反掩码详解

简介:
在配置路由协议的时候(如OSPF、EIGRP )使用的反掩码必需是连续的1即网络地址。 
例: route ospf 100 network 192.168.1.0 0.0.0.255 network 192.168.2.0 0.0.0.255 
而在配置ACL的时候可以使用不连续的1,只需对应的位置匹配即可。 
例:access-list 1 permit 198.78.46.0 0.0.11.255


正掩码和反掩码的区别:正掩码必须是连续的,而反掩码可以不连续,例如:C类地址子网掩码中不可以出现255.253.255.0(二进制为11111111 11111101 11111111 00000000)这样的掩码;

而反掩码可以出现0.0.0.2(二进制为00000000 00000000 00000000 00000010)。

正掩码表示的路由条目,而反掩码表示的范围。

 

反掩码就是通配符掩码,通过标记0和1告诉设备应该匹配到哪位。
在反掩码中,相应位为1的地址在比较中忽略,为0的必须被检查. 
IP地址与反掩码都是32位的数 
例如掩码是
255.255.255.0wildcard-mask  就是0.0.0.255
255.255.255.248反掩就是0.0.0.7


通配符掩码(wildcard-mask)


  路由器使用的通配符掩码(或反掩码)与源或目标地址一起来分辨匹配的地址范围,它跟子网掩码刚好相反。它像子网掩码告诉路由器
IP地址 的哪一位属于 网络号 一样,通配符掩码告诉路由器为了判断出匹配,它需要检查IP地址中的多少位。这个地址掩码对使我们可以只使用两个32位的号码来确定IP地址的范围。这是十分方便的,因为如果没有掩码的话,你不得不对每个匹配的IP客户地址加入一个单独的访问列表语句。这将造成很多额外的输入和路由器大量额外的处理过程。所以地址掩码对相当有用。 


  在子网掩码中,将掩码的一位设成1表示IP地址对应的位属于网络地址部分。相反,在访问列表中将通配符掩码中的一位设成1表示I P地址中对应的位既可以是1又可以是0。有时,可将其称作“无关”位,因为路由器在判断是否匹配时并不关心它们。掩码位设成0则表示IP地址中相对应的位必须精确匹配。 









本文转自 qq8658868 51CTO博客,原文链接:http://blog.51cto.com/hujizhou/1219349,如需转载请自行联系原作者
目录
相关文章
|
28天前
|
机器学习/深度学习 自然语言处理
掩码语言模型(MLM)
掩码语言模型(MLM)
|
5月前
|
机器学习/深度学习 数据采集 自然语言处理
注意力机制中三种掩码技术详解和Pytorch实现
**注意力机制中的掩码在深度学习中至关重要,如Transformer模型所用。掩码类型包括:填充掩码(忽略填充数据)、序列掩码(控制信息流)和前瞻掩码(自回归模型防止窥视未来信息)。通过创建不同掩码,如上三角矩阵,模型能正确处理变长序列并保持序列依赖性。在注意力计算中,掩码修改得分,确保模型学习的有效性。这些技术在现代NLP和序列任务中是核心组件。**
224 12
|
7月前
|
机器学习/深度学习 测试技术 网络架构
YOLOv8改进 | 主干篇 | ConvNeXtV2全卷积掩码自编码器网络
YOLOv8改进 | 主干篇 | ConvNeXtV2全卷积掩码自编码器网络
297 1
YOLOv8改进 | 主干篇 | ConvNeXtV2全卷积掩码自编码器网络
2022-12-15-Fastdds回调掩码
2022-12-15-Fastdds回调掩码
61 0
|
7月前
|
机器学习/深度学习 测试技术 网络架构
YOLOv5改进 | 主干篇 | ConvNeXtV2全卷积掩码自编码器网络
YOLOv5改进 | 主干篇 | ConvNeXtV2全卷积掩码自编码器网络
277 0
|
7月前
|
机器学习/深度学习 测试技术 网络架构
YOLOv8改进主干 -> ConvNeXtV2全卷积掩码自编码器网络
YOLOv8改进主干 -> ConvNeXtV2全卷积掩码自编码器网络
160 0
|
机器学习/深度学习 Serverless Python
​注意力机制中的掩码详解
注意力机制的掩码允许我们发送不同长度的批次数据一次性的发送到transformer中。在代码中是通过将所有序列填充到相同的长度,然后使用“attention_mask”张量来识别哪些令牌是填充的来做到这一点,本文将详细介绍这个掩码的原理和机制。
354 0
|
机器学习/深度学习 PyTorch 算法框架/工具
pytorch的lstm掩码实现
pytorch的lstm掩码实现
175 0
|
存储 机器学习/深度学习 数据可视化
使用多类掩码区域的卷积神经网络对人和汽车的各个实例进行分段
使用多类掩码区域的卷积神经网络对人和汽车的各个实例进行分段。
92 0
|
机器学习/深度学习 编解码 数据可视化
使用Grad-CAM探索语义分割网络
使用 Grad-CAM 探索预训练语义分割网络的预测。
735 0