网络通信原理系统的认知(NEBASE第十四课)(一)

简介: 网络通信原理系统的认知(NEBASE第十四课)(一)

1 物理层 第一层

物理层:建立、维护、断开物理连接,定义了接口及介质,实现了比特流的传输。

 

1.1传输层介质分类

  1. 有线介质:网线 (双绞线)光纤
  2. 无线: 无线电

1.2 双绞线

  • 五类线 cat5 :适用 100Mbps
  • 超五类线 cat5e : 适用于 100Mbps
  • 六类cat6e :适用 于 1000Mbps
  • 七类 cat7 适用 10000Mbps(带有屏蔽功能)
  • 传输距离 控制在100m范围内

 

 

 

T568A:白绿 绿 白橙 蓝 白蓝 橙 白棕 棕

T568B:白橙 橙 白绿 蓝 白蓝 绿 白棕 棕

直通线: 一根网线的两端都是568B的线序 早期连接不同设备 PC—交换机** 交叉线:一根网线一端是568A,一端是568B 早期 连接相同设备 PC—PC 交换机—交换机 全反线: 一根网线两端线序完全相反


1 2 发送 3 6接收—百兆网络中

 

多模光纤 短距离传输

单模光纤 长距离传输

多模光纤 短距离传输

单模光纤 长距离传输

  1. 网线钳 测试线 /寻线仪
  2. 光纤测试仪 光纤切割刀 熔切机
  3. 注意:红光笔 :光纤的故障检测功能 其中包含检测 光纤通性

 

 

1.5 中继器 集线器

2 数据链路层 第二层

 

 

 

 

 

即以 太网地址 又称物理地址

长度:48个 bit(六个字节)

组成 前二十四位 厂商+24bit网卡编号 48位

表示方式:使用12个16进制数

00-50-56-C0-00-08

数据链路层是OSI参考模型中的第二层,主要功能是将物理层提供的比特流转换为有意义的帧(Frame),并进行传输控制。在数据链路层中,常见的字段和解释如下:


帧起始标志(Start Frame Delimiter, SFD):用于表示帧的开始,通常是一个特定的比特序列,例如01111110。


目标MAC地址(Destination MAC Address):表示帧的接收方的MAC地址。


源MAC地址(Source MAC Address):表示帧的发送方的MAC地址。


帧类型(Frame Type):表示帧的类型,例如数据帧、控制帧等。


数据(Data):表示帧携带的数据,数据的长度范围是46到1500个字节。


帧校验序列(Frame Check Sequence, FCS):用于检测帧是否受损或出错,通常是一个循环冗余校验(CRC)码。


这些字段组成了数据链路层帧的基本结构,通过这些字段帧可以被正确的接收、识别和处理。

字段作用解析:

1)版本: 指的IP地址的版本 (IPv4 或 IPV6)

2)首部长度:次数据包的首部长度一共是多少,有没有加可选项

3)优先级与服务类型:表示数据包是否需要优选传递

4)总长度:表示的是整个数据包的大小,也就是首部+数据

5)标识符、标志、段偏移量:的作用将拆开的数据包进行组合(用来数据重组的)

6)TTL值:数据生命周期

 作用:防止数据无限循环转发

 原理:数据包每经过一台路由器,TTL值会减1,当TTL为0时,数据包被丢弃,

7)协议号:数据包在网络中传递时所用的协议,用的是那个协议

    协议号    协议名称

       1          ICMP

       6         TCP

       17       UDP

8)首部校验和:是用来做数据包核对用的,确定数据包是否是完整,如果是就接收,如果不是完整的数

9)源IP地址 :表示发送这个数据包的设备的IP地址

10)目标IP地址:表示接收这个数据包的设备的IP地址

11)可选项:他是一个可变长度,取值范围:0-40个字节 一般数据包中不是加


目录
打赏
0
0
0
0
6
分享
相关文章
PyTorch生态系统中的连续深度学习:使用Torchdyn实现连续时间神经网络
神经常微分方程(Neural ODEs)是深度学习领域的创新模型,将神经网络的离散变换扩展为连续时间动力系统。本文基于Torchdyn库介绍Neural ODE的实现与训练方法,涵盖数据集构建、模型构建、基于PyTorch Lightning的训练及实验结果可视化等内容。Torchdyn支持多种数值求解算法和高级特性,适用于生成模型、时间序列分析等领域。
218 77
PyTorch生态系统中的连续深度学习:使用Torchdyn实现连续时间神经网络
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。
223 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
基于Python深度学习的【害虫识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
害虫识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了12种常见的害虫种类数据集【"蚂蚁(ants)", "蜜蜂(bees)", "甲虫(beetle)", "毛虫(catterpillar)", "蚯蚓(earthworms)", "蜚蠊(earwig)", "蚱蜢(grasshopper)", "飞蛾(moth)", "鼻涕虫(slug)", "蜗牛(snail)", "黄蜂(wasp)", "象鼻虫(weevil)"】 再使用通过搭建的算法模型对数据集进行训练得到一个识别精度较高的模型,然后保存为为本地h5格式文件。最后使用Djan
107 1
基于Python深度学习的【害虫识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
基于ssm的网络直播带货管理系统,附源码+数据库+论文
该项目为网络直播带货网站,包含管理员和用户两个角色。管理员可进行主页、个人中心、用户管理、商品分类与信息管理、系统及订单管理;用户可浏览主页、管理个人中心、收藏和订单。系统基于Java开发,采用B/S架构,前端使用Vue、JSP等技术,后端为SSM框架,数据库为MySQL。项目运行环境为Windows,支持JDK8、Tomcat8.5。提供演示视频和详细文档截图。
58 10
基于Python深度学习的【蘑菇识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
蘑菇识别系统,本系统使用Python作为主要开发语言,基于TensorFlow搭建卷积神经网络算法,并收集了9种常见的蘑菇种类数据集【"香菇(Agaricus)", "毒鹅膏菌(Amanita)", "牛肝菌(Boletus)", "网状菌(Cortinarius)", "毒镰孢(Entoloma)", "湿孢菌(Hygrocybe)", "乳菇(Lactarius)", "红菇(Russula)", "松茸(Suillus)"】 再使用通过搭建的算法模型对数据集进行训练得到一个识别精度较高的模型,然后保存为为本地h5格式文件。最后使用Django框架搭建了一个Web网页平台可视化操作界面,
144 11
基于Python深度学习的【蘑菇识别】系统~卷积神经网络+TensorFlow+图像识别+人工智能
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 2024轻量化网络MoblieNetV4:移动生态系统的通用模型
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 2024轻量化网络MoblieNetV4:移动生态系统的通用模型
118 4
RT-DETR改进策略【模型轻量化】| 替换骨干网络为 2024轻量化网络MoblieNetV4:移动生态系统的通用模型
YOLOv11改进策略【模型轻量化】| 替换骨干网络为 2024轻量化网络MoblieNetV4:移动生态系统的通用模型
YOLOv11改进策略【模型轻量化】| 替换骨干网络为 2024轻量化网络MoblieNetV4:移动生态系统的通用模型
189 8
YOLOv11改进策略【模型轻量化】| 替换骨干网络为 2024轻量化网络MoblieNetV4:移动生态系统的通用模型
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。
优质网络舆情监测系统大盘点
一款出色的网络舆情监测系统,不仅能够助力相关主体迅速捕捉舆情信息,有效应对危机,还能够助力其更好地把握舆论动态,维护自身形象。那么,市场上有哪些比较好的网络舆情监测系统呢?这里,本文有为各位整理了一些好用的舆情检测系统,以供各位参考!
68 0
基于yolov4深度学习网络的排队人数统计系统matlab仿真,带GUI界面
本项目基于YOLOv4深度学习网络,利用MATLAB 2022a实现排队人数统计的算法仿真。通过先进的计算机视觉技术,系统能自动、准确地检测和统计监控画面中的人数,适用于银行、车站等场景,优化资源分配和服务管理。核心程序包含多个回调函数,用于处理用户输入及界面交互,确保系统的高效运行。仿真结果无水印,操作步骤详见配套视频。
105 18