Get Information from Tracert Command

文章通过运行tracert www.sina.com.cn命令查看该地区网络连接情况。给出运行结果,从中可知libra.sina.com.cn对应IP、各跳地址及物理位置,还发现到Sina经过16跳,瓶颈出现在第5到第6跳间、第8到第9跳间,第9、12、15跳可能不稳定。


优快云原贴:http://community.youkuaiyun.com/Expert/TopicView.asp?id=3533938


运行tracert www.sina.com.cn命令来看看我们这个地区网络的连接情况,

运行的结果如下::

——————————————————————————————————————

C:\Documents and Settings\Administrator>tracert www.sina.com.cn

Tracing route to libra.sina.com.cn [61.135.152.71]
over a maximum of 30 hops:

1 <10 ms <10 ms <10 ms 192.168.100.1
2 <10 ms <10 ms <10 ms 61.191.21.169
3 <10 ms <10 ms <10 ms 61.190.190.166
4 <10 ms <10 ms <10 ms DZL-CORE-R-GE1-1.MAN.HF.AH.CN [61.190.195.253]
5 15 ms <10 ms <10 ms 61.190.195.225
6 94 ms 109 ms 109 ms 202.97.39.21
7 110 ms 109 ms 109 ms 202.97.37.50
8 110 ms 109 ms 94 ms 202.97.36.42
9 * 282 ms * 219.158.28.113
10 265 ms 282 ms 265 ms 202.96.12.30
11 282 ms * 282 ms 202.106.193.178
12 * * 235 ms 202.108.46.26
13 281 ms 266 ms 281 ms 202.108.47.134
14 234 ms 234 ms 235 ms 61.135.148.178
15 * 235 ms * 61.135.152.71
16 234 ms 234 ms 235 ms 61.135.152.71

Trace complete.

—————————————————————————————————

从整个过程我们可以得到一下信息:

libra.sina.com.cn对应IP是61.135.152.71
第一跳地址是192.168.100.1,应该是本地网关
第二跳地址是61.191.21.169,安徽合肥的IP,应该是当地ISP的第一个网关
其他的都标在每条路径里面

可见到Sina经过了16跳;
其中瓶颈出现在第5到第6跳间、第8到第9跳间;
另外第9、12、15跳可能不是那么稳定;

Tracing route to libra.sina.com.cn [61.135.152.71]
over a maximum of 30 hops:

1 <10 ms <10 ms <10 ms 192.168.100.1
2 <10 ms <10 ms <10 ms 61.191.21.169
3 <10 ms <10 ms <10 ms 61.190.190.166(安徽池州)
4 <10 ms <10 ms <10 ms DZL-CORE-R-GE1-1.MAN.HF.AH.CN [61.190.195.253](安徽路由器)
5 15 ms <10 ms <10 ms 61.190.195.225安徽省路由器)
6 94 ms 109 ms 109 ms 202.97.39.21(上海)
7 110 ms 109 ms 109 ms 202.97.37.50(上海路由器)
8 110 ms 109 ms 94 ms 202.97.36.42
9 * 282 ms * 219.158.28.113
10 265 ms 282 ms 265 ms 202.96.12.30(北京)
11 282 ms * 282 ms 202.106.193.178(北京路由器)
12 * * 235 ms 202.108.46.26(北京)
13 281 ms 266 ms 281 ms 202.108.47.134(北京)
14 234 ms 234 ms 235 ms 61.135.148.178(北京)
15 * 235 ms * 61.135.152.71(Sina)
16 234 ms 234 ms 235 ms 61.135.152.71(Sina)

Trace complete.


至于IP对应的物理位置,可以在http://ip.loveroot.com/查看到,但IP探索者的数据库还不算完善,有完整的或者更准确的查询的话欢迎给我留个言,谢谢。

内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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