PCC

本文介绍了路由器上针对多链路负载均衡的具体配置方法,包括如何设置连接标记、路由标记等,实现不同链路间的流量分配。此外还涉及了DDNS配置的相关细节。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

/ip firewall mangle
add action=mark-connection chain=input comment=adsl-1 in-interface=pppoe-out1 \
    new-connection-mark=pcc-adsl-1 passthrough=yes
add action=mark-routing chain=output connection-mark=pcc-adsl-1 \
    new-routing-mark=pcc-router1 passthrough=yes
add action=mark-connection chain=input comment=adsl-3 in-interface=pppoe-out3 \
    new-connection-mark=pcc-adsl-2 passthrough=yes
add action=mark-routing chain=output connection-mark=nth-adsl-3 \
    new-routing-mark=router-3 passthrough=yes
add action=mark-connection chain=prerouting comment=pcc1 new-connection-mark=\
    pcc-adsl-1 passthrough=yes per-connection-classifier=both-addresses:2/0
add action=mark-routing chain=prerouting connection-mark=pcc-adsl-1 \
    new-routing-mark=pcc-router1 passthrough=yes src-address-list=lanip
add action=mark-connection chain=prerouting comment=pcc2 new-connection-mark=\
    pcc-adsl-2 passthrough=yes per-connection-classifier=both-addresses:2/1
add action=mark-routing chain=prerouting connection-mark=pcc-adsl-2 \
    new-routing-mark=pcc-router2 passthrough=yes src-address-list=lanip
:global ddnsuser "2274950203"
:global ddnspass "TD850223"
:global ddnshost "5g.zzux.com"
:global ddnsinterface "pppoe-out1"
:global ddnslastip
:global ddnsip [ /ip address get [/ip address find dynamic=yes interface=$ddnsinterface ] address ]
:if ( [:typeof $ddnslastip]="nothing" ) do={ :global ddnslastip 0.0.0.0/0 }
:if ( [:typeof $ddnsip]="nothing" ) do={
  :log info ("DDNS: No ip address present on " . $ddnsinterface . ", please check.")
} else={

### PCC与PCA的概念解析 #### Pearson Correlation Coefficient (PCC) Pearson相关系数(PCC)是一种衡量两个连续变量之间线性关系强度和方向的统计指标。其取值范围为[-1, 1],其中正值表示正相关,负值表示负相关,而接近0的值则表明几乎没有线性关系[^2]。计算PCC通常依赖于两组数据的标准差及其协方差。 #### Principal Component Analysis (PCA) 主成分分析(PCA)是一种无监督学习技术,主要用于降维处理。通过将原始高维空间中的数据投影到低维子空间中,在保留最大可能的信息的同时降低维度。PCA的核心在于寻找能够解释最多变异性的新坐标轴,并基于这些新的特征向量重新表达数据[^3]。 --- ### PCC与PCA的主要区别 #### 数据特性假设的不同 - **PCC** 假设输入的数据遵循某种形式的线性分布模式;因此它仅能捕捉到变量间的直线型关联程度。 - **PCA**, 虽然也涉及协方差矩阵运算(这一步骤间接包含了类似PCC的思想),但它并不局限于检测单纯的线性关系,而是试图找到整个数据集的最佳重构方式,即使这种最佳解并非简单的线性组合也能适用[^4]。 #### 输出结果的形式差异 - 使用 **PCC** 后得到的是单一数值或者成对之间的相关度表格,反映每一对样本间的关系紧密程度。 - 应用 **PCA** 则会产生一组相互垂直的新基底以及对应各原特征在这套新体系下的权重贡献情况,最终形成较少数量却更具代表意义的新特征集合[^5]。 --- ### PCC与PCA的潜在联系 尽管表面上看两者目标各异——一个是量化特定类型的关联强弱,另一个侧重整体结构简化优化——但实际上它们共享某些共同基础: - 都涉及到对于多元随机变量内部交互作用的研究; - PCA过程中构建协方差/相关阵环节实际上就是运用到了类似于求算PCC的方法论来评估不同维度彼此影响状况; - 当执行标准化后的PCA时(即先让所有属性均值归零并单位化),此时所提取出来的首个主元往往可以被视作最大化总体加权平均意义上的"Pearsonian correlation"表现者[^6]。 ```python import numpy as np from sklearn.decomposition import PCA # Example of using PCA on a dataset with standardized features. data = np.random.rand(100, 5) # Simulated data set with five variables. pca = PCA() principal_components = pca.fit_transform(data) print("Explained variance ratio:", pca.explained_variance_ratio_) ``` --- ### 结语 综上所述,虽然PCC专注于描述具体双变量间的简单线性依存态势,而PCA致力于探索全局最优变换路径实现高效压缩表征效果,但在深层次原理层面二者存在着千丝万缕的内在勾连。
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