初识网络原理

网络发展:
1.独立模式:
计算机之间相互独立
2.网络互联:
多台计算机连接在一起,完成数据共享
3.局域网LAN:计算机数量更多,通过交换机和路由器连接在一起
4.广域网WAN:将远隔千里的计算机都连接一起
认识协议:
所谓协议其实就相当于一种约定,计算机之间的传输媒介是电信号和光信号,通过频率和强弱来表示0和1这样的信息。要想传输不通的信息,就需要约定好双方的数据格式。
OSI七层模型:
从上往下七层分别为:

  • 应用层
  • 表示层
  • 会话层
  • 传输层
  • 网络层
  • 数据链路层
  • 物理层

TCP/IP五层(四层:没有物理层)模型:
TCP/IP协议是一组协议的代名词,其中还包括了其他一些协议。

  • 物理层
    使用的协议/技术:0/1电信号
    代表硬件:网线,WiFi电磁波,集线器(hub)
  • 数据链路层
    使用的协议/技术:以太网帧,ARP,MTU
    代表硬件:交换机
  • 网络层
    使用的协议/技术:IP协议,路由
    代表硬件:路由器
  • 传输层
    使用的协议/技术:TCP,UDP
    代表硬件:
  • 应用层
    使用的协议/技术:HTTP,DNS,NAT,NAPT,FTP,SMT,TELnet
    代表硬件:
    数据的封装和分用:
    数据的封装:类似于打包快递,一层一层封装,到哪一层就加对应层所遵守的协议
    在这里插入图片描述
    每层协议都要加上一个数据首部,称为封装
  • 应用层:http+数据
  • 传输层:tcp+http+数据
  • 网络层:ip+tcp+http+数据
  • 数据链路层:以太网帧+ip+tcp+http+数据
  • 物理层:0/1光电信号
    数据的分用:类似于拆快递,一层一层解析
    数据发送的五元组:
    1.IP:定为网络中某一台主机,在网络层包装IP地址。本机IP默认为127.0.0.1,前三位为网络号,最后一位为主机号
    2.端口号:绑定主机中某一个应用程序,应用程序都是通过在传输层包装端口号发送或接收数据
    3.五元组:源IP+源端口号+目的IP+目的端口号+协议号
    4.IP+端口号:可以定位到网络中某一具体的应用程序
    5.发送数据:五元组 接收端响应数据:目的IP+目的端口号=发送数据包中的源IP+源端口号
    IP和MAC地址:
    1.MAC地址:也叫物理地址,硬件地址,MAC地址在网卡上,一台主机要是有多个网卡,那么每个网卡都有唯一的MAC地址
    2.IP地址:IP地址在IP协议中,用来表示网络中不同主机的位置
    IP和MAC区别:
    IP地址描述的是:路途中体的起点(源IP)和终点(目的IP)
    MAC地址描述的是:路途中每一区间的起点和终点
    在这里插入图片描述
    网络设备的功能:
  • 主机:它的操作系统内核实现了从传输层到屋里层的内容
  • 路由器:实现了网络层到物理层
  • 交换机:实现了数据链路层到物理层,只转发数据报,根据数据报中的mac来发送
  • 集线器:只实现了物理层,只转发数据报,广播发送到所有主机
    在这里插入图片描述
    了解基于集线器的网络互联:
    集线器只是起到了数据转发的作用!

在这里插入图片描述
局域网:
基于交换机的连接
在这里插入图片描述
基于路由器+交换机的连接
在这里插入图片描述
广域网:
在这里插入图片描述
在这里插入图片描述
问题:
百度服务器是否可以处于局域网内?
答:不可以

本指南详细阐述基于Python编程语言结合OpenCV计算机视觉库构建实时眼部状态分析系统的技术流程。该系统能够准确识别眼部区域,并对眨眼动作与持续闭眼状态进行判别。OpenCV作为功能强大的图像处理工具库,配合Python简洁的语法特性与丰富的第三方模块支持,为开发此类视觉应用提供了理想环境。 在环境配置阶段,除基础Python运行环境外,还需安装OpenCV核心模块与dlib机器学习库。dlib库内置的HOG(方向梯度直方图)特征检测算法在面部特征定位方面表现卓越。 技术实现包含以下关键环节: - 面部区域检测:采用预训练的Haar级联分类器或HOG特征检测器完成初始人脸定位,为后续眼部分析建立基础坐标系 - 眼部精确定位:基于已识别的人脸区域,运用dlib提供的面部特征点预测模型准确标定双眼位置坐标 - 眼睑轮廓分析:通过OpenCV的轮廓提取算法精确勾勒眼睑边缘形态,为状态判别提供几何特征依据 - 眨眼动作识别:通过连续帧序列分析眼睑开合度变化,建立动态阈值模型判断瞬时闭合动作 - 持续闭眼检测:设定更严格的状态持续时间与闭合程度双重标准,准确识别长时间闭眼行为 - 实时处理架构:构建视频流处理管线,通过帧捕获、特征分析、状态判断的循环流程实现实时监控 完整的技术文档应包含模块化代码实现、依赖库安装指引、参数调优指南及常见问题解决方案。示例代码需具备完整的错误处理机制与性能优化建议,涵盖图像预处理、光照补偿等实际应用中的关键技术点。 掌握该技术体系不仅有助于深入理解计算机视觉原理,更为疲劳驾驶预警、医疗监护等实际应用场景提供了可靠的技术基础。后续优化方向可包括多模态特征融合、深度学习模型集成等进阶研究领域。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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