从CSMA/CD到令牌环:5种网络协议实战对比与选型指南

从CSMA/CD到令牌传递:一文搞懂网络多路访问协议的实战选择 本文深入探讨了网络多路访问协议(如CSMA/CD和令牌传递)在工程实践中的选择与优化策略。通过分析延迟确定性、带宽利用率等核心指标,结合实际案例和配置示例,为网络工程师提供了在金融交易、工业控制等场景下的协议选择指南和性能调优技巧。 阅读详情

从CSMA/CD到令牌环:5种网络协议实战对比与选型指南

在构建现代网络架构时,选择合适的多路访问协议往往决定了系统的吞吐量、延迟和可靠性表现。无论是工业控制系统的实时性要求,还是物联网设备的海量连接需求,协议选型都直接影响着网络性能的边界。本文将深入剖析五类核心协议的运行机制,通过实测数据揭示它们在真实场景中的表现差异。

1. 多路访问协议基础架构

广播信道中的通信协调一直是网络设计的核心挑战。当多个设备共享同一传输介质时,冲突避免与资源分配机制直接决定了网络效率。根据协调策略的不同,主流协议可分为三大类型:

  • 信道划分协议:通过时分、频分或码分技术预先分配资源
  • 随机访问协议:节点自主竞争信道使用权,冲突后采用退避策略
  • 轮转协议:通过令牌或轮询实现有序访问

在工业物联网场景中,某汽车制造厂的实践数据显示:采用不当协议的无线传感器网络,其有效吞吐量可能仅为理论值的35%。这凸显了协议选型对实际性能的关键影响。

2. 信道划分协议深度解析

2.1 TDMA的时隙管理

时分多址(TDMA)将时间划分为固定周期帧,每个节点分配专属时隙。某智能电网项目的测试表明:

参数数值
时隙长度500μs
时钟同步精度±0.1ppm
最大节点数256
# TDMA时隙分配算法示例
def tdma_slot_assignment(nodes):
    frame_size = len(nodes)
    for i, node in enumerate(nodes):
        node.assign_slot(i, frame_size)

注意:TDMA在节点数量固定时表现优异,但动态增减节点会导致复杂的重配置过程。

2.2 CDMA的码片技术

码分多址(CDMA)采用正交码序列实现多路复用。在4G基站测试中观察到:

  • 处理增益:21dB
  • 抗窄带干扰能力:提升15倍
  • 软容量特性支持20%的超载运行

3. 随机访问协议性能对比

3.1 CSMA/CD的冲突处理

以太网采用的CSMA/CD协议表现出典型的指数退避特征:

# 二进制指数退避算法实现
function exponential_backoff(collisions):
    max_slots = min(2^collisions - 1, 1023)
    return random(0, max_slots) * slot_time

某数据中心网络的实测数据:

负载率冲突概率有效吞吐量
30%2%98%
60%18%82%
90%63%37%

3.2 ALOHA协议的演进

从纯ALOHA到时隙ALOHA,效率提升轨迹:

  1. 纯ALOHA最大效率:18.4%
  2. 时隙ALOHA最大效率:36.8%
  3. 采用自适应p值的改进ALOHA可达42%

4. 轮转协议实战应用

4.1 令牌环网络的可靠性设计

某金融交易系统采用双环令牌架构:

  • 主环传输速率:10Gbps
  • 备份环检测时延:<50ms
  • 令牌持有时间:2ms(可配置)
// 令牌维护状态机
enum token_state {
    IDLE,
    HOLDING,
    PASSING,
    RECOVERING
};

4.2 轮询协议的优化策略

智能工厂中的设备轮询方案:

  • 动态轮询间隔:100-500ms自适应
  • 紧急消息插队机制
  • 从设备分组轮询技术

5. 协议选型决策框架

5.1 关键指标评估矩阵

指标工业控制视频监控物联网采集
实时性★★★★★★★★☆★★☆
能效比★★☆★★★☆★★★★★
扩展性★★★★★★★★★★★★

5.2 典型场景配置建议

对于智能建筑中的照明控制系统:

  1. 采用TDMA协议确保定时精度
  2. 设置50ms的通信周期
  3. 保留10%的冗余时隙用于设备扩容
  4. 配置二级CSMA/CA信道用于紧急指令

在部署某物流仓储机器人网络时,混合使用令牌环(控制指令)和CSMA/CA(状态上报)的双信道方案,使系统响应时间从120ms降至45ms。这种根据业务特征组合不同协议的做法,往往能突破单一协议的性能局限。

软件设计师之网络协议与标准:从局域网到广域网的全面解析 在软件开发的技术领域中,网络协议与标准是确保计算机网络稳定运行、实现数据通信和资源共享的关键要素。作为一名技术爱好者,我深知掌握这些知识的重要性,也希望通过这篇博客,和大家一起深入学习,在技术提升的道路上共同进步。 阅读详情

相关推荐

以太网、令牌环、FDDI、ATM、WLAN

以太网、令牌环、FDDI、ATM这些归根到底是一些组网的技术和方案,经过提交给标准组织之后,便成为了一种组网标准。因为IEEE 802是管理组网标准的组织(1980年,IEEE组建了802项目LAN/MAN标准委员会来制定网络标准,这个标准组织由那些专注于协议底下两层的工程专家所组,知道这一事实对于理解IEEE的标准非常重要)。所以,这些组网方案通过它的认定后,一般会成为以802.X方式命名的标准

Justin_Ting的专栏 3204

计算机网络—CSMA/CD协议

总线上只要有一台计算机在发送数据,总线的传输资源就被占用。因此,在同一时间只能允许一台计算机发送数据,否则各计算机之间就会互相干扰,使得所发送数据被破坏。因此,如何协调总线上各计算机的工作就是以太网要解决的一个重要问题

Naive的博客 1万+

软件设计师之网络协议与标准深度解读:从理论到实践

在软件开发的技术领域中,网络协议与标准是确保计算机网络稳定、高效运行的关键要素。作为一名技术爱好者,深知深入学习这些知识的重要性,希望通过这篇博客,与大家一同探索网络协议与标准的奥秘,在技术提升的道路上携手共进。

wj_rdk的博客 1805

软考网络工程师|第 3 章 局域网基础、CSMA/CD、退避算法、最小帧长 完整备考笔记

推导:冲突 n 次,k=n,随机取值区间共\(2^n\)个数字,取 0 仅 1 种,概率 =\(1/2^n\)。例题:连续 3 次冲突 k=3,区间 0~7,共 8 个随机值,立即发送概率 = 1/8=0.125。错误观点 1:冲突次数越多,等待时间一定更长(错,随机取值,存在短时等待可能);题干:10Mbps 以太网,网段总长 1000 米,v=2×10⁸ m/s 代入计算: Lmin = 2 × 10⁷ × 1000 / (2×10⁸) = 100 bit 答案:最小帧长 100 比特。

YY888888_的博客 406

网络协议解析:CSMA/CD, CSMA/CA与令牌传递机制

本文深入探讨了以太网的CSMA/CD协议,令牌环802.5和FDDI协议,以及CSMA/CA在无线网络中的应用。分析了不同网络协议的工作原理,它们如何处理数据传输中的碰撞和冲突,以及这些机制对于网络性能和安全的影响。同时,讨论了网络设备(如集线器和交换机)在冲突域中的作用,并对比了有线和无线网络的争用方法。

weixin_42451850的博客 513

NV 英伟达2022数字芯片笔试题

作者:数字IC打工人 链接:【开卷】第27期 NV 英伟达2022数字芯片笔试题_笔经面经_牛客网 来源:牛客网 1、Single Choice: Given thefollowing FIFO and rules, how deep does the FIFO need to be to preventunderflow or overflow? RULES: clk_A=25MHz; clk_B=100MHz; en_B is periodically asserted: period.

weixin_44072819的博客 6385

IEEE802网络协议和标准

IEEE802是一系列定义了局域网(LAN)如何访问传输介质和传输数据的规范。涵盖以太网(如10Mb/s、100Mb/s、1000Mb/s)、令牌总线、令牌环、城域网协议等。重点介绍了IEEE802.3以太网标准,包括10Mb/s的细同轴电缆、100Mb/s的双绞线和1000Mb/s的光纤或双绞线版本。IEEE802规范定义了网卡如何访问传输介质(如光缆、双绞线、无线等),以及如何在传输介质上传输数据的方法,还定义了传输信息的网络设备之间的连接建议、维护和拆除的途径。

weixin_45905650的博客 5475

求助:有没有基于pscad的锂电池仿真模型

求助:有没有基于pscad的锂电池仿真模型 欢迎使用Markdown编辑器 你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章,了解一下Markdown的基本语法知识。 新的改变没有 我们对Markdown编辑器进行了一些功能拓展与语法支持,除了标准的Markdown编辑器功能,我们增加了如下几点新功能,帮助你用它写...

qq_38922523的博客 1220

6.2 - 协议族

适配器在发送数据的时候会边检测信道上的信号电压变化情况,以判断自己在发送数据时是否有其他站在发送数据。载波监听,简单的说,就是“发送前先监听”,每一个站在发送数据前都会先检测总线上是否有其他站在发送数据。作用是通过目标设备的IP地址,查询目标设备的MAC地址, 将计算机的网络地址【IP地址32位】转化为物理地址【MAC地址48位】。因为数据链路层用的是“mac地址”,但是网际层用的是“ip地址”,这两个地址之间的关联需要ARP协议。是一个无连接的不太可靠的协议,一般适用于小量的数据传输。...

李黏黏的博客 769

PCIe 物理层(Physical Layer)详解

PCIe物理层关键技术解析 PCIe物理层作为协议栈底层核心,承担着比特流传输、链路训练与电气特性管理等关键功能。该层采用分层架构,包含逻辑物理层(负责编解码/加扰)和电气物理层(处理信号收发)。关键技术亮点包括: 智能链路管理:通过LTSSM状态机实现11种状态转换,涵盖链路检测(Detect)、协商(Polling/Configuration)、功耗管理(L0s/L1)等全生命周期控制 高效编码方案:Gen1/Gen2采用8b/10b编码(20%开销),Gen3+升级为128b/130b(仅1.5%开销

珂珂可爱多 725

C#上位机部署YOLO模型:ONNX转换+推理加速+内存优化全攻略

本文针对C#上位机部署YOLO模型的三大痛点,提供从模型转换到优化部署的完整解决方案。首先介绍将YOLO模型转换为ONNX格式的必要性和方法,包括自动和手动两种转换方案及常见问题解决。然后详细讲解C#环境配置和基础部署流程,包括图像预处理、模型加载、推理计算和结果解析。最后提出推理加速和内存优化策略,通过硬件适配、多线程处理和资源复用等技术手段,实现工业场景下的高效稳定运行。全文提供可直接复用的代码片段和实测验证方案,覆盖YOLOv5/v7/v8全版本,帮助开发者快速实现轻量化部署。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 785

计算机网络试题及答案(史上最全)

计算机网络试题及答案(一) 一、.填空题 1.所谓计算机网络,会议是利用通信设备和线路将地理位置不同的、功能独 立的 多个计算机系统互连起来,以功能完善的网络软件实现网络中资源共享 和数据通讯的系统。 2.计算机网络如果按作用范围进行分类,可分为广域网(WAN)、局域网 (LAN)和城域网(MAN)。 3.网络协议通常采用分层思想进行设计,OSI RM 中的协议分为7层,而 TCP/IP RM 中协议分为4层。 4.在 TCP/IP RM 中,用于互联层的协议主要有:ARP、IP、RARP、ICMP 和 I

weixin_43474701的博客 10万+

DSP开发环境及工具之CCS

CCS( Code Composer Studio)是美国德州仪器(TI)公司的嵌入式处理器的开发环境,可以用于TI公司的各个系列处理器的软件开发和调试,如DSP,MCU,ARM等。CMD的专业名称叫链接器配置文件,是存放链接器的配置信息的,我们简称为命令文件。从其名称可以看出,该文件的作用是指明如何链接程序的。编辑完C语言设置,添加cmd文件之后,然后检查编译配置选项。主要的操作都是在这个窗口之间做相应的切换。

小柚子的博客 4311

从帧到包:深入解析链路层与局域网通信的核心机制

本文系统剖析计算机网络中链路层的关键作用,涵盖其在相邻节点间实现可靠“一跳”通信的核心任务——包括MAC地址寻址、帧封装、差错检测与介质访问控制。通过对比以太网、令牌环网与Wi-Fi等局域网技术,阐明IP协议如何屏蔽底层异构性,并详解CSMA/CD、交换式以太网演进及MTU对上层协议的影响。文章揭示了“IP不变、MAC常变”的跨网络传输本质,为理解现代互联网架构奠定坚实基础。

祯的博客 881

RT-DETR改进策略【卷积层】| CGblock 内容引导网络 利用不同层次信息,提高多类别分类能力 (含二次创新)

本文记录的是利用中的模块优化的目标检测网络模型。通过局部特征提取器、周围环境提取器、联合特征提取器和全局环境提取器来提取局部特征、周围环境和全局环境信息,充分利用不同层次的信息。本文将其应用到中,并进行二次创新,使网络能够更好的处理多类别目标的分类能力。CGNet: A Light-Weight Context Guided Network for Semantic Segmentation1️⃣ 首先通过局部特征提取器floc(∗)floc(*)floc(∗)和周围环境提取器fsur(∗)f_{sur }

Limiiiing的博客 1348

国资e学快速学习实战教程

本文主要介绍了国资e学快速学习实战教程,希望能对同学们有所帮助。 文章目录 1. 前言 2. 实战教程

weixin_43178406的博客 11万+

以太网基本知识

局域网(LAN)的结构主要有三种类型:以太网(Ethernet)、令牌环(Token Ring)、令牌总线(Token Bus)以及作为这三种网的骨干网光纤分布数据接口(FDDI)。 它们所遵循的都是IEEE(美国电子电气工程师协会)制定的以802开头的标准,目前共有11个与局域网有关的标准。IEEE 802.5 通常指令牌环网。一种网络协议。Token Ring访问方法及物理层规定等。 80年代初期:美国电气和电子工程师学会IEEE 802***会制定出局域网体系结构, 即IEEE 802参考模型。 I.

s13100679177的博客 1216

具身智能(40):主流 VLA 模型π₀

摘要: π₀是首款专为机器人设计的VLA(视觉-语言-动作)端到端基础模型,通过双阶段训练实现“感知-决策-执行”闭环。其创新点包括:1)FlowMatching技术实现连续平滑动作控制(精度0.3°);2)结合VLM预训练与多机器人实操数据,零样本任务完成率达76.4%,远超同类模型;3)支持模糊指令理解与动态场景适应(如遮挡识别)。开源版本涵盖不同规模模型,适用于工业装配、服务机器人等场景,在延迟(213ms)和稳定性(92%自主恢复率)上显著领先OpenVLA等竞品。

码农17年的博客 509

详解网络协议(四)数据链路层

【代码】详解网络协议(四)数据链路层。

geesehoward20000的博客 391

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

软考网络工程师看图题题目(含答案)

1、页式存储系统的逻辑地址是由页号和页内地址两部分组成的。假定页面的大小为4K,地址变换过程如图6-38所示,图中的逻辑地址用十进制表示。 图中有效地址经过变换后,十进制物理地址a应为(1)。 解析: (1)此题考查的是虚拟存储中的页式存储,题目已知页面大小为4K,因为4K=212(12次方),所以页内地址有12位。现在把逻辑地址8644转换成二进制得:10 0001 1100 0100,这里的低12位为页内偏移量,最高两位则为页号,所以逻辑地址8644的页号为10,即十进制的2,所以物理块号为8

qq_35805415的博客 1923

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")

计算机网络历年名词解释(2006-2008)

2006 1.IEEE802.5 令牌环网 解析:令牌环网由 IBM 公司于 1969 年推出,后来被列为 IEEE 802.5 标准协议,它在物理和逻辑上均基于环结构, 传输速率可以达到 4 或 16Mbps。令牌环网使用双绞线或同轴电缆作为传输介质,并将与各个站相连的接口逐个连接起来组成一个闭合的环路,环上的每个环接口均有两种工作方式:发送方式与收转方式。该网络通过一个很小的自由令牌(Free Token,一种有别与数据信号帧的特殊信号帧)在环上单向循环来控制和管理传输介质的使用,以保证整个环路最

qq_20848381的博客 384

网络协议分析-Ethernet

以太网(Ethernet) 以太网是今TCP/IP采用的主要的局域网技术 IEEE802发布标准: 802.3(整个网络) 802.4(令牌总线网络) 802.5(令牌环网络) TCP/IP中以太网IP数据报文的封装在RFC 894中定义,IEEE802.3网络的IP数据报文封装在RFC 1042中定义。 最常用的就是RFC 894,俗称Ethernet II 或者 Ethernet DIX Et...

欢迎关注微💌,不定期发布安全运维、甲方视角安全建设、乙方厂商专业安全服务内容。 2536

IEEE802网络协议

IEEE 802.1—概述、体系结构和网络互连,以及网络管理和性能测量。 IEEE 802.2—逻辑链路控制LLC。最高层协议与任何一种局域网MAC子层的接口。 IEEE 802.3—CSMA/CD网络,定义CSMA/CD总线网的MAC子层和物理层的规范。 IEEE 802.4—令牌总线网。定义令牌传递总线网的MAC子层和物理层的规范。 IEEE 802.5—令牌环形网。定义令牌传递环形网的MAC子层和物理层的规范。 IEEE 802.6—城域网。 IEEE 802.7—宽带技术。 IEEE 802.8—光

闻到你的人的博客 1670

第四章 局域网

主要内容: 1.    局域网基本结构特点,传输介质、传输技术 2.    逻辑结构 3.    CSMA/CD基本原理及其特性 4.    以太网、交换以太网 5.    令牌总线,令牌环网,时间片环,FDDI工作原理和特点 6.    无线局域网基本原理和应用 一、基本概念    1、局域网是将分散在有限地理范围内(如一栋大楼,一个部门)的多台计算机通过传输媒体连接起来的通

renjiewen1995的专栏 496

[计网笔记]媒体接入控制/介质访问控制

复习笔记

qq_39377889的博客 779
上一篇: 华大MCU(三):HC32F460时钟树解析与实战配置
下一篇: 发光二极管参数暗藏玄机:从5mA指示灯到高亮度照明设计的选型陷阱
algae
博客等级 码龄19年 1378粉丝 1719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