堆叠技术

简介: 1、大型园区网因为其网络规模巨大,网络管理员在考虑网络可靠性的时候,通常都是采用冗余设备、 冗余链路、相关L3/L2层技术保证,增加了管理成本与配置的复杂度。2、堆叠技术是在以太网交换机上扩展端口使用较多的另一类技术,是一种非标准化技术。各个厂商之间不支持混合堆叠,堆叠模式为各厂商制定,不支持拓扑结构。流行的堆叠模式主要有两种:链型模式和星型模式。堆叠技术的最大的优点就是提供简化的本地管理,将一组交换机作为一个对象来管理。在VSS系统中,主设备的控制平面与数据平面都是可用的,而备设备中只有其数据平面是可用的,而控制平面是不可用的快速收敛是VSS集群的另一大优势思科设备上可以使用pagp协

1、大型园区网因为其网络规模巨大,网络管理员在考虑网络可靠性的时候,通常都是采用冗余设备、 冗余链路、相关L3/L2层技术保证,增加了管理成本与配置的复杂度。

2、堆叠技术是在以太网交换机上扩展端口使用较多的另一类技术,是一种非标准化技术。各个厂商之间不支持混合堆叠,堆叠模式为各厂商制定,不支持拓扑结构。流行的堆叠模式主要有两种:链型模式和星型模式。堆叠技术的最大的优点就是提供简化的本地管理,将一组交换机作为一个对象来管理。

微信图片_20220524175500.png


  1. 微信图片_20220524175503.png

  2. 微信图片_20220524175506.png
  3. 微信图片_20220524175510.png微信图片_20220524175513.png微信图片_20220524175517.png微信图片_20220524175520.png微信图片_20220524175558.png
  4. 在VSS系统中,主设备的控制平面与数据平面都是可用的,而备设备中只有其数据平面是可用的,而控制平面是不可用的
  5. 微信图片_20220524175603.png
  6. 快速收敛是VSS集群的另一大优势
  7. 思科设备上可以使用pagp协议和bfd来进行快速的检测,进行毫秒级的检测
  8. 微信图片_20220524175607.png微信图片_20220524175609.png微信图片_20220524175612.png微信图片_20220524175615.png微信图片_20220524175618.png微信图片_20220524175621.png微信图片_20220524175623.png微信图片_20220524175626.png微信图片_20220524175632.png微信图片_20220524175636.png微信图片_20220524175639.png微信图片_20220524175643.png微信图片_20220524175646.png微信图片_20220524175649.png微信图片_20220524175651.png

  9. 接入层有时需要部署大量的交换机,也不方便管理
  10. 微信图片_20220524175653.png微信图片_20220524175656.png微信图片_20220524175707.png微信图片_20220524175709.png微信图片_20220524175713.png微信图片_20220524175716.png微信图片_20220524175719.png微信图片_20220524175722.png微信图片_20220524175731.png微信图片_20220524175736.png微信图片_20220524175739.png微信图片_20220524175745.png微信图片_20220524175748.png微信图片_20220524175751.png微信图片_20220524175754.png微信图片_20220524175757.png微信图片_20220524175800.png微信图片_20220524175803.png微信图片_20220524175807.png



相关文章
|
机器学习/深度学习 传感器 编解码
一文详解视觉Transformer在CV中的现状、趋势和未来方向(分类/检测/分割/多传感器融合)(中)
本综述根据三个基本的CV任务和不同的数据流类型,全面调查了100多种不同的视觉Transformer,并提出了一种分类法,根据其动机、结构和应用场景来组织代表性方法。由于它们在训练设置和专用视觉任务上的差异,论文还评估并比较了不同配置下的所有现有视觉Transformer。此外,论文还揭示了一系列重要但尚未开发的方面,这些方面可能使此类视觉Transformer能够从众多架构中脱颖而出,例如,松散的高级语义嵌入,以弥合视觉Transformer与序列式之间的差距。最后,提出了未来有前景的研究方向。
一文详解视觉Transformer在CV中的现状、趋势和未来方向(分类/检测/分割/多传感器融合)(中)
|
机器学习/深度学习 人工智能 数据可视化
ShuffleNet:极致轻量化卷积神经网络(分组卷积+通道重排)
我们引入了一个高效计算的CNN结构名字叫做shuffleNet,这个结构被设计用来解决部署算力非常有限的移动设备问题,这个新的结构使用了两个新的操作,pointwise group convolution 和 channel shuffle能够在极大减少计算量的同时保持一定的精度。我们在ImageNet classification和MS COCO目标检测数据集上做实验论证了ShuffleNet和其他的结构相比有着很好的性能。比如,相比于mobilenet,shufflenet在ImageNet 分类任务上有着更低的top-1错误率(错误率是7.8%)需要的计算量为40MFLOPs。在一个AR
788 0
ShuffleNet:极致轻量化卷积神经网络(分组卷积+通道重排)
|
13天前
|
机器学习/深度学习 存储 编解码
【我的方向】轻量化小目标检测
【我的方向】轻量化小目标检测
|
5月前
|
存储 测试技术 虚拟化
网络之路27:IRF设备堆叠
网络之路27:IRF设备堆叠
|
12月前
|
编解码 人工智能 定位技术
联合NeRF与特征网格,实现超大规模城市渲染,高效且逼真
联合NeRF与特征网格,实现超大规模城市渲染,高效且逼真
134 0
|
12月前
|
机器学习/深度学习 编解码 数据可视化
深度学习基础入门篇9.1:卷积之标准卷积:卷积核/特征图/卷积计算、填充、感受视野、多通道输入输出、卷积优势和应用案例讲解
深度学习基础入门篇9.1:卷积之标准卷积:卷积核/特征图/卷积计算、填充、感受视野、多通道输入输出、卷积优势和应用案例讲解
深度学习基础入门篇9.1:卷积之标准卷积:卷积核/特征图/卷积计算、填充、感受视野、多通道输入输出、卷积优势和应用案例讲解
|
12月前
|
机器学习/深度学习 Java 异构计算
【即插即用】分类、检测、分割等均有效的新型卷积模块(Tied卷积,即将开源)(一)
【即插即用】分类、检测、分割等均有效的新型卷积模块(Tied卷积,即将开源)(一)
373 0
|
12月前
|
机器学习/深度学习 数据可视化 计算机视觉
【即插即用】分类、检测、分割等均有效的新型卷积模块(Tied卷积,即将开源)(二)
【即插即用】分类、检测、分割等均有效的新型卷积模块(Tied卷积,即将开源)(二)
117 0
|
12月前
|
机器学习/深度学习 编解码 算法
CVPR‘2023 即插即用系列! | BiFormer: 通过双向路由注意力构建高效金字塔网络架构
CVPR‘2023 即插即用系列! | BiFormer: 通过双向路由注意力构建高效金字塔网络架构
764 0
|
机器学习/深度学习 传感器 编解码
一文详解视觉Transformer在CV中的现状、趋势和未来方向(分类/检测/分割/多传感器融合)(下)
本综述根据三个基本的CV任务和不同的数据流类型,全面调查了100多种不同的视觉Transformer,并提出了一种分类法,根据其动机、结构和应用场景来组织代表性方法。由于它们在训练设置和专用视觉任务上的差异,论文还评估并比较了不同配置下的所有现有视觉Transformer。此外,论文还揭示了一系列重要但尚未开发的方面,这些方面可能使此类视觉Transformer能够从众多架构中脱颖而出,例如,松散的高级语义嵌入,以弥合视觉Transformer与序列式之间的差距。最后,提出了未来有前景的研究方向。
一文详解视觉Transformer在CV中的现状、趋势和未来方向(分类/检测/分割/多传感器融合)(下)