博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
计算机网络 —— 网络层 1.
阅读量:2157 次
发布时间:2019-05-01

本文共 739 字,大约阅读时间需要 2 分钟。

计算机网络——网络层

网络层功能概述

在这里插入图片描述

  
  

数据交换方式

  

电路交换

在这里插入图片描述

  

报文交换

在这里插入图片描述

  

分组交换

在这里插入图片描述

  

报文交换&分组交换

在这里插入图片描述

  

三种数据交换方式比较总结

在这里插入图片描述

  

数据报方式&虚电路方式

在这里插入图片描述

  

几种传输单元名词辨析

应用层:报文

传输层:报文段
网络层:IP数据报,分组
数据链路层:帧
物理层:比特流
  

数据报(因特网在用)

在这里插入图片描述

  

虚电路

在这里插入图片描述

  

数据报&虚电路

在这里插入图片描述

  
  

路由算法与路由协议概述

  

路由算法的分类

在这里插入图片描述

  

分层次的路由选择协议

在这里插入图片描述

在这里插入图片描述
  
  

IP数据报格式

  

TCP/IP协议栈

在这里插入图片描述

  

IP数据报格式

在这里插入图片描述

在这里插入图片描述
版本:IPv4 / IPv6?;
首部长度:单位是4B,最小为5
区分服务:指示期望获得哪种类型的服务;
总长度:首部 + 数据,单位是1B
生存时间(TTL):IP分组的保质期。经过一个路由器 -1,变成 0则丢弃;
协议:数据部分的协议;
首部检验和:只检验首部;
源IP地址和目的IP地址32位;
可选字段0~40B,用来支持排错、测量以及安全等措施;
填充:全0,把首部补成4B的整数倍;
标识:同一数据报的分片使用同一标识;
标志:只有2位有意义 x _ _;
中间位DF(Don’t Fragment)
        DF=1,禁止分片
        DF=0,允许分片
最低为MF(More Fragment)
        MF=1,后面"还有分片"
        MF=0,代表最后一片 / 没分片
片偏移:指出较长分组分片后,某片在原分组中的相对位置。以8B为单位。(除了最后一个分片,每个分片长度一定是8B的整数倍
  
  

最大传送单元MTU

在这里插入图片描述

  

IP数据报分片例题

在这里插入图片描述

  
  

IPv4地址

  

分类的IP地址

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
  

私有IP地址

在这里插入图片描述

  

特殊IP地址

在这里插入图片描述

  
  

网络地址转换NAT

在这里插入图片描述

  
  

子网划分&子网掩码

  

子网划分

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
  

子网掩码

在这里插入图片描述

  

子网掩码习题

在这里插入图片描述

  

子网掩码习题.1

在这里插入图片描述

  

使用子网时分组的转发

在这里插入图片描述

  
  

无分类编址CIDR

在这里插入图片描述

在这里插入图片描述
  

构成超网

在这里插入图片描述

  

最长前缀匹配

在这里插入图片描述

  

习题

在这里插入图片描述

转载地址:http://tkmwb.baihongyu.com/

你可能感兴趣的文章
SVM 的核函数选择和调参
查看>>
LightGBM 如何调参
查看>>
用 TensorFlow.js 在浏览器中训练神经网络
查看>>
cs230 深度学习 Lecture 2 编程作业: Logistic Regression with a Neural Network mindset
查看>>
梯度消失问题与如何选择激活函数
查看>>
为什么需要 Mini-batch 梯度下降,及 TensorFlow 应用举例
查看>>
为什么在优化算法中使用指数加权平均
查看>>
什么是 Q-learning
查看>>
用一个小游戏入门深度强化学习
查看>>
如何应用 BERT :Bidirectional Encoder Representations from Transformers
查看>>
5 分钟入门 Google 最强NLP模型:BERT
查看>>
强化学习第1课:像学自行车一样的强化学习
查看>>
强化学习第2课:强化学习,监督式学习,非监督式学习的区别
查看>>
强化学习第3课:有些问题就像个赌局
查看>>
强化学习第4课:这些都可以抽象为一个决策过程
查看>>
强化学习第5课:什么是马尔科夫决策过程
查看>>
强化学习第6课:什么是 Crossentropy 方法
查看>>
强化学习第7课:交叉熵方法的一些局限性
查看>>
强化学习 8: approximate reinforcement learning
查看>>
图解什么是 Transformer
查看>>