计算机网络——基础概念

一、互联网的组成

从工作方式看可划分为两块

  1. 边缘部分:由所有连接在互联网上的主机组成。这部分是用户直接使用的,用于通信和资源共享
  2. 核心部分:由大量网络和连接这些网络的路由器组成。这部分是为边缘部分提供的(提供连通性和交换)

1.1互联网的边缘部分

互联网的边缘部分即连接在互联网上的所有主机,又称端系统
端系统在功能上可能有很大的区别
端系统之间通信的含义:"主机A和主机B进行通信"实际上是指运行在主机A上的某个程序和运行在主机B上的另一个程序进行通信,即主机A的某个进程和主机B的另一个进程进行通信,简称"计算机之间的通信"

端系统之间的通信方式

1、客户—服务器方式

  • 户和服务器都是指通信中设计的两个应用进程
  • 客户—服务器方式描述的是进程之间服务和被服务的关系
  • 客户是服务请求方,服务器是服务提供方
  • 服务请求方和服务提供方都要使用网络核心部分提供的服务

客户软件的特点

  1. 被用户调用后运行,再打算通信时主动向远地服务器发起通信。因此,客户程序必须知道服务器程序的地址
  2. 不需要特殊的硬件和复杂的操作系统

服务器软件的特点

  1. 一种专门用来提供某种服务的程序可同时处理多个远地或本地客户的请求
  2. 系统启动后即自动调用并一直不断地运行着,被动地等待并接受来自各地的客户的通信请求。因此,客户程序不必知道服务器程序的地址
  3. 一般需要强大的硬件和高级的操作系统支持

客户与服务器的通信关系建立后,通信可以是双向的,客户和服务器都可以发送数据

2、对等连接方式

  • 对等连接是指两个主机在通信时并不区分哪个是服务请求方还是服务提供方
  • 只要两个主机都运行了对等连接软件,他们就能对等连接通信
  • 双方都可以下载对方已经存储在硬盘中的共享文档

特点:本质上看仍是使用客户—服务器方式,只是对等连接中的每一个主机既是客户又是服务器,例如主机C请求主机D的服务时,C是客户,D是服务器;若C同时向主机F提供服务,则C也起着服务器的作用

对等连接方式可支持大量对等用户同时工作

1.2互联网的核心部分

互联网的核心部分由许多网络和把它们互连起来的路由器组成,是互联网中最复杂的部分
核心部分中的路由器之间一般都用高速链路连接,边缘部分的主机通常以相对较低速率的链路连接
1、路由器
输入和输出端口之间没有直接连线
用于转发分组,即进行分组交换
处理分组的过程:

  1. 把收到的分组先收入缓存(暂时存储)
  2. 查找转发表,找出到某个目的地址应从哪个端口转发
  3. 把分组送到适当的端口转发出去

路由器是实现分组交换的关键构件,其任务是转发收到的分组,这是网络核心部分最重要的功能

2、主机与路由器
主机为用户进行信息处理,并向网络发送分组,从网络接收分组
路由器对分组进行存储转发,最后把分组交付目的主机

二、性能指标

2.1速率

比特是计算机中数据量的单位,也是信息论中使用的信息量的单位
最重要的性能指标,指数据的传送速率,也称数据率或比特率
单位:bit/s,kbit/s,Mbit/s,Gbit/s。4* 10^10bit/s记为40Gbit/s
速率往往指额定速率或标称速率,不是实际运行速率

2.2带宽

定义:网络中某信道传输数据的能力,即单位时间内网络中某信道所能通过的最高数据率(bit/s)
在时间轴上,信号的宽度随带宽的增大而变窄

2.3吞吐量

定义:单位时间内通过某个网络(或信道,接口)的数据量
受网络的带宽或网络的额定速率的限制

2.4时延

定义:数据(一个报文或分组,甚至比特)从网络(或链路)的一端传送到另一端所需时间,也称延迟或迟延
由以下几个部分组成

2.4.1发送时延

也称传输时延
定义:发送数据时,数据帧从结点进入传输媒体所需时间,即从发送数据帧的第一个比特起,到该帧的最后一个比特发送完毕所需的时间
发送时延 = 数据帧长度(bit)/ 发送速率(bit/s)

2.4.2传播时延

定义:电磁波在信道中传播一定距离花费的时间
与传播时延有本质的不同
信号的发送速率和信号在信道的传播速率完全不同
传播时延 = 信道长度(m)/ 信号在信道的传播速率(m/s)

2.4.3处理时延

定义:主机或路由器在收到分组时,处理分组(例如分析首部,提取数据,差错检验)花费的时间

2.4.4排队时延

定义:分组在路由器输入输出队列中排队等待处理所经历的时延
往往取决于网络当时的通信量
附:四种时延产生的地方
mihAKS.png
容易产生的错误概念

  • 对于高速网络链路,仅能提高数据的发送速率而不是比特在链路的传送速率
  • 提高链路带宽减小了数据的发送时延

不能说 "在高速链路(或高宽带链路)上比特会传送的更快"

2.5时延带宽积

也称以比特为单位的链路长度
时延带宽积 = 传播时延 * 带宽

2.6往返时间RTT

定义:从发送方发送数据开始到发送方收到来自接收方的确认总共经历的时间
在互联网中,往返时间还包括各中间结点的处理时延,排队时延以及转发数据时的发送时延

2.7利用率

分为信道利用率和网络利用率
信道利用率指出某信道有百分之几的时间是被利用的(有数据通过)
网络利用率是全网络的信道利用率的加权平均值
信道利用率并非越高越好。当某信道的利用率增大时,该信道引起的时延迅速增加

D0:网络空闲时的时延   D :网络当前时延   U:网络利用率
则:D = D0 / (1 - U)

转载于:https://www.cnblogs.com/xxwang1018/p/11546694.html

第七节:Vben Admin 最新 v5.0 (vben5) + Python Flask 快速入门 - 用户管理(上) 本节的内容是用户管理,后端Python代码的实现。 阅读详情

相关推荐

图解链表 —— JAVA中的单链表基本操作

文章目录1. 什么是链表2. 链表的种类3. 创建单链表3.1 创建 Node 类(车厢类)3.2 创建 MySingleList (火车类)4. 单链表的基本操作4.1 增加链表元素4.1.1 在链表头部添加元素4.1.2 在链表任意位置添加元素4.1.3 在链表尾部添加元素4.2 删除链表元素4.2.1 删除第一个节点元素4.2.2 删除任意位置 index 元素4.2.3 删除链表中指定元素的第一个节点4.2.4 删除链表的所有指定元素4.3 查找链表元素4.3.1 判断链表中是否包含元素 data4

AlinaQ05的博客 2503

计算机网络的性能指标

一、速率 1、计算机通信需要将发送的信息转换成二进制数字来传输,一位二进制数称为一比特(bit)。 2、通过ASCII表将要传输的信息中的字符或字母转化成二进制数字,然后再传输。一个字母或一个字符占8比特。一般大写的B代表字节,小写的b代表比特。 二、宽带 ...

kxbdys的博客 2185

华为交换机与思科/华三设备LACP对接实战:手把手教你配置链路聚合

本文详细解析了华为交换机与思科、华三设备间的LACP链路聚合配置实战,涵盖核心原理、配置步骤及排错技巧。通过对比不同厂商的实现差异,提供可落地的跨厂商对接方案,助力企业网络工程师高效部署高可靠性链路聚合。

weixin_30836759的博客 427

第一章.概述:1.6计算机网络的性能

计算机网络的性能。

月光晒了很凉快的博客 1046

解放双手,摆脱自建库的繁琐,立创EDA元件库转cadence原理图封装库实战技巧

解放双手,摆脱自建库的繁琐,立创EDA元件库转cadence原理图封装库实战技巧

u012790770的博客 3621

Win10系统内存占用异常飙升?三步排查法快速定位问题根源

本文针对Win10系统内存占用异常飙升问题,提供了一套三步排查法。首先利用任务管理器和资源监视器进行深度系统体检,定位隐形内存消耗者;其次通过干净启动和禁用非必要后台服务,揪出导致内存泄漏的第三方软件或驱动;最后进行终极深度清理,包括检查内存完整性、调整虚拟内存设置以及更新关键驱动程序,帮助用户快速恢复系统流畅运行。

weixin_29251567的博客 200

计算机网络概述

1.互联网组成 计算机网络: 计算机网络主要是由一些通用的、可编程的硬件互连而成的 interne和 Internet的区别 以小写字母i开始的 internet(互连网)是个通用名词,它泛指由多个计算机网络互连而成的网络 以大写字母I开始的的 Internet(互联网或因特网)则是一个专用名词,它指当前全球最大的、开放的、由众多网络相互连接而成的特定计算机网络,它采用TCP/IP协议族作...

iqqcode 2633

通信原理与MATLAB(八):2PSK的调制解调

通信原理和MATLAB

菜yuan~的博客 3万+

计算机网络复习(第一章)

太原理工大学,谢希仁第八版

weixin_51900773的博客 760

基于Python的IMF经济数据爬取与分析:从入门到实战

本文详细介绍了如何使用Python爬取国际货币基金组织(IMF)的经济数据,包括最新的爬虫技术、反反爬策略、数据解析与存储方法。文章从IMF数据源分析开始,逐步讲解如何构建一个完整的爬虫系统,并提供了详细的代码实现和优化建议。通过本文,读者将掌握爬取复杂国际组织数据的关键技术,并能将这些技术应用于其他类似的数据获取场景。关键词:Python爬虫、IMF数据、经济数据获取、数据清洗、反爬策略IMF Data (data.imf.org) - 主要数据门户。

2201_76125261的博客 1439

4、高光图像滤镜显著改善文本图像的光学字符识别

本文介绍了高光图像滤镜在光学字符识别(OCR)中的应用,详细探讨了其技术原理、实现步骤和在多种场景下的效果。通过增强文本图像的边缘和对比度,高光滤镜显著提升了OCR的识别率,尤其适用于扫描文档、手写笔记和低质量图像。实验结果表明,该方法在不同类型的文本图像中均表现出色,并提出了未来优化方向,如深度学习集成和多模态融合,为OCR技术的发展提供了新的可能性。

ooo22的博客 97

计算机网络复习客观题合集

计算机网络复习客观题合集作业1:概述作业2:物理层作业3作业4作业5作业6作业7作业8作业9作业10插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 作业1:概述 一.单选题 1.计算机网络分为广域网、局域网、城域网等等,其划分的主要依据是() A、网络的作用范围 B、网络的拓扑结构 C、网

fjzahxh的博客 2万+

AMD KFD的SDMA Packet 类型和定义解析

本文详细分析了AMD GPU架构中的SDMA(System Direct Memory Access)数据传输机制,重点介绍了其核心数据结构——SDMA Packet。SDMA通过8种主要Packet类型(包括内存拷贝、数据写入、屏障同步、中断触发等)实现高效主机-设备通信。每种Packet采用位域结构和联合体封装设计,在保证功能完整性的同时实现空间优化。这些Packet支持丰富的访问属性和扩展字段,适用于高性能数据搬运、内存初始化、任务同步、性能分析等场景,为GPU计算提供了灵活高效的数据传输解决方案。

图形/计算GPU的驱动与虚拟化技术分享园地 1256

计算机网络的基础概念是什么?

网卡就是用来给计算机设备接入网络的 有线网卡一般都是在台式机上的,意思表示是必须有网线连接才能连上网络网侵侵删。

ZL_1618的博客 1236

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

计算机网络基础概念解释

随着时代的发展,越来越需要计算机之间互相通信,共享软件和数据,即以多个计算机协同⼯作来完成业务,于是有了网络互连。网络互连:将多台计算机连接在⼀起,完成数据共享。数据共享本质是网络数据传输,即计算机之间通过⽹络来传输数据,也称为网络通信。根据⽹络互连的规模不同,可以划分为局域网和⼴域网。

2303_78892316的博客 1533

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

【计算机网络】网络基础概念

本文系统讲解了计算机网络的核心概念与工作机制。从协议的本质与分层设计切入,解析OSI七层模型与TCP/IP五层模型的架构及其作用,阐述物理层至应用层的功能差异与协作逻辑。通过数据封装与解包流程、MAC地址与IP地址的对比,揭示网络通信中“阶段目标”与“最终目标”的实现原理。结合端口号与Socket编程接口,说明进程间通信的本质,并详解TCP/UDP协议特性及网络字节序转换。文章为理解网络协议栈、掌握基础Socket编程提供了全面的理论框架与实践指导。

2303_77756141的博客 1437

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")

计算机网络 基础概念

计算机网络 基础概念 计算机网络的概念计算机网络的功能计算机网络的组成1、组成部分:2、工作方式3、功能组成计算机网络的分类1、按分布范围分:2、按使用者分:3、按交换技术分:4、按拓扑结构分:5、按照传输技术分: 计算机网络的概念 计算机网络是互连的、自治的计算机集合。 互连——互连互通 自治——无主从关系 计算机网络的功能 数据通信 (连通性) 资源共享 (硬件、软件、数据) 分布式处理 ...

The Light of Fireworks 951

【网络】计算机网络基础概念入门

网络是指将多个计算机或设备通过通信线路、传输协议和网络设备连接起来,形成一个相互通信和共享资源的系统。把多台计算机互相连接起来,进行互相传输数据,进而完成数据共享。

康师傅没有眼泪 3702

计算机网络 基础概念总结

总结于《计算机网络 自顶向下》《图解TCPIP网络》,快速粗读,阅读目的为计算机网络学习前 基础概念接触。 文章目录一、计算机网络 和 英特网互联网 /因特网/万维网 基本定义因特网构成描述---端系统/通信链路/分组交换机/ISP/协议协议服务内联网(专用网络)客户机 和 服务器程序分组交换网中 的 时延/丢包/吞吐量协议分层于OSI 7层参考模型![在这里插入图片描述](https://img-blog.csdnimg.cn/2020062123240968.png?x-oss-process=imag

runafterhit的博客 2343

计算机网络1————基础概念和协议分层

计算机网络1————基础概念和协议分层 文章目录计算机网络1————基础概念和协议分层一.计算机网络基础1.计算机网络2.因特网的结构3.端系统运行程序之间的通信方式二.协议分层1.协议分层的好处2.相关概念3.OSI参考模型4.TCP/IP模型5.原理体系模型6.原理体系模型各层数据传递的单位7.一张非常强大的OSI七层模型图解三.计算机网络性能指标1.速率3.带宽 一.计算机网络基础 1.计算...

冰炭不投day的博客 2563

计算机网络核心概念-基础概念

时延指的是一个报文或者分组从网络的一端传递到另一端所需要的时间,时延分类有发送时延、传播时延、处理时延、排队时延,总时延的计算方式:总时延 = 发送时延 + 传播时延 + 处理时延 + 排队时延。:是通信网中最早出现的一种交换方式,一般多用于电话网,电路交换的过程中,数据交换是独占信道的,电路交换方式的优点是数据传输可靠、迅速,数据不会丢失,缺点是电路空闲时信道容量容易被浪费。:我们一般小时候经常会广播体操,这就是广播的一个事例,主机和与他连接的所有端系统相连,主机将信号发送给所有的端系统。

2401_84434570的博客 955

网络基础概念与应用:深入理解计算机网络

本篇文章介绍了计算机网络的基础概念,包括网络分层模型、协议的作用与设计、数据封装与解包、Socket 编程基础以及传输层协议 TCP 和 UDP 的基本特性。通过这些内容,我们可以更好地理解计算机网络的工作原理,并能够在实际应用中进行网络编程。网络的发展让我们的世界更加紧密地联系在一起,从局域网到广域网,再到今天的互联网,无数的协议和标准支撑起了这一复杂而强大的系统。希望这篇文章能为你揭开计算机网络的神秘面纱,激发你对网络编程和分布式系统的兴趣。

2406_83947720的博客 2807

计算机网络基础概念

交换机和集线器的功能非常相似,交换机具有记忆功能,它广播之后能够缓存目标 Mac,后续的数据包就会直接通过缓存的路径发送,交换机是一种全双工通信模式。而集线器工作的时候,如果局域网中的一台电脑要发送消息,则局域网内的所有电脑都可以接收到这个消息,安全性较差,而且集线器是一种半双工模式。所以现在大多数都是用交换机,集线器慢慢被淘汰了。半双工模式:连接在集线器中的端系统每次只能有数据包一个发送,只有这个发送完毕其他电脑才能再发送,这称为半双工模式。全双工模式:连接在交换机中的端系统可以彼此之间相互通信,相互发送

Innocence_0的博客 1030

计算机网络基础 (一) —— 概念、组成、功能、分类

1、基本概念 1.1、计算机网络的概念 网络包含了计算机网络: 概念 1.2、计算机功能 1.3、计算机网络组成 1.4、计算机网络的分类 1.5、标准化工作的相关组织 1.6、速率相关的性能指标 1.6.1、速率 数据是1个比特1个比特的传递的,下图中将10个数字传送给接收端,花费了1秒,所以速率是10比特/秒。 1.6.2、带宽 1.6.3、吞吐量 1.6.4、时延 1.6.5、时延带宽积 1.6.6、往返时延RTT 只管传播时延 1.6.7、利用率 2、分层 2.1、

Fighting0429的博客 8050
上一篇: Linux——基本命令
下一篇: 计算机网络——物理层
SmallProgramer3121
博客等级 码龄11年 3粉丝 0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  | 博主筛选后可见
 
 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