静态,动态NAT 配置

简介: 静态,动态NAT 配置

静态,动态NAT 配置


拓扑图

ba75f27a6eaf4d35b88ca57532505aa2.png



需求

拓扑中PC 都已经设置好IP 地址、网关 , NAT 的配置分为静态NAT、动态NAT


配置命令

R1:


undotermosyssysnameR1intg0/0/0ipadd200.0.0.124intg0/0/1ipadd192.168.1.25424intg0/0/2ipadd192.168.2.25424qiproute-static0.0.0.00.0.0.0200.0.0.2


R2:


undotermosyssysnameR2intloo0ipadd200.0.20.124intg0/0/0ipadd200.0.0.224qiproute-static0.0.0.00.0.0.0200.0.0.1


==========


配置静态NAT


R1:


intg0/0/0natstaticglobal200.0.0.3inside192.168.1.1natstaticglobal200.0.0.4inside192.168.1.2


/

59dcc67bdfcf422bbd229cbc9a63d3ec.png



验证


displaynatstatic


be97139be6e448889f330cf3926b9fcb.png


PC1 ping R2 的环回口


5ab490c662de4a579347b9555432704b.png


R1:displaynatsessionall


27b77654a8c94f92ae404d9bdfa9600d.png


==========


配置动态NAT


R1:


删掉上面配置的静态NATintg0/0/0undonatstaticglobal200.0.0.3inside192.168.1.1undonatstaticglobal200.0.0.4inside192.168.1.2nataddress-group1200.0.0.9200.0.0.200acl2000rulepermitsource192.168.1.00.0.0.255rulepermitsource192.168.2.00.0.0.255intg0/0/0natoutbound2000address-group1no-pat不做端口转换或者natoutbound2000address-group1做端口转换


R1: 验证


displaynataddress-group1


a99b0e31661844a0a76aba818ae5b972.png


displaynatoutbound


d140a7b2a0a7491ca6ea1666b3b2de13.png


displaynatsessionall


fe1bcccd3aea4506b67288905c1b18aa.png


==========


配置 easy ip

intg0/0/0undonatoutbound2000address-group1natoutbound2000


相关实践学习
每个IT人都想学的“Web应用上云经典架构”实战
本实验从Web应用上云这个最基本的、最普遍的需求出发,帮助IT从业者们通过“阿里云Web应用上云解决方案”,了解一个企业级Web应用上云的常见架构,了解如何构建一个高可用、可扩展的企业级应用架构。
相关文章
|
Python
python封装执行cmd命令的方法
python封装执行cmd命令的方法
365 0
|
6月前
|
人工智能 算法 开发者
一个提示词模板,搞定抖音短视频脚本创作
专为技术人打造的抖音脚本提示词模板,结构化拆解短视频创作套路,结合DeepSeek、通义千问等AI工具,快速生成可执行脚本框架,助力技术分享、产品演示高效落地,30秒讲清重点,开头抓人、节奏紧凑、完播率提升。
3982 13
|
负载均衡 安全 网络安全
|
12月前
|
数据采集 数据挖掘 Python
Python学习的自我理解和想法(22)
本文记录了作者学习Python第22天的内容——正则表达式,基于B站千锋教育课程。文章简要介绍了正则表达式的概念、特点及使用场景(如爬虫、数据清洗等),并通过示例解析了`re.search()`、`re.match()`、拆分、替换和匹配中文等基本语法。正则表达式是文本处理的重要工具,尽管入门较难,但功能强大。作者表示后续会深入讲解其应用,并强调学好正则对爬虫学习的帮助。因时间有限,内容为入门概述,不足之处敬请谅解。
|
测试技术 Shell
MindIE LLM场景快速上手实验
MindIE是昇腾自研推理框架,本实验手册可指导小白用户快速掌握MindIE在LLM(large language model)场景的基本功能,包括:大模型推理功能测试、大模型性能测试、大模型精度测试、服务化推理部署、benchmark测试等。
901 3
|
人工智能 Apache 流计算
Flink Forward Asia 2024 上海站|探索实时计算新边界
Flink Forward Asia 2024 即将盛大开幕!11 月 29 至 30 日在上海举行,大会聚焦 Apache Flink 技术演进与未来规划,涵盖流式湖仓、流批一体、Data+AI 融合等前沿话题,提供近百场专业演讲。立即报名,共襄盛举!官网:https://asia.flink-forward.org/shanghai-2024/
1558 33
Flink Forward Asia 2024 上海站|探索实时计算新边界
|
传感器 算法 C++
C++ PCL 设置法向量的方向
C++ PCL 设置法向量的方向
425 0
|
计算机视觉
【已解决】cv2.imread读取中文名称图片报错或者无法保存中文名图片:使用cv2.imdecode与cv2.imencode解决
【已解决】cv2.imread读取中文名称图片报错或者无法保存中文名图片:使用cv2.imdecode与cv2.imencode解决
|
机器学习/深度学习 数据采集 数据可视化
基于聚类和回归分析方法探究蓝莓产量影响因素与预测模型研究附录
k均值聚类模型多元线性回归模型随机森林模型在数据分析项目中,选择合适的模型是至关重要的。本项目中,我们采用了三种不同的模型来分析蓝莓的生长条件和产量,以确保从不同角度全面理解数据。一、K均值聚类模型K均值聚类模型是一种无监督学习方法,用于根据数据的相似性将样本分成不同的组。在这个项目中,我们使用K均值聚类模型来识别具有相似特征的蓝莓品种。通过聚类分析,我们将蓝莓分为4个类别,每个类别代表了不同的生长条件和产量特性。这种分类有助于我们理解在不同环境条件下,哪些因素对蓝莓产量有显著影响。
497 0
基于聚类和回归分析方法探究蓝莓产量影响因素与预测模型研究附录