计算机网络原理学习总结

简介: 多年的工作,更多的在应用层次上;随着经验的积累,更加明确了针对于基础理论知识了解的重要性;所谓万层高楼地基必须要扎实稳固。

背景介绍


多年的工作,更多的在应用层次上;随着经验的积累,更加明确了针对于基础理论知识了解的重要性;所谓万层高楼地基必须要扎实稳固。


计划安排


时间:30天时间,每天两个番茄(总共60个番茄)

看书:三遍读书法

做题:书中的课后题进行针对性的总结;将历年真题做至少5套以上


计划执行


时间:由于前半月在复习基础知识,没有安排出来时间,故在后面调整为了每天3个番茄进行

看书:看完了两遍书,并结合书画了OSI和TCP/ip参考模型;并且书中的章节也是围绕这个进行展开的

做题:课后题做了针对性的查阅,针对于一些计算题无法判断计算结果;历年真题做了5套,对于常见大题和选择题都做的差不多,填空和简答题做的不太好


总结


1.宏观总结


1.针对于18年改革的新旧版做了对比,有了另外一个角度的认识;

> 从18年之前相关章节为OSI模型的内容并且从物理层—>数据链路层->网络层->传输层->会话层->显示层->应用层进行的展开讲解

> 从18年改革之后,相关章节为TCP/IP参考模型的内容从应用层->传输层->网络层->数据链路层->物理层并加入了无线移动、网络安全

2.综上章节的调整和内容的增加;可见教材的改革是紧随社会发展而来的;尤其是针对于无线移动、网络安全的加入,近几年我们对于移动的依赖越来越高对于安全越来越重视

3.结合宏观总结也做了如下对比图


20210423150248442.png


2.微观总结


1.对于知识点的关联性,在结合宏观的前提下去进行逻辑梳理;让知识像脉络一样关联起来;维度越多越好

2.选择题,要去梳理相关知识点让它们放到自己的宏观网络中;并通过同一知识点不同类型的题进行对比比较

3.填空题,需要理解让填写的空的目的与作用,更多的是那些概念中核心的关键字;在理解概念的基础上在百度百科查询一下相关关键字

4.简答题,本次简答题准备的不是太充分;不过个人理解也得基于该简答题相关知识点以及在当前市场上的具体运用

5.计算题,针对于公式的梳理以及知识点间的逻辑梳理很重要,并通过同一知识点不同角度的出题去理解该题


3.思想总结


本次再看该内容的时候,针对于之前学习的分布式、LVS、性能调优等所涉及的内容建立了一个关联;

三级网络这本书中所涉及的理论知识是工作的基础


4.学习总结

1.需要严格执行三遍读书法、番茄工作法来更好的利用时间

2.每个番茄要有明确的产出物

3.看书总结要带着问题去看

相关文章
|
1月前
|
机器学习/深度学习 PyTorch TensorFlow
卷积神经网络深度解析:从基础原理到实战应用的完整指南
蒋星熠Jaxonic,深度学习探索者。深耕TensorFlow与PyTorch,分享框架对比、性能优化与实战经验,助力技术进阶。
|
3月前
|
机器学习/深度学习 算法 数据挖掘
没发论文的注意啦!重磅更新!GWO-BP-AdaBoost预测!灰狼优化、人工神经网络与AdaBoost集成学习算法预测研究(Matlab代码实现)
没发论文的注意啦!重磅更新!GWO-BP-AdaBoost预测!灰狼优化、人工神经网络与AdaBoost集成学习算法预测研究(Matlab代码实现)
151 0
|
1月前
|
监控 负载均衡 安全
WebSocket网络编程深度实践:从协议原理到生产级应用
蒋星熠Jaxonic,技术宇宙中的星际旅人,以代码为舟、算法为帆,探索实时通信的无限可能。本文深入解析WebSocket协议原理、工程实践与架构设计,涵盖握手机制、心跳保活、集群部署、安全防护等核心内容,结合代码示例与架构图,助你构建稳定高效的实时应用,在二进制星河中谱写极客诗篇。
WebSocket网络编程深度实践:从协议原理到生产级应用
|
7月前
|
机器学习/深度学习 存储 算法
NoProp:无需反向传播,基于去噪原理的非全局梯度传播神经网络训练,可大幅降低内存消耗
反向传播算法虽是深度学习基石,但面临内存消耗大和并行扩展受限的问题。近期,牛津大学等机构提出NoProp方法,通过扩散模型概念,将训练重塑为分层去噪任务,无需全局前向或反向传播。NoProp包含三种变体(DT、CT、FM),具备低内存占用与高效训练优势,在CIFAR-10等数据集上达到与传统方法相当的性能。其层间解耦特性支持分布式并行训练,为无梯度深度学习提供了新方向。
296 1
NoProp:无需反向传播,基于去噪原理的非全局梯度传播神经网络训练,可大幅降低内存消耗
|
2月前
|
机器学习/深度学习 人工智能 算法
卷积神经网络深度解析:从基础原理到实战应用的完整指南
蒋星熠Jaxonic带你深入卷积神经网络(CNN)核心技术,从生物启发到数学原理,详解ResNet、注意力机制与模型优化,探索视觉智能的演进之路。
399 11
|
2月前
|
JavaScript Java 大数据
基于python的网络课程在线学习交流系统
本研究聚焦网络课程在线学习交流系统,从社会、技术、教育三方面探讨其发展背景与意义。系统借助Java、Spring Boot、MySQL、Vue等技术实现,融合云计算、大数据与人工智能,推动教育公平与教学模式创新,具有重要理论价值与实践意义。
|
2月前
|
机器学习/深度学习 算法 搜索推荐
从零开始构建图注意力网络:GAT算法原理与数值实现详解
本文详细解析了图注意力网络(GAT)的算法原理和实现过程。GAT通过引入注意力机制解决了图卷积网络(GCN)中所有邻居节点贡献相等的局限性,让模型能够自动学习不同邻居的重要性权重。
465 0
从零开始构建图注意力网络:GAT算法原理与数值实现详解
|
2月前
|
安全 测试技术 虚拟化
VMware-三种网络模式原理
本文介绍了虚拟机三种常见网络模式(桥接模式、NAT模式、仅主机模式)的工作原理与适用场景。桥接模式让虚拟机如同独立设备接入局域网;NAT模式共享主机IP,适合大多数WiFi环境;仅主机模式则构建封闭的内部网络,适用于测试环境。内容简明易懂,便于理解不同模式的优缺点与应用场景。
384 0
|
4月前
|
机器学习/深度学习 人工智能 PyTorch
零基础入门CNN:聚AI卷积神经网络核心原理与工业级实战指南
卷积神经网络(CNN)通过局部感知和权值共享两大特性,成为计算机视觉的核心技术。本文详解CNN的卷积操作、架构设计、超参数调优及感受野计算,结合代码示例展示其在图像分类、目标检测等领域的应用价值。
283 7
|
6月前
|
监控 应用服务中间件 Linux
掌握并发模型:深度揭露网络IO复用并发模型的原理。
总结,网络 I/O 复用并发模型通过实现非阻塞 I/O、引入 I/O 复用技术如 select、poll 和 epoll,以及采用 Reactor 模式等技巧,为多任务并发提供了有效的解决方案。这样的模型有效提高了系统资源利用率,以及保证了并发任务的高效执行。在现实中,这种模型在许多网络应用程序和分布式系统中都取得了很好的应用成果。
209 35