HCIP--网络笔记(1)

简介: HCIP--网络笔记(1)

抽象语言 --- 电信号

抽象语言 --- 编码

编码 --- 二进制

二进制 --- 电信号

处理电信号

OSI/RM ---- 开放式系统互联参考模型 --- 1979 --- ISO --- 国际标准化组织

核心思想 --- 分层

应用层 --- 提供各种应用程序,抽象语言转换成编码,人机交互的接口

表示层 --- 编码转换成二进制

会话层 --- 维持网络应用和网络服务器之间会话连接

传输层 --- 实现端到端的传输 --- 应用到应用之间的传输 --- 端口号 --- 0 - 65535 --- 0一般

不作为传输层的端口号使用,所以,我们真实的端口号的取值范围为1 - 65535。1 - 1023知

名端口号。 --- SPORT,DPORT

网络层 --- 通过IP地址,实现主机之间的逻辑寻址。 --- SIP,DIP

获取DIP的方法:

1,直接知道服务器的IP地址

2,通过域名访问服务器

3,通过应用程序访问

4,通过广播获取

数据链路层 --- 将二进制转换成电信号。通过MAC地址进行物理寻址 --- 在以太网协议中

MAC --- 48位二进制构成 --- 1,全球唯一;2,格式统一 --- SMAC,DMAC

获取目标MAC地址的方法:

ARP --- 地址解析协议 --- 通过一种地址获取另一种地址

正向ARP --- 通过IP地址获取MAC地址

工作过程 --- 首先,主机以广播的形式发送ARP请求报文。基于已知的IP地址获取

MAC地址。所有收到广播帧的设备都会先将数据包中的源IP地址和源MAC地址的

对应关系记录在本地的ARP缓存表中。之后,再看请求的IP地址。如果请求的IP地

址是本地的IP地址,则将回复ARP应答报文。如果请求的IP地址不是本地的IP地

址,则将直接丢弃该数据包。之后,再次发送信息时,将优先查看本地的ARP缓存

表,如果存在记录,则将按照记录转发;如果没有记录,则再发送ARP请求。

反向ARP --- 通过MAC地址获取IP地址

免费ARP --- 利用的是正向ARP的工作原理,只不过请求的IP地址是自己的。

1,自我介绍;2,检测地址冲突


物理层 --- 处理或传输电信号

TCP/IP模型 --- TCP/IP协议簇


TCP/IP标准模型 --- 四层模型

TCP/IP对等模型 --- 五层模型



封装和解封转

应用层

传输层 --- 端口号 --- TCP,UDP

网络层 --- IP地址 --- IP协议

数据链路层 --- MAC地址 --- 以太网协议

物理层

TCP/IP模型中可以支持跨层封装,OSI中不行

跨层封装出现的情况较少,一般出现在直连的设备之间。

跨四层封装 --- 一般出现在直连路由设备之间


获取IP地址 --- 1,手工获取;2,通过DHCP自动获取

DHCP --- 动态主机配置协议

1,DHCP客户端 --- 广播包 --- DHCP-Discover

传输层 --- UDP --- SPORT:68 DPORT:67

网络层 --- IP --- SIP:0.0.0.0 DIP:255.255.255.255

数据链路层 --- 以太网 --- SMAC:自己的MAC地址 DMAC:全F

交换机的转发原理 --- 交换机收到数据帧之后,首先先记录源MAC地址和进入接

口的对应关系到MAC地址表中。之后看数据帧中的目标MAC地址,因为目标MAC

地址是全F,则将进行泛洪 --- 除了数据进入的接口外,所有接口都将转发数据。

交换机泛洪的情况 --- 1,广播帧;2,组播帧;3,未知单播帧


目录
相关文章
|
3月前
|
机器学习/深度学习 计算机视觉 知识图谱
【YOLOv8改进】MobileViT 更换主干网络: 轻量级、通用且适合移动设备的视觉变压器 (论文笔记+引入代码)
MobileViT是针对移动设备的轻量级视觉Transformer网络,结合CNN的局部特征、Transformer的全局注意力和ViT的表示学习。在ImageNet-1k上,它以600万参数实现78.4%的top-1准确率,超越MobileNetv3和DeiT。MobileViT不仅适用于图像分类,还在目标检测等任务中表现出色,且优化简单,代码已开源。YOLOv8引入了MobileViT块,整合卷积和Transformer结构,提升模型性能。更多详情可参考相关专栏和链接。
|
1月前
|
网络协议 网络性能优化 网络虚拟化
《计算机网络》期末复习笔记
《计算机网络》期末复习笔记
|
1月前
|
网络协议 安全 网络安全
软考中级之数据库系统工程师笔记总结(五)网络基础
软考中级之数据库系统工程师笔记总结(五)网络基础
15 0
|
2月前
|
Web App开发 自然语言处理 算法
一文搞懂:【论文笔记】BINE:二分网络嵌入
一文搞懂:【论文笔记】BINE:二分网络嵌入
21 0
|
2月前
|
存储 缓存 网络协议
技术笔记:socket网络实现
技术笔记:socket网络实现
13 0
|
3月前
|
计算机视觉
【YOLOv8改进】 AFPN :渐进特征金字塔网络 (论文笔记+引入代码).md
YOLO目标检测专栏介绍了YOLO的有效改进和实战案例,包括AFPN——一种解决特征金字塔网络信息丢失问题的新方法。AFPN通过非相邻层直接融合和自适应空间融合处理多尺度特征,提高检测性能。此外,还展示了YOLOv8中引入的MPDIoU和ASFF模块的代码实现。详情可参考提供的专栏链接。
|
3月前
|
机器学习/深度学习 存储 测试技术
【YOLOv8改进】 YOLOv8 更换骨干网络之 GhostNet :通过低成本操作获得更多特征 (论文笔记+引入代码).md
YOLO目标检测专栏探讨了卷积神经网络的创新改进,如Ghost模块,它通过低成本运算生成更多特征图,降低资源消耗,适用于嵌入式设备。GhostNet利用Ghost模块实现轻量级架构,性能超越MobileNetV3。此外,文章还介绍了SegNeXt,一个高效卷积注意力网络,提升语义分割性能,参数少但效果优于EfficientNet-L2。专栏提供YOLO相关基础解析、改进方法和实战案例。
|
2月前
|
Unix Python
Python基础教程(第3版)中文版 第14章 网络编程(笔记)
Python基础教程(第3版)中文版 第14章 网络编程(笔记)
|
3月前
|
机器学习/深度学习 数据可视化 计算机视觉
【YOLOv8改进】MCA:用于图像识别的深度卷积神经网络中的多维协作注意力 (论文笔记+引入代码)
YOLO目标检测专栏介绍了YOLO的创新改进和实战案例,包括多维协作注意力(MCA)机制,它通过三分支架构同时处理通道、高度和宽度注意力,提高CNN性能。MCA设计了自适应组合和门控机制,增强特征表示,且保持轻量化。该模块适用于各种CNN,实验证明其在图像识别任务上的优越性。此外,文章还展示了如何在YOLOv8中引入MCA层的代码实现和相关任务配置。
|
3月前
|
机器学习/深度学习 计算机视觉
【YOLOv8改进】 YOLOv8 更换骨干网络之GhostNetV2 长距离注意力机制增强廉价操作,构建更强端侧轻量型骨干 (论文笔记+引入代码)
该专栏聚焦YOLO目标检测的创新改进与实战,介绍了轻量级CNNs和注意力机制在移动设备上的应用。文章提出了一种名为GhostNetV2的新架构,结合了硬件友好的DFC注意力机制,强化了特征表达能力和全局信息捕获,同时保持低计算成本和高效推理。GhostNetV2在ImageNet上以167M FLOPs达到75.3%的top-1准确率,优于同类模型。创新点包括DFC注意力、模型结构优化和效率提升。源代码可在GitHub和MindSpore平台上找到。此外,还提到了YOLOv8的相关实现和任务配置。