Computer Networks | OUTLINE 1.2 Network Hardware

本文介绍了计算机网络中的关键概念,包括传播技术(如广播链接、点对点链接、单播、广播和组播)以及不同规模的网络系统,如个域网(PAN)、局域网(LAN)、城域网(MAN)、广域网(WAN)和互联网(Internetworks)。

1.2 Network Hardware


在计算机网络中,一般从两个维度进行考虑:Transmission Technology, Scale.

Transmission Technology 传播技术

一般来说,Transmission Technology有两个广泛用途:

  • broadcast links
  • point-to-point links

    On a broadcast network
    (注意!发送方式是广播,但目的地地址有三种方式)

  • Packets sent by any machine are received by all the others, each machine checks the address field.

    • If the packet is intended for the receiving machine, that machine processes the packet
    • If the packet is intended for some other machine, it is just ignored.
  • Unicasting 单播 (点名道姓 但是网卡不产生中断)
  • Broadcasting 广播 (所有其他都听到 所有人都要中断)
  • Multicasting (subscribe) 组播 (订阅) (解决广播问题,不用全部中断,只让关心的中断)
  • 网卡监督地址 中断
  • 现在局域网基本上是这种方式

    Point-to-point Network
    To go from the source to the destination, a packet may visit one or more intermediate(中间的) machines (Often multiple routes are possible, finding good ones is important)

Scale

下面我们根据物理大小的不同来定义不同的系统。

multiple processor systems

根据空间范围的大小从小到大依次为:PAN(个域网), LAN(局域网), MAN(城域网), WAN(广域网), Internetworks(互联网)
下面就来依次介绍以上processor systems.

【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)内容概要:本文提出了一种基于融合鱼鹰和柯西变异的麻雀优化算法(OCSSA)优化变分模态分解(VMD)参数,并结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)的轴承故障诊断模型。该方法利用西储大学公开的轴承数据集进行验证,通过OCSSA算法优化VMD的分解层数K和惩罚因子α,有效提升信号分解精度,抑制模态混叠;随后利用CNN提取故障特征的空间信息,BiLSTM捕捉时间序列的动态特征,最终实现高精度的轴承故障分类。整个诊断流程充分结合了信号预处理、智能优化与深度学习的优势,显著提升了复杂工况下轴承故障诊断的准确性与鲁棒性。; 适合人群:具备一定信号处理、机器学习及MATLAB编程基础的研究生、科研人员及从事工业设备故障诊断的工程技术人员。; 使用场景及目标:①应用于旋转机械设备的智能运维与故障预警系统;②为轴承等关键部件的早期故障识别提供高精度诊断方案;③推动智能优化算法与深度学习在工业信号处理领域的融合研究。; 阅读建议:建议读者结合MATLAB代码实现,深入理解OCSSA优化机制、VMD参数选择策略以及CNN-BiLSTM网络结构的设计逻辑,通过复现实验掌握完整诊断流程,并可进一步尝试迁移至其他设备的故障诊断任务中进行验证与优化。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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