BGP的13条选路原则

BGP的十三条选路原则(华为) 阅读详情
BGP的13条选路原则
边界网关协议(BGP)是运行于 TCP 上的一种自治系统的路由协议。BGP强大的选路规则正是BGP最大的亮点




1、Prefer highest weight (local to router).


首选权重最高的路由<权重是一种cisco专有的属性,只用于当前路由器>




2、Prefer highest local preference (global within AS).


本地优先级最高的路由<本地优先级用于AS内部>




3、Prefer route originated by the local router (next hop =     0.0.0.0).


当前路由器通告的路由<bgp表中,当前路由器产生的路由的下一跳为0.0.0.0>




4、Prefer shortest AS path.


AS路径最短的路由






5、Prefer lowest origin code (IGP < EGP <     incomplete).
Origin codes: i - IGP, e - EGP, ? - incomplete
比较Origin属性<IGP优先于EGP优先Incomplete>
 Three values: IGP, EGP, incomplete
– IGP generated by BGP network statement
– EGP generated by EGP
– Incomplete redistributed from another routing protocol 




6、Prefer lowest MED (exchanged between autonomous     systems).


MED最小者<默认不比较来自不同AS路由的MED值,可通过bgp      always-compare-med对比不同AS的med>


7、Prefer EBGP path over IBGP path.  


外部路径(EBGP)优先于内部路径(IBGP)    



8、Prefer the path through the closest IGP neighbor


选择经过最近的IGP邻居的路径<这意味着路由器首选AS中最短的内部路径-最短的前往BGP下一跳的路径)--IBGP




9、balance traffic


如果配置了maximum-path, 会安装多条路由到路由表<但是BGP继续比,只有一个打上>


10、Prefer oldest route for EBGP paths.


都是外部路径,选最先收到的(最旧的)<目的是减少抖动>


11、Prefer the path with the lowest neighbor BGP router ID.


首选来自最低路由ID的BGP路由器的路由


12、Prefer shortest cluster list


具有最低群集列表长度的路径


13、Prefer the path with the lowest neighbor IP address.


最低邻居地址的路径


=============================================


BGP的选路原则
①、比较Weight


  1、优选Weight值大的路由条目


  2、本地产生的BGP路由条目默认Weight为32768,非本地产生的是0


  3、该值只在本地有效,不具有传递性


  4、该属性是一个是一个Cisco私有属性


  ②、比较Local-Preference


  1、优选Local-Preference值大的路由条目


  2、默认该值大小为100


  3、只可传递给IBGP邻居,不会传递给EBGP邻居


  ③、优选本地产生的路由条目


  1、即优选Next-Hope为0.0.0.0的路由条目


  ④、比较As-Path


  1、优选As-Path最短的路由条目    注:大括号中的As-Path可视为一个As


  ⑤、比较Origin Code


  1、i>e>?    注:i为network或者aggressive产生的路由条目,e为EGP产生的路由条目,EGP现在已经很少使用了,?则为重分发产生的路由条目


  ⑥、比较MED


  1、在Cisco路由器中MED类似于Metric,值越低越好,但是在华为或H3C的路由器,该值越高越好


  2、使用network或者redistribute产生的路由条目MED继承IGP的度量值(直连路由或者静态路由为0),使用aggressive产生的路由条目的MED属性为空


  ⑦、使用EBGP传过来的路由条目,使用联邦是优选联邦EBGP传递过来的路由条目


  ⑧、优选去往Next-Hop最近的路由条目


  ⑨、BGP的负载均衡


  10、优选最老EBGP传递过来的路由条目


  11、选择最小RID的路由条目


  12、选择最短Cluster-List的的路由条目


  13、优选邻居IP(在BGP配置模式小neighbor的IP)地址最小的




BGP十三条选路原则、路由反射器 BGP十三条选路原则、路由反射器、水平分割 阅读详情

相关推荐

十三条BGP选路原则(附带实验环境)

华为BGP选路规则,每一条都有详细解释。

Ddfgxfgg的博客 1万+

BGP13种选路原则

可以看到,原来优选了对等体2.2.2.2的路由现在下一跳地址变为了10.1.12.1,因为路由器会将从EBGP学习到的路由信息原封不动的发送给其他对等体,而peer 3.3.3.3 next-hop-local这条命令就是告诉其他对等体,我发给你们的路由,下一跳来找我。但是,在比较该条规则下,还有一个潜在的规则:如果路由中携带有Originator_ID,则先比较Originator_ID,再比较Router_ID,同样,具有最小的Originator_ID值的路由为最优。

qq_62449917的博客 4562

BGP13条选路原则

13条:边界网关协议(BGP)是运行于 TCP 上的一种自治系统的路由协议。BGP强大的选路规则正是BGP最大的亮点。

br360的博客 1234

新版华为HCIP系列课程③:BGP路由协议精讲

HCIP-R&S 课程大纲课程模块课程子模块详情内容学习目标路由课程(IERN)1、Advanced IP高级 IP 地址规划完成培训后您将能掌握:(1)理解 OSPF、BGP 协议原理,并掌握基于 VRP 平台下,使用 OSPF、BGP 组建大型网络的方法(2)理解 IGMP、PIM-SM/DM 协议原理,并掌握使用这些组播协议组建组播网络的方法(3)理解 VLAN、GVRP、QinQ、STP、RSTP 和 MSTP 的工作原理(4)掌握应用 STP、RSTP 和 MSTP 避免交换网络环路的方法(5)掌握应用 VLAN、MuX、Super Vlan 和 QinQ 等技术提供透明隔离的交换网络(6)了解网络安全的基本知识(7)了解 Eudemon 系列防火墙的技术原理和功能特征(8)理解 IP QoS 模型和差分服务(DiffServ)模型及数据分类的基本原则和标志、流量控制和整形、拥塞管理、拥塞避免、链路效率等原理(9)理解基于类的 QoS 描述的基本原则(10)提升在大型网络环境下的综合规划、配置运维和排障能力课程价值:完成系列课程培训后,您对中小型网络有全面深入的了解,掌握中小型网络的通用技术,并具备独立设计中小型网络以及使用华为路由交换(数通)设备实施设计的能力。

HCIP__BGP__实验(13条选路原则)

BGP路由优先选路原则: 在BGP路由表中,到达同一目的地可能存在多条路由。此时BGP会选择其中一条路由作为最佳路由,并只把此路由发送给其对等体。BGP为了选出最佳路由,会根据BGP的路由优选规则依次比较这些路由的BGP属性 BGP通告原则之一 : 仅将自己最优的路由发布给邻居 BGP通告原则之二 : 通过EBGP获得的最优路由发布给所有BGP邻居 BGP通告原则之三 : 通过IBGP获得的最优...

qq_45519920的博客 3467

ch32v103xx 烧写

烧写方式 串口uart, usb,swd(wch link)但不建议按此使用,参官方说明。

qq_39239990的博客 638

BGP 13 条选路原则笔记

公认必遵(必须包括在每个Update报文里,转发):Path Attribute - Origin:IGP ----------起源属性Path Attribute - AS-Path:200 --------------AS路径Path Attribute - Nexthop:10.1.12.1(BGP的下一跳不是 BGP 自己算的,是 IGP 给它的,BGP 做的是“优选”)------下一跳公认任意(可能包含在Update报文里,转发):可选过渡(转发):Aggregator。

1283

简单的服务器取证

记一次入门服务器取证——药品直销网,涵盖旧版本宝塔、静态IP的配置更改、代码的理解

m0_74559567的博客 3757

BGP选路13条原则全实战,一条条帮你梳理支撑整个互联网的选路原则

BGP选路原则实验 11.7.1 BGP选路原则理论 BGP不是简单的通过metric来选路最优的路由所有的路径属性归为一下四类: 周知强制属性 周知自选属性 可选传递性属性 可选非传递属性以上属性分为两类,首先,周知属性,即所有BGP实现都必须能识别这些属性;其次是可选属性,即并不要求bgp实现支持这些属性如果可选属性是传递的,那么bgp进程应该接收该属性中包含的路径(即...

weixin_34209406的博客 899

RK3588 EVB开发板原理图讲解【六】

该原理图展示了eMMC Flash与主控芯片之间的连接关系,以及相关的电源、信号线路和去耦电容等。

weixin_48721556的博客 1183

IGV实战指南:从数据导入到Peak可视化的全流程解析

本文提供了一份IGV实战指南,详细解析了从数据导入到Peak可视化的全流程。内容包括软件安装、参考基因组加载、测序数据处理、信号调整以及如何精准定位和可视化Peak区域,并分享了导出出版级矢量图的高级技巧,帮助用户高效完成基因组数据可视化分析。

weixin_29212867的博客 150

深刻理解BGP协议13条选路原则

实验拓扑: 关键知识点 1.weight: 选择权值最大的,只影响本路由器,不在 AS 中传递 2.Local_Pref: 选择 Local_pref 最大的,在 AS 中传递,影响 AS 中所有路由器–iBGP 默认为 100,eBGP 默认为空 3.0.0.0.0: 0.0.0.0 表示本路由器(通告)产生的路由。 有三种方法可以产生 0.0.0.0 (1):netw...

openlab网工之路 3265

15、分布式参数热交换器:建模、动态特性与控制

本文综述了分布式参数热交换器的建模、动态特性和控制方法。从热交换器的基本方程推导出发,探讨了一维流动、流动强迫、错流、螺旋和旋转再生式热交换器的建模方法,并分析了其动态行为和频率响应中的共振现象。同时,介绍了热交换器的模拟方法,包括数值模拟和近似方法,并讨论了多种控制策略,如常规控制、最优控制、数字控制以及自适应控制。最后,总结了热交换器研究的发展历程,并展望了未来的研究方向,包括建模精度提升、控制算法优化和跨学科融合等。

w8x9y0z1的博客 124

【HCIE备考笔记】【06-BGP】BGP属性和13条选路原则

本文主要针对HCIE考试对各种技术做一轮复习。 建议读者已经具备其他厂商IE认证,或者具备良好网络基础知识。 本文仅整理重点难点和容易踩坑的知识,对于基础知识一概不整理。 一、属性和选路原则的关系 二、HUAWEI路由器BGP属性 补充: EBGP和IBGP传递路由时候的特点 EBGP: 去除LP属性 修改下一跳为自身 MED归0 添加AS PATH IBGP 默认情况下大多属性都不变 IBGP水平分割 反射器产生两个新属性,Cluster ID和Originator ID 三、13条选

逗老师的博客 1994

【nvidia-B200 生产环境】NVIDIA 570.124.06+Cuda12.8 Ubuntu22.04 nccl-test 一键部署脚本(免修改复制即用)

目录1. 初始化与日志记录2. 安装基础工具与配置更新3. NVIDIA 驱动安装 570.124.064. 安装 Mellanox OFED 24.10-2.1.8.05. 安装 CUDA 12.86. 安装 NCCL 和测试7. 配置 rc.local 和其他优化8. B200 单独步骤9. 最终测试与重启10. 完整生产脚本,复制即可直接使用总结 功能: 设置日志目录和日志文件路径。 使用 命令将标准输出和错误输出同时写入日志文件和终端。 记录脚本开始时间,并计算开始的秒数

jundao1997的专栏 2799

业态即战场:零售平台的生意模型与系统设计解构

在这篇文章中,我们从“控货、自营、联营”三种典型零售业态出发,拆解了亚马逊、阿里、京东和本地闪购平台在商品模型设计上的差异与博弈。看似简单的卖货方式背后,其实是平台在“控货权”“商品归属权”上的深层策略博弈:谁掌控商品,谁就掌控数据、流量与利润分配权。本文尝试用一套通俗但不失专业的方式,帮助产品经理和技术伙伴读懂零售平台商品模型的底层逻辑与系统设计演化路径。

曾经“等你生日那天”都遥远得像未来,如今却可欢愉的挥手说“下个十年见” 13万+

BGP 13条选路原则

整理和理解的很帅! If the next hop is unreachable, do not consider it. 如果下一跳不可达,是不会参加选举的! 1. weight Prefer the path that has the largest weight. 思科的专有属性。 2. Local Preference If the routes have the same ...

繁星流动天际 502

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

【CCIE 实验】BGP 13条选路原则实验

实验目的:l 掌握BGP 13条选路l 掌握选路应用场景实验说明:l 通过此实验练习,可以更好的掌握BGP 13条选路实验环境:l 三台支持SPSERVICES的IOS的路由器l 直通线实验拓扑:实验步骤:R1(config)#interface f0/0R1(config-if)#ip address 12.1.1.1 255.255.255.0R1(config-if)#no shutdownR1(config-if)#int f1/0R1(config-if)#ip address 13.1.1.1

mengmeng_921的博客 726

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

bgp通告四原则_BGP的13条选路原则

BGP的13条选路原则BGP路由器将路由通告给邻居后,每个BGP邻居都会进行路由优选,路由选择有三种情况① 该路由是到达目的地的唯一路由,直接优选② 对到达同一目的地的多条路由,优选优先级最高的③ 对到达同一目的地且具有相同优先级的多条路由,必须用更细的原则去选择一条最优的 一般来说,BGP计算路由优先级的规则如下① 丢弃下一跳不可达的路由② 优选Preferen...

weixin_39870132的博客 758

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

BGP选路的13条原则

http://www.china-ccie.com/ccie/lilun/bgp/bgp.html#11

anzhuangguai的专栏 1227
上一篇: sniffer protocols
下一篇: CISCO R&S CCIE TREE
LinuxKernelCiscoIOS
博客等级 码龄11年 35粉丝 101原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值