墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
900+累计阅读
993平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
焦点在水平分割
理论上cisco的水平分割就默认开的。
不知道什么原因，GNS3的Dinamips模拟器C3600系列，默认居然是关掉的，拓扑如下
R1、R2、R4之间172.16.0.0/29，R1=Hub
R1 f2/0 192.168.1.0/24
R2 f1/0 192.168.3.0/24
R4 f1/0 192.168.4.0/24
路由协议用RIP v2
那么，先开R1的路由协议，再开R2、R4的协议，结果，R2和R4学习到了相互的网络，但是从R4ping不到R2。
如果tracerout 发现，第一跳是R1的s0/0口，然后就**到底了。
原因应该是s0/0是物理接口，下面没有子接口，路由总不能把收到的包在直接从接口退出去吧。因此，关闭水平分割之后，路由信息可以交换，因为有R1作为HUB进行摆渡，但是数据包无法路由了。
上面是第一次实验结果，以后再找机会重新实验。
基于CANoe与CAPL的LIN网络睡眠唤醒机制深度测试实践
在汽车电子与嵌入式网络领域，总线通信的功耗管理是核心技术之一，其核心原理在于通过精密的网络管理状态机，控制节点在空闲时段进入低功耗模式以节省能源，并在需要时被可靠唤醒。这项技术的核心价值在于确保车辆静态电流达标，并保障车身控制模块（如车窗、灯光）的功能可靠性。其典型应用场景包括整车下电后的网络静默管理以及各ECU节点的协同休眠与唤醒。本文聚焦于LIN总线这一广泛应用的低成本单主多从网络，深入探讨如何利用主流的CANoe仿真测试工具及其内置的CAPL编程语言，构建自动化测试环境，对LIN协议中睡眠指令帧、唤醒
22、广域通信网
前面我们学习了PPP和HDLC这两种用于广域网的数据链路层协议，其中最重要的是PPP，尤其是PPP和以太网的结合——PPPoE，曾经得到了广泛的使用。既然谈到了广域网，那我们有必要认识几种广域网，这也是每一个网络学习者应该了解的内容。 广域网的特点 广域网是由通信公司建立和运营的网络，属于公共数据网络的性质，覆盖的地理范围很大，可以跨国界，到达世界上任何地方。计算机联网时，如果距离遥远，需要通过广域网进行转接。 广域网既是一个很庞大的网络，那么它的内部构成就非常复杂，没有固定的拓扑结构。另外，广域网要
ElectronBot-SIM七层架构：从CAD到真机控制的机器人开发全流程解析
机器人开发涉及从概念设计到物理实现的完整技术链条，其核心在于构建可靠的仿真与控制体系。基于分层架构原理，机器人系统通常采用模块化设计实现硬件控制、物理仿真和运动规划的解耦。在工程实践中，MuJoCo物理引擎和CAD模型处理成为关键技术支撑，它们通过精确的动力学仿真和几何建模确保虚拟环境与真实世界的一致性。这种技术方案的价值在于大幅降低开发成本，避免实物试错风险，特别适用于工业自动化、服务机器人等应用场景。ElectronBot-SIM项目正是基于这一理念，通过七层架构体系实现了从CAD设计到真机控制的无缝衔
Frame Relay帧中继电路的学习(NA)
帧中继产生的背景：1主要两点租用帧中继的费用更低2节省网络设备的接口如图所示，使用帧中继可创建成本极度高的全互联网络。例子：假设公司一个总部有三个分支机构，如果使用T1将每个分支机构连接到总部，则需要占用总部路由器的三个串行接口。现在假设使用帧中继PVC，则每个分支机构都可使用T1连接到服务提供商，而总部也是如此。在这种情况下，总部的T1线路将有3个PVC，每个分支机构一条...
神经网络如何让强化学习超越盲目试错
强化学习本质是智能体在环境中通过交互学习最优决策策略的过程，其核心挑战在于状态表征能力不足与探索-利用权衡失当。传统方法依赖人工设计的状态离散化和查表式价值估计，难以泛化到高维视觉、传感器等原始输入场景。神经网络作为强大的函数逼近器和特征提取器，赋予强化学习自动构建状态表征、拟合连续价值函数、输出不确定性感知探索策略的能力。这不仅突破了Q表内存瓶颈，更推动范式从‘统计试错’升级为‘建模理解’。在机器人控制、游戏AI、推荐系统等需实时决策的工程场景中，深度强化学习正成为连接感知与行动的关键技术枢纽。
BUSMASTER：开源免费的CAN总线分析工具，从报文收发、过滤到录制回放全解析
CAN总线是汽车电子和工业控制领域实现控制器局域网通信的核心技术，其工作原理基于差分信号和仲裁机制，确保了多节点网络中的可靠数据传输。这项技术的价值在于为分布式嵌入式系统提供了实时、可靠且成本优化的通信解决方案，广泛应用于车载网络、工业自动化等场景。在车载网络开发与测试中，工程师常需进行报文监控、故障诊断和场景复现。针对这些需求，开源工具BUSMASTER凭借其强大的报文过滤和精准的数据回放功能，成为了一个高效且免费的工程实践选择。它支持从基础的报文收发到复杂的录制回放工作流，帮助工程师应对日常调试与测试挑
基于网络分布式多智能体强化学习的无人机集群共识控制实践
共识控制是多智能体系统协同工作的核心概念，旨在使一组独立的智能体在仅依赖局部信息交互的情况下，达成并维持状态（如位置、速度）的一致。其原理在于设计分布式控制律或学习策略，使每个智能体基于邻居信息调整自身行为，最终实现全局协同。这项技术的价值在于无需中央控制器，即可在通信受限、环境动态变化的复杂场景下实现鲁棒、自适应的群体智能。其典型应用场景包括无人机编队飞行、协同搬运、传感器网络数据融合等。本文聚焦于利用网络分布式多智能体强化学习这一前沿方法，解决四旋翼无人机集群的共识控制问题，通过让每架无人机作为独立的学
CARLA Recorder中文实战手册：录制、回放、剪辑与注入全解析
CARLA Recorder是自动驾驶仿真中实现高精度、确定性数据采集与复现的核心模块，其本质是通过双轨同步机制（主轨状态+事件轨）保障微秒级时间对齐与语义完整性。相比FFmpeg录屏或ROS bag，它原生支持物理引擎状态持久化、事件驱动回放和毫秒级剪辑，技术价值在于支撑AEB/ACC等时序敏感算法的可重复验证。典型应用场景包括高校BEV模型评测、车企智驾闭环测试、无实车条件下的传感器鲁棒性分析，以及国产硬件（昇腾、飞腾）适配下的集群仿真。本文聚焦Recorder模块的底层原理与工程落地，深度解析.log
无线网络期末复习资料（手把手带你复习）
本文摘要： 本文系统讲解了无线网络安全知识体系，分为五大模块：全文采用"知识点+例题解析+知识卡片"的三段式结构，通过60余道典型题目深化核心概念理解，形成完整的无线攻防知识框架。
CANoe入门指南：从安装到仿真测试的汽车电子开发实战
在汽车电子开发领域，总线通信是连接各个电子控制单元（ECU）的神经系统，而CANoe作为一款集成化的开发环境，正是针对这一核心技术提供全面解决方案的工具。其工作原理基于对CAN、LIN等车载网络的深度仿真与测试，通过虚拟化技术模拟真实的车载网络环境，使开发者能够在硬件开发前期就进行功能验证和问题排查。这一技术价值在于大幅缩短开发周期、降低测试成本，并提升系统可靠性。在应用场景上，CANoe广泛覆盖了从底层报文收发、信号解析到上层自动化测试、诊断刷写乃至整车网络管理的全流程。本文聚焦于CANoe的实战应用，详
CARLA Recorder深度解析：仿真时间切片与可复现场景回放技术
CARLA Recorder并非传统录像工具，而是面向自动驾驶算法验证的高精度仿真时间切片引擎。其核心原理是将动态仿真过程序列化为毫秒级结构化二进制日志，完整捕获Actor状态、物理事件与交通信号时序，实现亚厘米级定位与确定性回放。该技术显著提升场景复现效率与根因分析能力，在感知误检调试、AEB响应验证、碰撞因果链推演等工程场景中具备不可替代的技术价值。结合Linux build与Windows build的版本兼容性控制、time_factor插值机制及recording.log文件结构理解，可构建稳定可
DQN算法实现Flappy Bird自动游戏：GPU与CPU版教程
深度强化学习(DQN)作为机器学习的重要分支，通过智能体与环境的持续交互实现自主决策。其核心原理是结合深度神经网络与Q-Learning算法，利用经验回放机制解决数据关联性问题。在游戏AI领域，DQN能有效处理高维状态空间，Flappy Bird这类简单游戏成为验证算法的理想场景。本文以TensorFlow框架为基础，详细解析如何构建卷积神经网络处理游戏画面输入，设计合理的奖励函数引导学习过程。针对不同硬件配置，分别提供GPU加速方案（需配置CUDA/cuDNN）和CPU优化技巧（批处理调整、网络简化）。通
AI眼镜超感知技术解析：多模态融合与边缘计算实践
多模态融合技术通过整合视觉、音频、运动等多种传感器数据，实现对环境的全面感知。其核心原理是利用深度学习算法对不同模态的特征进行对齐和融合，从而获得比单一传感器更丰富的上下文信息。这项技术的价值在于能够显著提升智能设备的场景理解能力和交互体验。在工程实践中，边缘计算架构通过在设备端部署优化的AI模型，实现了低延迟的实时处理，同时保障了用户隐私。结合计算机视觉和语音识别等基础技术，多模态融合在智能眼镜、自动驾驶、智能家居等领域具有广泛应用前景。本文以Meta Super Sensing AI眼镜为例，详细解析了
GameAISDK深度解析：从图像识别到AI决策的完整技术实践
GameAISDK是一款基于图像识别技术的游戏AI自动化框架，专为技术开发者和AI研究者设计，提供从图像采集、UI识别到AI决策的完整解决方案。该框架通过计算机视觉技术实现游戏界面的智能识别，结合强化学习和模仿学习算法，构建可复用的游戏AI开发模式。 ## 一、技术架构解析：多模块协同工作流 GameAISDK采用分层架构设计，核心模块包括图像处理层、UI识别层、AI决策层和动作执行层。这种架
【信息科学与工程学】【通信工程】第一百五十五篇 SRv6/SDN网络中的算法02
IPSec over SRv6是一种结合了SRv6灵活路由与IPSec高安全性的技术方案，适用于对传输安全性和路径可编程性均有要求的场景（如金融专网、跨域骨干网）。
PyTorch强化学习实战（14）——优先经验回放机制
本节深入介绍了优先经验回放机制，它通过根据样本损失值分配优先级，打破了经典 DQN 的均匀采样策略，从而提升训练效率与策略质量。详细阐述了优先级的计算公式、采样与权重补偿机制，并给出了具体代码实现，包括缓冲区设计、损失函数修改及超参数 β 的调度策略。实验结果显示，该方法在减少训练迭代次数的同时，能够获得更低的损失值。
CARLA仿真时间系统：步长与同步机制深度解析
在自动驾驶仿真中，时间系统是多传感器对齐、物理可复现与场景回放精度的底层基石。CARLA并非简单按真实时间推进，而是通过仿真时间步长（fixed_delta_seconds）和客户端-服务器同步机制（synchronous mode）共同构造确定性逻辑时钟。其核心原理在于解耦仿真时间与硬件耗时，并依赖Bullet物理引擎的子步长约束保障数值稳定性。这一设计直接决定感知数据时序一致性、强化学习训练收敛性及录播回放保真度。本文聚焦CARLA中simulation time-step与client-server
PyTorch强化学习实战（9）——深度Q学习
在本节中，我们深入讨论了如何利用神经网络近似Q值，以及这种近似方法带来的额外复杂性。在深度Q网络 (Deep Q Network, DQN) 部分，还介绍了几种提高 DQN 训练稳定性和收敛性的技术，包括经验回放缓冲池、目标网络和帧堆叠机制。最终，我们将这些扩展技术整合为一个完整的 DQN 实现方案，成功解决了 Atari 游戏系列中的 Pong 环境。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
480
扫一扫
