例解EIGRP DUAL网络收敛原理

简介:

以下内容摘自正在全面热销的最新网络设备图书“豪华四件套”之一《Cisco路由器配置与管理完全手册》(第二版(其余三本分别是:《Cisco交换机配置与管理完全手册》(第二版《H3C交换机配置与管理完全手册》(第二版 和《H3C路由器配置与管理完全手册》(第二版 )。目前在京东网、当当网、卓越网、互动出版网等书店全面热销中,购买该套装将直减30元http://book.dangdang.com/20130730_aifehttp://item.jd.com/11299332.html

EIGRP是一个平衡混合型路由协议,既有像RIP那样的距离矢量路由协议的特点:有路由跳数的限制,路由信息依靠邻居路由器通告,遵守路由水平分割和反向毒化水平分割规则,路由自动汇总;又有像OSPF那样的链路状态路由协议的特点:当路由信息发生变化时,采用增量更新的方式,保留对网络拓扑信息、同时采用距离矢量和链路状态两种算法来计算路由开销。同时,该协议又具有自己独特的特点:支持非对等开销路由上的负载均衡,采用DUAL算法在确保无路由环路的前提下,收敛迅速。因而适用于中大型网络。但前面提到的IGRP是是距离矢量路由协议。

EIGRP采用的是DUAL(Diffusing Update Algorithm,扩散更新算法)。这个算法可以确保在极短时间内无环路计算出路由结果,并且允许所有与拓扑改变相关的设备在同一时间进行同步更新。不受拓扑结构改变的路由器不会进行重新计算。这种收敛效率要远比其他已存的路由协议要高。


11.1.6 DUAL算法网络收敛原理解析示例二

本节再以一个稍微复杂的EIGRP网络收敛为例介绍UDAL的工作原理。本示例拓扑结构如图11-8的左图所示,其中Router C、Router D和Router E是当前处于收敛状态时的拓扑表。

144313610.jpg

图11-8 DUAL网络收敛原理解析示例二拓扑结构及拓扑表

从图中的拓扑表中可以看出,Router C、Router D和Router E这三台路由器至少有一个通告度量(AD)小于它们自己的有限距离(FD)的有效路由到达Router A所连接的网络(a)。其中标注为“Successor”的为当前Successor,标注为“fs”为可行后续。从中可以看出,这三台路由器中仅Router C有一个备份用的FS,即Router D,其它两个路由器均只有一个正在使用的Successor,如图11-9所示。

144334500.jpg

图11-9 收敛状态时的三台路由器上到达目的网络的Successor和FS

此时,Router C标识通过Router B的路由作为当前使用的路由,因为这条路由的AD=1,小于Router C上到达网络(a)的FD值3。Router C同时也标识通过Router D的路由作为备份使用的FS路由,因为这条路由的AD=2,小于Router C上到达网络(a)的FD值3。但是通过Router E的路由不能作为FS路由,因为这条路由的AD=3,与Router C上到达网络(a)的FD值3相等,不符合成为FS的条件。

Router D标识通过Router B的路由作为当前使用的路由,因为这条路由的AD=1,小于Router D上到达网络(a)的FD值2。但在Router D中,通过Router C的路由也不能作为FS路由,因为这条路由的AD=3,大于Router D上到达网络(a)的FD值2,不符合成为FS的条件。

Router E标识通过Router D的路由作为当前使用的路由,因为这条路由的AD=2,小于Router E上到达网络(a)的FD值3。但在Router E中,通过Router C的路由也不能作为FS路由,因为这条路由的AD=3,等于Router E上到达网络(a)的FD值3,不符合成为FS的条件。

现假设Router D与Router B之间的链路断了。从前面的Router D拓扑表可以知道,它原来只有Router B这一个Successor,没有其它FS,所以Router D需要使用DUAL计算新的路由到达网络(a)。同时从拓扑表中删除通过Router B到达网络(a)的拓扑表项,如图11-10所示。

144351977.jpg

图11-10 断开Router D与Router B之间的链后,Router D删除通过Router B的拓扑表项

此时Router D因为没有可到达网络(a)的可行路径了,所以成为活跃状态(Active),开始向它的其它两个邻居路由器Router C和Router E发送查询包,声明自己没有到达网络(a)的FS了,问它们是否有可替代的路径。当Router E收到这个来自同时为自己的Successor的Router D的查询包后,从自己的拓扑表中删除通过Router D到达网络(a)所对应的拓扑表项。如图11-11所示。

10659021_1379810303CBb6.jpg

图11-11 Router D成为活跃状态,Router E删除通过Router D的拓扑表项

因为此时Router E已再也没有其它路径到达网络(a)了,所以Router E也转换为活跃状态。而当Router C收来这个来自为自己FS的Router D的查询包后,从自己的拓扑表中删除通过Router D到达网络(a)所对应的拓扑表项。但是它不会转换为活跃状态,因为它此时仍有SuccessorRouter B可以到达网络(a)。然后,Router C对Router D的查询进行响应,告诉Router D它还有一条有效的路径到达网络(a)。但此时Router E也为活跃状态了,所以它在收到来自Router D的查询包后仅转发到Router C,询问是否有替代路径到达网络(a)。如图11-12所示。

10659021_13798103151vzg.jpg

图11-12 Router E成为活跃状态,Router C删除通过Router D的拓扑表项

Router D在收到Router C发来的应答包后,在自己的拓扑表中添加Router C的拓扑表项,同时标识Router C为Successor。与此同时,Router C会对Router E发来的查询包进行响应,同样告诉它有一条路径可以达到网络(a)。这样Router E也会把Router C作为Successor,并向Router D应答,此时的从原来的3改变成了4。如图11-13所示。

10659021_1379810328f0S0.jpg

图11-13 Router D添加通过Router C和Router E的拓扑表项,Router E添加通过Router C的拓扑表项

当Router D收到Router E发来的应答后(一直要等到收到所有邻居路由器发来的应答),更新拓扑表。此时它有两条可行的路径到达网络(a),一条是以Router C为当前Successor的路径,另一条是以Router E为FS的备用路径。此时的从原来的2改变成了5。如图11-14所示。

10659021_1379810365C3RR.jpg

图11-14 网络重新收敛后的拓扑结构和拓扑表

本文转自王达博客51CTO博客,原文链接http://blog.51cto.com/winda/1299912如需转载请自行联系原作者

茶乡浪子
相关文章
|
8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。
|
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。
809 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
|
8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
|
9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。
770 11
|
9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。
1568 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
|
9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。
1260 0
|
11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。
588 7
|
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。
341 35
|
机器学习/深度学习 算法 测试技术
图神经网络在信息检索重排序中的应用:原理、架构与Python代码解析
本文探讨了基于图的重排序方法在信息检索领域的应用与前景。传统两阶段检索架构中,初始检索速度快但结果可能含噪声,重排序阶段通过强大语言模型提升精度,但仍面临复杂需求挑战
462 0
图神经网络在信息检索重排序中的应用:原理、架构与Python代码解析
|
机器学习/深度学习 数据可视化 PyTorch
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。
919 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