33、重分布配置实验之Default Seed Metric及重分布总结

简介:

1、重分布默认Default Seed Metric值

Protocol Default Seed Metric
RIP infinity(无限)
EIGRP infinity(无限)
OSPF 20 for all except BGP,which is 1
BGP BGP metric is set to IGP metric value

重分布进RIP,重分布static、connected时Default Seed Metrics都为1。

重分布进OSPF,重分布static时只能重分布静态路由,不能重分布默认路由。


2、重分布总结

在路由器上将A路由协议重分布进B路由协议,会将路由器上所有运行A路由协议的接口(除ISIS/ODR),以及所有学习到的A路由协议路由重分布进B路由协议中。

wKioL1ZhCaKATOHxAABKhJ9TWLA060.png


R1配置

interface Serial0/0

 ip address 12.1.1.1 255.255.255.0

interface Serial0/1

 ip address 13.1.1.1 255.255.255.0

interface Serial0/2

 ip address 14.1.1.1 255.255.255.0

router eigrp 90

 redistribute ospf 110 metric 1500 100 255 1 1500

 network 14.1.1.0 0.0.0.255

 no auto-summary

router ospf 110

 router-id 1.1.1.1

 log-adjacency-changes

 redistribute rip subnets

 network 13.1.1.0 0.0.0.255 area 0

router rip

 version 2

 network 12.0.0.0

 no auto-summary


R2配置

interface Loopback0

 ip address 2.2.2.2 255.255.255.0

interface Serial0/0

 ip address 12.1.1.2 255.255.255.0

router rip

 version 2

 network 2.0.0.0

 network 12.0.0.0

 no auto-summary


R3配置

interface Loopback0

 ip address 3.3.3.3 255.255.255.0

interface Serial0/0

 ip address 13.1.1.3 255.255.255.0

router ospf 110

 router-id 3.3.3.3

 log-adjacency-changes

 network 3.3.3.0 0.0.0.255 area 0

 network 13.1.1.0 0.0.0.255 area 0


R4配置

interface Loopback0

 ip address 4.4.4.4 255.255.255.0

interface Serial0/0

 ip address 14.1.1.4 255.255.255.0

router eigrp 90

 network 4.4.4.0 0.0.0.255

 network 14.1.1.0 0.0.0.255

 no auto-summary


wKioL1ZhDrCzuHN6AABUn-tWVEk551.png

wKiom1ZhDkeCP4zjAABHRlH4n4o771.png






      本文转自开源殿堂 51CTO博客,原文链接:http://blog.51cto.com/kaiyuandiantang/1719485,如需转载请自行联系原作者




相关文章
差异基因分析:fold change(差异倍数), P-value(差异的显著性)
差异基因分析:fold change(差异倍数), P-value(差异的显著性)
2335 0
差异基因分析:fold change(差异倍数), P-value(差异的显著性)
|
2月前
|
Python
Fama-French模型,特别是三因子模型(Fama-French Three-Factor Model)
Fama-French模型,特别是三因子模型(Fama-French Three-Factor Model)
|
机器学习/深度学习 PyTorch Serverless
假设测试数据集test_data为随机生成的,并设置小批次。model神经网络已经训练好了,怎么用MSE来做测试
其中,model表示已经训练好的PyTorch模型,torch.rand()函数用于生成测试数据集,torch.split()函数用于将测试数据集分成小批次,model(batch)用于对小批次的输入数据进行预测,torch.cat()函数用于将所有小批次的预测值拼接在一起,最后使用mean_squared_error()函数计算均方误差。注意,在计算均方误差之前,需要将测试数据集和预测值转换为NumPy数组并将它们从GPU中移动到CPU上。
148 0
|
算法 测试技术 分布式数据库
ES本地分片逆文档频率评分策略(Shard Local IDF)导致的评分异常原理解析
ES本地分片逆文档频率评分策略(Shard Local IDF)导致的评分异常原理解析
ES本地分片逆文档频率评分策略(Shard Local IDF)导致的评分异常原理解析
|
vr&ar 计算机视觉
目标检测中的评估指标:PR曲线、AP、mAP
目标检测中的评估指标:PR曲线、AP、mAP
1078 0
目标检测中的评估指标:PR曲线、AP、mAP
|
存储 JSON 自然语言处理
multi-class分类模型评估指标的定义、原理及其Python实现
本文介绍multi-class分类任务中的模型评估指标及其使用Python的实现方式(包括使用sklearn进行实现,以及使用原生Python函数进行实现的操作)。 本文使用的示例是在英文多标签文本分类数据集AAPD数据集上,使用fastText包运算得到的多标签分类结果,与真实标签之间计算对应的指标结果(原则上使用one-label标签应该也能这么算,我就不另写了)。本文第一节将介绍相应数据的处理方式,第二节及其后是各指标的原理和计算方式。
multi-class分类模型评估指标的定义、原理及其Python实现
|
机器学习/深度学习 算法 关系型数据库
Julia:Flux.jl 中的网络更新优化器参数解释
Julia 是一个十分年轻的语言,通过预编译的方式能够将速度提高很多,有 C++ 的速度,解释性语言的特性,十分适合做数学分析和科学计算的工作。Flux.jl 是 Julia 用于做机器学习和深度学习的工具,这篇文章对文档中的不同优化器做一个翻译和总结,供参考。
208 0
(0)global_step学习率衰减用法
主要是用在梯度下降中的学习率问题上,设置学习率的大小, 是在精度和速度之间找到一个平衡:
134 0
|
Prometheus Cloud Native Go
Linkerd 2.10(Step by Step)—获取每条路由指标
Linkerd 2.10(Step by Step)—获取每条路由指标
107 0