网络模型

计算机网络 --OSI七层模型 一）、OSI的定义 OSI: open system interConnection, 开放式系统互联。 结构： 物理层、数据链路层、网络层、传输层、会话层、 表示层 、应用层。（自下 而上） 现在我来说一个各个层的作用---。 二）、物理层 作用：用于传输比特流，定义物理设备标准，例如，网线的类型，光纤的类型，各 种设备的传输速度，解决了两台物理机之间的通信需求。 数据转换：将类似于010101的二进制数据转换为电流的强弱进行传输，当到达目的 地后再将其转为010101的二进制数据。 ​ 即：二进制 ---》电流强弱 ----》二进制。 数据表现形式：比特流。 代表：网卡。 三）、数据链路层 数据链路层的产生：解决数据传输不完整的问题。 作用：定义了如何格式化数据，如何控制物理介质的访问，提供了错误检测纠错的 功能，确保数据传输的可靠性。 数据表现形式：帧。 代表：交换机。 四）、网络层 作用：解决计算机之间点对点通信的问题，当有多个节点进行通信时，如何找到对 一个的目标节点，此时就需要网络层来将网络地址翻译为对应的物理地址， 将数据从路由方发送到接收方。 数据表现形式：路由包。 代表：路由。 协议：TCP/IP中的IP协议。 五）、传输层 作用：当进行大文件传输时，数据过大，传输耗时过长，会面临网络传输中断产生 数据丢失的问题

QOS-QOS（服务质量）概述 2018年7月7日 20:29 概述及背景： 1. 引入： 传统IP网络仅提供“尽力而为”的传输服务，网络有可用资源就转发，资源不足时就丢弃 新一代IP网络承载了 语音、视频等实时互动信息，要求网络能提供有保证的服务质量 QOS允许用户在丢包、延迟、抖动和 带宽等方面获得可预期的服务水平 2.网络性能衡量的参数： 带宽： 是链路上单位时间所能通过的最大数据流量，其单位为bps 在一条端到端的链路中，最大 可用带宽等于路径上带宽最低的链路的带宽 延迟：是标识数据包穿越网络所用时间的指标 处理延迟 交换延迟：路由器查表时 排队延迟：数据包在出接口排队的延迟 传播延迟：数据在链路上传播的时间 抖动： 是指数据包穿越网络时延迟的变化，是衡量网络延迟稳定性的指标 是由于延迟的随机性造成的，主要原因是数据包排队延迟的不确定性 丢包率： 丢包是指数据包扎传输过程中的丢失，是衡量网络可靠性的重要指标 丢包的主要原因： 网络拥塞时，当队列满了后，后续的报文将由于无法入队而被丢弃 流量超过限制时，设备对其进行丢弃 丢包以丢包率作为衡量指标 丢包率=被丢包报文数量/全部报文数量 注意： 语音需要低带宽，低延时，低抖动的网络 数据流量需要高带宽，低丢包率的网络 视频流量需要高带宽，低延时，低抖动的网络 QOS不能参加先有的带宽，只能将现有的带宽优化。 3

cisco 2811 Qos 一、某公司QoS策略配置实例 Current configuration : 3568 bytes ! ! version 12.2 service timestamps debug datetime service timestamps log datetime service password-encryption ! hostname xxxxxx ! enable secret 5 $1$uJPt$/Uh ! clock timezone China 8 ip subnet-zero no ip source-route ip cef ! ! ip name-server x.x.x.x ip name-server x.x.x.x ! no ip bootp server ! class-map match-any premium_class description For premium match protocol fasttrack match protocol http match protocol icmp match protocol napster match protocol netshow match protocol pcanywhere match protocol realaudio match protocol

译者按： 祖师爷Hinton 带领的小组经典之作，深度学习开山祖师 Hinton率领的谷歌团队多次夺冠 ，主力成员为 hinton 在多伦多大学的学生 Alex Krizhevsky ， Ilya Sutskever ， 因此他们的解决方案也叫alexnet ， 这篇文章是hinton大神团队的代表性之作，CNN （卷积神经网络）已经成为图像识别处理的标准，alexnet作为CNN的代表性方案基础，开创性的GPU计算卷积 ， 仿生视觉细胞的局部感受野等手段解决了图像处理的难题， 和同期的VGG、ResNet、GoogleNet等比肩，使得图像识别成为了人工智能的最成功领域。 ImageNet是一个计算机视觉系统识别项目，缔造者为斯坦福大学教授李飞飞 ，是目前图像识别最大的数据库。是美国斯坦福的计算机科学家，模拟人类的识别系统建立的。能够从图片识别物体。ImageNetLSVRC图像识别大赛素有国际“计算机视觉奥林匹克“之称。数据集包含大约1000多万张各种图片，被分为1000个分类，参赛者训练分类器，在测试数据上取得最高辨识正确率者为优胜。 原文地址： http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks 作者 ： University of

文章目录 ABSTRACT 1. INTRODUCTION 2. RELATED WORK 2.1 Deep Neural Network 2.2 Network Embedding 3. STRUCTURAL DEEP NETWORK EMBEDDING 3.1 Problem Definition 3.2 The Model 3.2.1 Framework 3.2.2 Loss Functions 3.2.3 Optimization 3.3 Analysis and Discussions 4. EXPERIMENTS 4.1 Datasets 4.2 Baseline Algorithms 4.3 Evaluation Metrics 4.4 Parameter Settings 4.5 Experiment Results 4.5.1 Network Reconstruction 4.5.2 Multi-label Classification 4.5.3 Link Prediction 4.5.4 Visualization 4.6 Parameter Sensitivity 5. CONCLUSIONS ABSTRACT    网络嵌入是学习网络中顶点的低维表示的一种重要方法，旨在捕获和保留网络结构。几乎所有现有的网络嵌入方法都采用浅层模型。但是

Deep Visual-Semantic Hashing for Cross-Modal Retrieval 用于跨模态检索的深度视觉语义哈希 摘要： 由于哈希算法具有较高的存储和检索效率，在大规模多媒体检索中被广泛应用于近似近邻搜索。跨模态哈希能够有效地检索图像以响应文本查询，反之亦然，近年来受到越来越多的关注。现有的大多数跨模态哈希研究工作都没有捕捉到图像的空间依赖性和文本句子的时间动态，从而学习强大的特征表示和跨模态嵌入，从而缓解了不同模式的异质性。摘要提出了一种新的深度视觉语义哈希(DVSH)模型，该模型在端到端深度学习体系结构中生成图像和句子的紧凑哈希码，捕捉视觉数据与自然语言之间的内在跨模态对应关系。DVSH是一种混合的深度架构，它构成了一个用于学习图像和文本句子的联合嵌入空间的可视化语义融合网络，以及两个用于学习哈希函数以生成紧凑二进制代码的特定于模态的哈希网络。我们的架构有效地统一了联合多模态嵌入和交叉模态哈希，它是基于图像上的卷积神经网络、句子上的递归神经网络和一个结构化的最大裕度目标的新组合，该目标将所有东西集成在一起，从而能够学习保持相似性和高质量的哈希码。大量的经验证据表明，我们的DVSH方法在图像-句子数据集的跨模态检索实验中，即标准的IAPR TC-12和大规模的Microsoft COCO中，得到了最先进的结果。 1.介绍 而海量

文章目录 01.课程知识概述部分 02.知识回顾说明 03.TCP十一种状态集 三次握手：五种状态变化 补充面试题：统计服务连接数量 四次挥手： 问题： PS：服务端可以被访问进行通讯，必须创建socket 04.网络重要原理说明： 解析三个过程： ARP解析原理作用： ARP解析过程： 05.企业网络搭建步骤 核心层设备：路由器设备 汇聚层设备：三层交换机 接入层设备：二层交换机（傻瓜交换机） 06.系统路由配置方法： 作业： 01.课程知识概述部分 1）网络通讯基本原理 2）网络常见硬件设备 交换机 路由器 3）网络拓扑搭建思路 4）网络层次结构模型 OSI7层模型（标准 规范） TCP/IP模型（协议） 5）网络原理概念 TCP三次握手过程 TCP四次挥手过程 TCP十一种状态集转换 DNS协议原理 ARP协议原理 查看网络状态 [root@jason ~ 08:52:37]# netstat -lntup Active Internet connections (only servers) Proto Recv-Q Send-Q Local Address Foreign Address State PID/Program name tcp 0 0 0.0.0.0:22 0.0.0.0:* LISTEN 6873/sshd tcp 0 0 127.0.0.1:25 0.0

https://www.infoq.cn/article/XA055tpFrprUy*0UBdCb 1、Wide & Deep 模型 https://arxiv.org/abs/1606.07792 https://blog.csdn.net/google19890102/article/details/78171283 在Wide & Deep模型中包括两个部分，分别为Wide部分和Deep部分，Wide部分如上图中的左图所示，Deep部分如上图中的右图所示。 wide模型：实际上，Wide模型就是一个广义线性模型, $y = w^T x+b$ deep模型：Deep模型是一个前馈神经网络 联合训练：同时训练Wide模型和Deep模型，并将两个模型的结果的加权和作为最终的预测结果：$P(Y = 1 | x) = \sigma(W^T_{wide}[x, \phi(x)] + W^T_{deep}a^{l_f} + b)$ 优化方法： wide模型：FTRL deep模型：AdaGrad keras： http://www.atyun.com/18823.html 2、DeepFM模型 https://ask.hellobi.com/blog/wenwen/11840 https://www.cnblogs.com/ljygoodgoodstudydaydayup/p

卷积神经网络之ResNet网络模型学习 参考文章网址：https://www.cnblogs.com/vincentqliu/p/7464918.html Deep Residual Learning for Image Recognition 微软亚洲研究院的何凯明等人 论文地址 https://arxiv.org/pdf/1512.03385v1.pdf Abstract 更深层次的神经网络训练更加困难。我们提出一个 Residual的学习框架来缓解训练的网比之前所使用的网络深得多。我们提供全面的经验证据显示这些残余网络更容易优化，并可以从显着增加的深度获得准确性。在ImageNet数据集上我们评估深度达152层残留网比VGG网[41]更深，但复杂度仍然较低。这些残留网络的集合实现了3.57％的误差在ImageNet测试集上。这个结果赢得了ILSVRC 2015分类任务第一名。 比赛总结ppt链接 http://image-net.org/challenges/talks/ilsvrc2015_deep_residual_learning_kaiminghe.pdf ICCV 2015 Tutorial on Tools for Efficient Object Detection链接 http://mp7.watson.ibm.com/ICCV2015

QOS-QOS（服务质量）概述 2018年7月7日 20:29 概述及背景： 1. 引入： 传统IP网络仅提供“尽力而为”的传输服务，网络有可用资源就转发，资源不足时就丢弃 新一代IP网络承载了 语音、视频等实时互动信息，要求网络能提供有保证的服务质量 QOS允许用户在丢包、延迟、抖动和 带宽等方面获得可预期的服务水平 2.网络性能衡量的参数： 带宽： 是链路上单位时间所能通过的最大数据流量，其单位为bps 在一条端到端的链路中，最大 可用带宽等于路径上带宽最低的链路的带宽 延迟：是标识数据包穿越网络所用时间的指标 处理延迟 交换延迟：路由器查表时 排队延迟：数据包在出接口排队的延迟 传播延迟：数据在链路上传播的时间 抖动： 是指数据包穿越网络时延迟的变化，是衡量网络延迟稳定性的指标 是由于延迟的随机性造成的，主要原因是数据包排队延迟的不确定性 丢包率： 丢包是指数据包扎传输过程中的丢失，是衡量网络可靠性的重要指标 丢包的主要原因： 网络拥塞时，当队列满了后，后续的报文将由于无法入队而被丢弃 流量超过限制时，设备对其进行丢弃 丢包以丢包率作为衡量指标 丢包率=被丢包报文数量/全部报文数量 注意： 语音需要低带宽，低延时，低抖动的网络 数据流量需要高带宽，低丢包率的网络 视频流量需要高带宽，低延时，低抖动的网络 QOS不能参加先有的带宽，只能将现有的带宽优化。 3