计算机网络结构笔记

简介: DTE类设备:"DataTerminalEquipment(数据终端设备)"的首字母缩略词。DTE提供或接收数据。联接到调制解调器上的计算机就是一种DTE。 如:PC、路由器、交换机uplink口、HUB级联口  DCE类设备:CE是数据通信设备,如MODEM,连接DTE设备的通信设备。

DTE类设备:"DataTerminalEquipment(数据终端设备)"的首字母缩略词。DTE提供或接收数据。联接到调制解调器上的计算机就是一种DTE。 如:PC、路由器、交换机uplink口、HUB级联口 

DCE类设备:CE是数据通信设备,如MODEM,连接DTE设备的通信设备。(一般广域网常用DCE设备有:CSU/DSU,广域网交换机,MODEM)

  DTE,DCE的含义和判断方法

  DTE是数据终端设备,如终端,是广义的概念,PC也可以是终端。(一般广域网常用DTE设备有:路由器,终端主机)


同类设备间相连使用交叉线方式;异类设备间相连使用直通线方式。

双绞线分为直通线,交叉线和反转线:


直通线:两头都是A类或B类

交叉线:一头A类一头B类

反转线:一头A类另一头把A类线的线序反过来


如使用直连线的情况:router-switch,switch-pc等!

交叉线:router-router,pc-pc,swithch-switch等!   


譬如现在市场上很多交换机就具有端口MDI/MDI-X自动识别功能。这种交换机和其他任何类型的交换机或hub互连,就可以用直通线或交叉线!而不是一定要用交叉线! (我们宿舍的两个交换机相连就是都用的直通线

    网线的两种标准:

      EIA/TIA 568A标准:

      网线的排序:绿白 绿 橙白 蓝 蓝白 橙 棕白 棕

      EIA/TIA 568B标准:

      网线的排序:橙白 橙 绿白 蓝 蓝白 绿 棕白 棕

(A和B标准的不同就是绿色跟橙色交换)


    直连线的两头,要么都是EIA/TIA 568A标准,要么都是EIA/TIA 568B标准,即两头的排序是一样的。

      交叉线的两头,一头是EIA/TIA 568A标准,另外一头是EIA/TIA 568B标准,EIA/TIA 568B标准和EIA/TIA 568A标准的差别就是8根网线中的1和3、2和6互换一下。

      反转线的两头,一头可以是EIA/TIA 568A标准,或者EIA/TIA 568B标准,另外一头要按照相反的方向,比如EIA/TIA 568A标准的线的排序是:绿白 绿 橙白 蓝 蓝白 橙 棕白 棕,那么另外一头线的排序应该是棕 棕白 橙 蓝白 蓝 橙白 绿 绿白。

为了提醒大家,特意再次列出电缆的常见用途:

直通电缆用于连接:

交换机到路由器

计算机到交换机

计算机到集线器

交叉电缆用于连接:

交换机到交换机

交换机到集线器

集线器到集线器

路由器到路由器

计算机到计算机

计算机到路由器



相关文章
|
27天前
|
Linux 开发工具 Android开发
FFmpeg开发笔记(六十)使用国产的ijkplayer播放器观看网络视频
ijkplayer是由Bilibili基于FFmpeg3.4研发并开源的播放器,适用于Android和iOS,支持本地视频及网络流媒体播放。本文详细介绍如何在新版Android Studio中导入并使用ijkplayer库,包括Gradle版本及配置更新、导入编译好的so文件以及添加直播链接播放代码等步骤,帮助开发者顺利进行App调试与开发。更多FFmpeg开发知识可参考《FFmpeg开发实战:从零基础到短视频上线》。
102 2
FFmpeg开发笔记(六十)使用国产的ijkplayer播放器观看网络视频
|
1月前
|
机器学习/深度学习 数据可视化 计算机视觉
目标检测笔记(五):详细介绍并实现可视化深度学习中每层特征层的网络训练情况
这篇文章详细介绍了如何通过可视化深度学习中每层特征层来理解网络的内部运作,并使用ResNet系列网络作为例子,展示了如何在训练过程中加入代码来绘制和保存特征图。
57 1
目标检测笔记(五):详细介绍并实现可视化深度学习中每层特征层的网络训练情况
|
1月前
|
机器学习/深度学习 数据可视化 Windows
深度学习笔记(七):如何用Mxnet来将神经网络可视化
这篇文章介绍了如何使用Mxnet框架来实现神经网络的可视化,包括环境依赖的安装、具体的代码实现以及运行结果的展示。
50 0
|
1月前
|
机器学习/深度学习 编解码 算法
轻量级网络论文精度笔记(三):《Searching for MobileNetV3》
MobileNetV3是谷歌为移动设备优化的神经网络模型,通过神经架构搜索和新设计计算块提升效率和精度。它引入了h-swish激活函数和高效的分割解码器LR-ASPP,实现了移动端分类、检测和分割的最新SOTA成果。大模型在ImageNet分类上比MobileNetV2更准确,延迟降低20%;小模型准确度提升,延迟相当。
56 1
轻量级网络论文精度笔记(三):《Searching for MobileNetV3》
|
1月前
|
机器学习/深度学习 网络架构 计算机视觉
目标检测笔记(一):不同模型的网络架构介绍和代码
这篇文章介绍了ShuffleNetV2网络架构及其代码实现,包括模型结构、代码细节和不同版本的模型。ShuffleNetV2是一个高效的卷积神经网络,适用于深度学习中的目标检测任务。
70 1
目标检测笔记(一):不同模型的网络架构介绍和代码
|
1月前
|
XML 开发工具 Android开发
FFmpeg开发笔记(五十六)使用Media3的Exoplayer播放网络视频
ExoPlayer最初是为了解决Android早期MediaPlayer控件对网络视频兼容性差的问题而推出的。现在,Android官方已将其升级并纳入Jetpack的Media3库,使其成为音视频操作的统一引擎。新版ExoPlayer支持多种协议,解决了设备和系统碎片化问题,可在整个Android生态中一致运行。通过修改`build.gradle`文件、布局文件及Activity代码,并添加必要的权限,即可集成并使用ExoPlayer进行网络视频播放。具体步骤包括引入依赖库、配置播放界面、编写播放逻辑以及添加互联网访问权限。
131 1
FFmpeg开发笔记(五十六)使用Media3的Exoplayer播放网络视频
|
24天前
|
机器学习/深度学习 计算机视觉 网络架构
【YOLO11改进 - C3k2融合】C3k2融合YOLO-MS的MSBlock : 分层特征融合策略,轻量化网络结构
【YOLO11改进 - C3k2融合】C3k2融合YOLO-MS的MSBlock : 分层特征融合策略,轻量化网络结构
|
1月前
|
机器学习/深度学习 数据采集 算法
目标分类笔记(一): 利用包含多个网络多种训练策略的框架来完成多目标分类任务(从数据准备到训练测试部署的完整流程)
这篇博客文章介绍了如何使用包含多个网络和多种训练策略的框架来完成多目标分类任务,涵盖了从数据准备到训练、测试和部署的完整流程,并提供了相关代码和配置文件。
47 0
目标分类笔记(一): 利用包含多个网络多种训练策略的框架来完成多目标分类任务(从数据准备到训练测试部署的完整流程)
|
1月前
|
编解码 人工智能 文件存储
轻量级网络论文精度笔记(二):《YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object ..》
YOLOv7是一种新的实时目标检测器,通过引入可训练的免费技术包和优化的网络架构,显著提高了检测精度,同时减少了参数和计算量。该研究还提出了新的模型重参数化和标签分配策略,有效提升了模型性能。实验结果显示,YOLOv7在速度和准确性上超越了其他目标检测器。
47 0
轻量级网络论文精度笔记(二):《YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object ..》
|
1月前
|
机器学习/深度学习 Python
深度学习笔记(九):神经网络剪枝(Neural Network Pruning)详细介绍
神经网络剪枝是一种通过移除不重要的权重来减小模型大小并提高效率的技术,同时尽量保持模型性能。
49 0
深度学习笔记(九):神经网络剪枝(Neural Network Pruning)详细介绍