失。然后,从输出层开始,利用链式法则反向计算误差和梯度,更新权重以减小损失。此过程迭代进行,直到损失收敛或达到训练次数,优化模型性能。反向传播实现了自动微分,使模型能适应训练数据并泛化到新数据。
75 2

热门文章

最新文章