Cisco Modeling Labs (CML) 2.9.0 - 网络仿真工具

简介: Cisco Modeling Labs (CML) 2.9.0 - 网络仿真工具

Cisco Modeling Labs (CML) 2.9.0 - 网络仿真工具

思科建模实验室 (CML)

请访问原文链接:https://sysin.org/blog/cisco-modeling-labs-2/ 查看最新版。原创作品,转载请保留出处。

作者主页:sysin.org


Cisco Modeling Labs 是我们用于网络仿真的首要平台。凭借易于使用的 HTML5 UI 和全面的 API,思科建模实验室使设计、测试、故障排除和学习变得有趣。

Cisco Modeling Labs 是一种在工作站和服务器上运行的网络仿真工具。

欢迎来到网络仿真世界

Cisco Modeling Labs 是一种在工作站和服务器上运行的内部部署网络模拟工具。借助 Cisco Modeling Labs,您可以使用真实的 Cisco 映像快速轻松地模拟 Cisco 和非 Cisco 网络 (sysin)。这为您提供了用于设计、测试和故障排除的高度可靠的模型。与构建真实世界的实验室相比,思科建模实验室可以更快、更轻松地返回结果,而且成本只是其中的一小部分。

CML 2.9.0 新增功能

本节详细介绍了此版本中的新增与更改功能,包括 API 的完整表格。有关 Bug 修复内容,请参见官方文档。

支持 Docker 容器镜像

从 CML 2.9.0 起,新增对 Docker 容器的支持。

在此版本之前,CML 支持以下节点类型:

  • KVM 虚拟机:完整的 x86 虚拟机,自带内核和虚拟设备
  • IOL:基于 libvirt 的 LXC 容器,仅适用于 IOL 和 IOL‑L2 节点类型
  • 内建支持节点类型:External Connector 与 Unmanaged Switch

从 CML 2.9.0 起,创建或导入节点定义时,Domain Driver 可选择为 KVM 虚拟机IOLDocker 容器。支持在 CML 实验中使用自定义 Docker 容器。参考平台 ISO 还新增多个容器节点类型:

容器名称 描述
chrome Chrome 浏览器,通过 VNC 控制台访问
dnsmasq 默认启用 DNS,DHCP/TFTP 默认关闭
firefox Firefox 浏览器,通过 VNC 控制台访问
freeradius 服务容器,提供 FreeRADIUS 服务
frr 服务容器,提供 FRR(Free Range Routing)
net-tools 网络工具容器,包含 tcpdump、tshark、traceroute 等
nginx Web 服务器容器,运行 nginx
splunk Splunk Universal Forwarder 服务容器
syslog syslog‑NG 服务容器
tacplus TACACS+ 服务容器
thousandeyes‑ea ThousandEyes 企业代理容器

示例实验室改进

  • 新增更多示例实验室,可在 Tools > Sample Labs 中访问
  • 管理员可使用实验室仓库替换或补充默认实验室
  • 支持 Git 仓库同步和缓存展示,预配置了 cml‑community 仓库内容

控制台面板字体自定义

Workbench 的 Console 面板中,可通过 Global Console Settings 配置终端字体。

接口页可见 IP 与 MAC 地址

  • 若节点与启用 IP 嗅探器(例如 NAT external connector)相邻,Interfaces 面板将显示嗅探到的 IP 地址
  • 若 CML 随机分配 MAC,Interfaces 面板也将显示该 MAC 地址,以前仅手动设置时才显示

节点磁盘镜像克隆功能

新增 "Clone Image" 功能:管理员可从已停止节点的磁盘镜像创建新的镜像定义,便于创建预装特定软件的自定义镜像(如 Ubuntu),供所有用户使用。

实验共享与权限细化

  • 引入更多权限级别:View、Exec、Edit、Admin
  • 支持直接与个人用户共享实验,不再仅限于组共享

支持串口接口的 IOL 节点

新增 iol‑xe‑serial‑4eth 类型节点:包含 4 个 Ethernet 接口,其余为串口(支持 FrameRelay、HDLC、PPP)。需在升级后添加对应节点定义与镜像。

注意:Cisco 提供的 VM 与容器镜像仅限用于 CML 实验使用。

Catalyst 9800‑CL 与 ISE 镜像

补充参考平台 ISO 包含两个新镜像:

  • Catalyst 9800‑CL(基于 IOS‑XE 虚拟无线控制器)
  • Cisco Identity Services Engine (ISE)

注意:CML‑Free 用户无法访问补充 ISO。
重要:原上传的 refplat‑20250718‑supplemental‑iso.zip 文件损坏,请勿使用,修复版本即将发布。
:contentReference[oaicite:0]{index=0}

API 变更概览

请登录 CML UI 并打开 Tools > API Documentation 查看完整细节。主要变化包括:

  • 新增 associations 属性,取代旧的 groups 属性
  • 支持将实验直接共享给用户,实现更细粒度的权限控制
  • 移除多个冗余 API,例如 PUT /labs/{lab_id}/title,改用 PATCH /labs/{lab_id}

已移除的 API 接口

原接口 替代接口
GET /diagnostics GET /diagnostics/computes, GET /diagnostics/labs
GET /labs/{lab_id}/nodes/{node_id}/tags GET /labs/{lab_id}/nodes/{node_id}
POST /labs/{lab_id}/nodes/{node_id}/tags/{tag} PATCH /labs/{lab_id}/nodes/{node_id}
DELETE /labs/{lab_id}/nodes/{node_id}/tags/{tag} PATCH /labs/{lab_id}/nodes/{node_id}
DELETE /licensing/reservation/discard POST /licensing/reservation/discard
PUT /labs/{lab_id}/description PATCH /labs/{lab_id}
PUT /labs/{lab_id}/title PATCH /labs/{lab_id}
PUT /labs/{lab_id}/notes PATCH /labs/{lab_id}
GET /labs/{lab_id}/nodes/{node_id}/image_definition GET /labs/{lab_id}/nodes/{node_id}
PUT /labs/{lab_id}/nodes/{node_id}/image_definition PATCH /labs/{lab_id}/nodes/{node_id}
GET /labs/{lab_id}/nodes/{node_id}/config GET /labs/{lab_id}/nodes/{node_id}
PUT /labs/{lab_id}/nodes/{node_id}/config PATCH /labs/{lab_id}/nodes/{node_id}
PUT /labs/{lab_id}/links/{link_id} 无替代

弃用的 API 接口

已弃用接口 替代接口
GET /users/{user_id}/groups GET /users/{user_id}
GET /groups/{group_id}/labs GET /groups/{group_id}
GET /groups/{group_id}/members GET /groups/{group_id}
GET /system_archive 使用多个 endpoint 组合获取归档数据
GET /labs/{lab_id}/groups GET /labs/{lab_id}/associations
PUT /labs/{lab_id}/groups PATCH /labs/{lab_id}/associationsPATCH /labs/{lab_id}

CML 2.10 中计划移除的 API

计划移除接口 替代接口
GET /licensing/features GET /licensing
GET /build_configurations PUT /labs/{lab_id}/bootstrap
PUT /system/auth/config PATCH /system/auth/config

新增 API 接口

新接口 描述
PUT /labs/{lab_id}/nodes/{node_id}/clone_image 从已停止节点克隆镜像创建新镜像定义
GET /labs/{lab_id}/associations 获取实验与用户/组的权限关联
PATCH /labs/{lab_id}/associations 添加或更新关联权限
GET /pcap/{link_capture_key}/packets 获取指定链接的 PCAP 数据包列表
GET /lab_repos 获取配置的实验室仓库列表
POST /lab_repos 添加新的实验仓库
PUT /lab_repos/refresh 对仓库执行 git pull 并返回结果
DELETE /lab_repos/{repo_id} 删除指定仓库
GET /sample/labs/{sample_lab_id} 获取某个示例实验室的详情

更改的 API 接口

多个接口增加或删除了以下字段:

  • 新增属性:
    • associations
    • effective_permissions
    • pubkey
    • node_counts
    • allow_ssh_pubkey_auth
    • sim.linux_native.enable_tpm
    • device.interfaces.default_console
    • device.interfaces.iol_static_ethernets
    • efi_boot
    • sha256
  • 移除属性:
    • disk_subfolder

其他更新

更多功能与体验增强包括:

  • 支持 SSH 公钥登录(Console Server 与 SCP)
  • 在 Workbench 侧面板显示节点 IP / MAC 地址,并支持刷新
  • 运行节点状态下可查看镜像定义与资源配置
  • PCAP 支持指定链路封装类型(如串口 Frame Relay)
  • 支持 Windows 11 VM(需 Secure Boot、TPM)
  • 新增默认控制台接口配置选项
  • 支持通过 ext4 格式磁盘传递 day0 配置
  • 自动删除旧的 disk_subfolder 属性
  • 自动生成且续签部署时的自签名证书
  • 在 Cockpit UI 配置 MAC 前缀、SSH 公钥认证、自定义脚本
  • /etc/virl2/defaults 中新增资源阈值与统计间隔配置
  • 在 System Administration 显示所有运行与孤立节点
  • 支持终止断连主机上的链路(集群场景)
  • 向 REGISTERED 状态迁移计算主机前提示正在运行的节点
  • 安装时可启用 SSH 与 PATty 转发服务(默认关闭)

下载地址

Modeling Labs 2.9.0 free-tier version (允许没有许可证的情况下启动多达 5 个节点)

Images File Information Release Date Size
Cisco Modeling Labs 2.9.0 server. This image is for bare metal deployment. For VMware Installation use the (.ova) VMWare Installation Image found of Software Center. cml2_f_2.9.0-3_amd64-3-iso.zip 18-Jul-2025 3377.84 MB
Cisco Modeling Labs 2.9.0 server (upgrade). Use this file for an in-place upgrade of an existing CML server. See the CML 2.9 Release Notes for details on which CML releases are compatible with this upgrade package. cml2_f_2.9.0-3_amd64-3-pkg.zip 18-Jul-2025 143.96 MB
Cisco Modeling Labs 2.9.0 server. This image is for deployment on VMware. Supported Hypervisors can be found in the CML Installation Guide. For Bare Metal Installation use the bare metal (.iso) installation file found in software center. cml2_f_2.9.0-3_amd64-3.ova 18-Jul-2025 1333.04 MB
Cisco Modeling Labs reference platform ISO file (June 2025). This file is a required file for users who are not migrating from an existing installation. refplat-20250616-free-iso.zip 18-Jul-2025 2657.35 MB

更多:Cisco 产品下载链接汇总

目录
相关文章
|
16天前
|
机器学习/深度学习 数据采集 传感器
具有多种最大功率点跟踪(MPPT)方法的光伏发电系统(P&O-增量法-人工神经网络-模糊逻辑控制-粒子群优化)之使用粒子群算法的最大功率点追踪(MPPT)(Simulink仿真实现)
具有多种最大功率点跟踪(MPPT)方法的光伏发电系统(P&O-增量法-人工神经网络-模糊逻辑控制-粒子群优化)之使用粒子群算法的最大功率点追踪(MPPT)(Simulink仿真实现)
|
3月前
|
机器学习/深度学习 算法 数据挖掘
基于WOA鲸鱼优化的BiLSTM双向长短期记忆网络序列预测算法matlab仿真,对比BiLSTM和LSTM
本项目基于MATLAB 2022a/2024b实现,采用WOA优化的BiLSTM算法进行序列预测。核心代码包含完整中文注释与操作视频,展示从参数优化到模型训练、预测的全流程。BiLSTM通过前向与后向LSTM结合,有效捕捉序列前后文信息,解决传统RNN梯度消失问题。WOA优化超参数(如学习率、隐藏层神经元数),提升模型性能,避免局部最优解。附有运行效果图预览,最终输出预测值与实际值对比,RMSE评估精度。适合研究时序数据分析与深度学习优化的开发者参考。
|
3月前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于GA遗传优化的BiLSTM双向长短期记忆网络序列预测算法matlab仿真,对比BiLSTM和LSTM
本内容包含基于BiLSTM与遗传算法(GA)的算法介绍及实现。算法通过MATLAB2022a/2024b运行,核心为优化BiLSTM超参数(如学习率、神经元数量),提升预测性能。LSTM解决传统RNN梯度问题,捕捉长期依赖;BiLSTM双向处理序列,融合前文后文信息,适合全局信息任务。附完整代码(含注释)、操作视频及无水印运行效果预览,适用于股票预测等场景,精度优于单向LSTM。
|
4月前
|
算法 JavaScript 数据安全/隐私保护
基于GA遗传优化的最优阈值计算认知异构网络(CHN)能量检测算法matlab仿真
本内容介绍了一种基于GA遗传优化的阈值计算方法在认知异构网络(CHN)中的应用。通过Matlab2022a实现算法,完整代码含中文注释与操作视频。能量检测算法用于感知主用户信号,其性能依赖检测阈值。传统固定阈值方法易受噪声影响,而GA算法通过模拟生物进化,在复杂环境中自动优化阈值,提高频谱感知准确性,增强CHN的通信效率与资源利用率。预览效果无水印,核心程序部分展示,适合研究频谱感知与优化算法的学者参考。
|
3月前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于PSO粒子群优化TCN-LSTM时间卷积神经网络时间序列预测算法matlab仿真
本内容展示了一种基于粒子群优化(PSO)与时间卷积神经网络(TCN)的时间序列预测方法。通过 MATLAB2022a 实现,完整程序运行无水印,核心代码附详细中文注释及操作视频。算法利用 PSO 优化 TCN 的超参数(如卷积核大小、层数等),提升非线性时间序列预测性能。TCN 结构包含因果卷积层与残差连接,结合 LSTM 构建混合模型,经多次迭代选择最优超参数,最终实现更准确可靠的预测效果,适用于金融、气象等领域。
|
11天前
|
算法 安全 网络安全
【多智能体系统】遭受DoS攻击的网络物理多智能体系统的弹性模型预测控制MPC研究(Simulink仿真实现)
【多智能体系统】遭受DoS攻击的网络物理多智能体系统的弹性模型预测控制MPC研究(Simulink仿真实现)
|
15天前
|
网络协议 Python
水声网络(UAN)仿真的信道建模(Matlab代码实现)
水声网络(UAN)仿真的信道建模(Matlab代码实现)
|
29天前
|
机器学习/深度学习 算法 数据库
基于GoogleNet深度学习网络和GEI步态能量提取的步态识别算法matlab仿真,数据库采用CASIA库
本项目基于GoogleNet深度学习网络与GEI步态能量图提取技术,实现高精度步态识别。采用CASI库训练模型,结合Inception模块多尺度特征提取与GEI图像能量整合,提升识别稳定性与准确率,适用于智能安防、身份验证等领域。
|
3月前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于PSO粒子群优化的BiLSTM双向长短期记忆网络序列预测算法matlab仿真,对比BiLSTM和LSTM
本项目基于MATLAB2022a/2024b开发,结合粒子群优化(PSO)算法与双向长短期记忆网络(BiLSTM),用于优化序列预测任务中的模型参数。核心代码包含详细中文注释及操作视频,涵盖遗传算法优化过程、BiLSTM网络构建、训练及预测分析。通过PSO优化BiLSTM的超参数(如学习率、隐藏层神经元数等),显著提升模型捕捉长期依赖关系和上下文信息的能力,适用于气象、交通流量等场景。附有运行效果图预览,展示适应度值、RMSE变化及预测结果对比,验证方法有效性。
|
3月前
|
机器学习/深度学习 算法
基于遗传优化ELM网络的时间序列预测算法matlab仿真
本项目实现了一种基于遗传算法优化的极限学习机(GA-ELM)网络时间序列预测方法。通过对比传统ELM与GA-ELM,验证了参数优化对非线性时间序列预测精度的提升效果。核心程序利用MATLAB 2022A完成,采用遗传算法全局搜索最优权重与偏置,结合ELM快速训练特性,显著提高模型稳定性与准确性。实验结果展示了GA-ELM在复杂数据中的优越表现,误差明显降低。此方法适用于金融、气象等领域的时间序列预测任务。

热门文章

最新文章