〔重庆理工大学〕计算机网络实验指导书【实验九 直连路由,静态路由,默认路由配置】

实验九 直连路由,静态路由,默认路由配置(实验指导书)

一、路由器及路由协议基础知识

1.1 路由器基础知识

路由器属于网络层设备,能够根据IP包头的信息,选择一条最佳路径,将数据包转发出去,实现不同网段的主机之间的互相访问。

路由器是根据路由表进行选路和转发的,而路由表由一条条路由信息组成。路由器生成路由表主要有3种途径:

  1. 直连网络

  2. 静态路由

  3. 动态路由

(1)直连网络

即和路由器某一活动接口直接相连的网络;路由器自动添加和自己直接连接的网络到路由表中。直连路由是由链路层协议发现的,一般指去往路由器的接口地址所在网段的路径,该路径信息不需要网络管理员维护,只要该接口处于激活状态,路由器就会把通向该网段的路由信息填写到路由表中。
在这里插入图片描述

(2)静态路由

由网络管理员手工配置添加到路由器的路由表中。在静态路由中,只需要指出下一跳的地址,至于以后如何指向,那是下一跳路由器考虑的事情。

  • 静态路由一般适用于比较简单的网络环境,在这样的环境中,网络管理员易于清楚地了解网络的拓扑结构,便于设置正确的路由信息。静态路由的一个缺点是不能自动适应网络拓扑的变化。

计算机网络实验指导书 pdf,计算机网络实验指导书-20210608153043.pdf-原创力文档 实验(1) 局域网实习一. 实验目的1. 通过局域网实验,了解WINDOW 操作系统网络方面的主要特点。2. 初步熟悉该系统的各种常用基本网络操作。3. 了解以太网架构及网络布局。二. 实验原理以太网的工作原理及WINDOWS 中网络通信协议的实现。三.实验设备计算机,WINDOWS 操作系统四.实验内容1.了解实验室以太网环境的构建。2 .配置网上邻居属性选项卡的基本信息。3... 阅读详情

相关推荐

计算机网络实验指导书 pdf,计算机网络实验指导书(新版).pdf

. 专业 .专注 .计算机网络实验指导书主编 郭雅参编 余小华 黄锦煜 罗肖辉主审 陶培基. word 完美格式 .. 专业 .专注 .前 言计算机网络是信息社会的支柱 ...

weixin_39851261的博客 1270

〔重庆理工大学〕计算机网络实验指导书【实验十 静态路由配置】

本实验指导书详细介绍了静态路由配置的实验过程,主要包含以下内容:1)实验目的为掌握静态路由配置方法,实现网络连通性;2)实验拓扑采用总部与两个分部通过路由器连接的网络架构;3)实验步骤包括环境搭建、IP规划、路由器模块添加、接口配置、静态路由设置等关键操作;4)通过命令行方式配置路由器接口IP地址和静态路由表;5)最后测试验证网络连通性。实验采用Packet Tracer软件模拟,涉及2811路由器配置、串口模块添加、静态路由表设置等技术要点,最终实现不同局域网间的互通。

Pretty Boy Fox的博客 931

〔重庆理工大学〕计算机网络实验指导书【实验十二 NAT】

摘要:本实验指导书介绍了NAT(网络地址转换)技术原理及配置方法。NAT用于将私有IP地址转换为公有IP地址,解决IP地址不足问题并提高安全性。实验分为静态NAT和动态NAT两部分:静态NAT实现内网服务器与外网的一对一映射;动态NAT通过端口地址转换实现多台主机共享公网IP。实验内容包括拓扑搭建、路由器配置、NAT映射设置、静态路由配置及转换验证。通过模拟HTTP访问和数据包分析,观察NAT转换过程,掌握企业网络接入互联网的配置技术。

Pretty Boy Fox的博客 944

〔重庆理工大学〕计算机网络实验指导书【实验十一 RIP+OSPF】

本文是重庆理工大学计算机网络实验十一RIP+OSPF的指导书,先讲解路由器基础与路由协议分类,介绍RIP协议的距离向量特性、更新规则及配置命令,再依托指定拓扑完成RIP配置、路由表查看和连通性测试实验;随后阐述OSPF链路状态协议的工作过程,给出同拓扑下OSPF的命令行配置步骤与验证方法。此外,文档还提供了实验配套PPT、.pkt格式实验文件,说明打开文件需安装Cisco Packet Tracer Student工具,并附上该工具的相关说明链接,为实验开展提供完整支撑。

Pretty Boy Fox的博客 983

计算机网络 实验指导书.pdf

计算机网络 实验指导书.pdf

计算机网络实验指导书20121008

实验 网络命令使用 一、实验目的 1.掌握基本的网络命令,并了解其在网络领域的作用。 2.学习使用网络命令,并了解其参数的含义。 二、实验要求 1.要求不仅能会使用网络命令,并能在实际网络操作中灵活运用。 2.能将基本的网络知识和网络操作结合起来进行理解。 三、实验内容: 1. 使用ping命令测试网络的连通性,参数为IP地址或主机名等。 2. 使用ipconfig命令,查看本机上的TCP/IP协议配置情况。 3. 使用Tracert命令。 当使用ping工具却没有等到响应时,就必须找出问题的原因。Tracert工具与ping工具相似。两者的区别在于:如果使用Tracert工具,则从源主机到目标主机之间的每一台路由器都会返回报告。 Tracert工具还可以用于确定服务器是否配置为不响应ping。在这种情况下,从源主机到目标主机之间路径上的每台路由器都会返回响应,但是目标用品本身不返回响应。 a) 获取该命令的语法。 在控制台中输入tracert即可得到这个命令的语法。请将运行结果记录下来。并弄清楚每个参数的含义。 b) 执行tracert –d 192.168.0.*。将结果记录下来。 4. netstat 命令 显示协议统计和当前的 TCP/IP 网络连接。该命令只有在安装了 TCP/IP 协议后才可以使用。具体用法如下:

计算机网络与通信原理实验指导书

计算机网络与通信原理实验指导书 实验一 为PC机配置静态IP地址 1 实验二 PC机上常用网络命令 3 实验三 使用Wireshark进行网络协议分析 10 实验四 以太网链路层帧格式分析 13 实验五 网络层协议分析 15 实验六 传输层协议分析 20 实验七 应用层协议分析 24

《计算机网络》实验指导.

《计算机网络》实验指导 实验一 网络连接设备及工具的使用 3 实验一 网络连接设备及工具的使用 3 一 实验目的: 3 二 实验环境: 3 三 相关理论: 3 四 实验步骤 4 实验二 虚拟局域网的配置 10 一 软件相关知识介绍: 10 二.常用命令的介绍: 11 三.实验内容 12 实验三 路由器的配置和管理1 配置静态路由 18 一 实验环境构建 18 二 配置实验 18 路由器的配置和管理2(配置动态路由RIP) 23 一 实验环境构建 23 二 RIP协议基本配置命令 23 三 RIP配置实验 24 实验四 WEB服务器与DNS服务器的配置和管理 28 一 实验目的: 28 二 实验环境: 28 三 相关理论: 28 四 实验内容: 28 五 实验步骤: 28">《计算机网络》实验指导 实验一 网络连接设备及工具的使用 3 实验一 网络连接设备及工具的使用 3 一 实验目的: 3 二 实验环境: 3 三 相关理论: 3 四 实验步骤 4 实验二 虚拟局域网的配置 10 一 软件相关知识介绍: 10 [更多]

计算机网络实验指导

计算机网络实验与学习指导书叶阿勇-基于Packet Tracer6.0版本计算机网络实验与学习指导书叶阿勇-基于Packet Tracer6.0版本

ubuntu安装glibc

VSCode 在ubuntu下调试无法打开libc-start.c raise.c等1. 安装glibc2. launch.json中添加路径映射3. 调试 1. 安装glibc apt install glibc-source cd /usr/src/glibc/ sudo tar -xvf glibc-[VERSION].tar.xz 2. launch.json中添加路径映射 "sourceFileMap": { "/build/glibc-S7xCS9": "/usr/src/glib

wq_0708的博客 3万+

Python对接海康威视机器视觉工业相机

工业相机只允许单条连接,也就是说MVS如果连接了相机,python代码就无法获取数据,此时必须。相机工具类(读者直接复制)HKCamera_class.py。博主这里出现了一个警告:获取不到相机参数。四、使用Pycharm打开Python代码示例文件夹。三、找到MVS示例代码(代码在MVS的安装位置)二、解压并安装MVS客户端。一、下载MVS客户端。安装一下opencv。

Good Luck 2万+

PCIe设备内存访问实战:从ioremap到DMA映射的完整流程解析

本文深入解析了PCIe设备内存访问的完整流程,涵盖从CPU通过ioremap访问设备寄存器,到设备通过DMA映射高效读写主机内存的核心机制。详细探讨了虚拟地址、物理地址与总线地址的转换关系,对比了一致性与流式DMA映射的适用场景及同步要点,并阐述了IOMMU在安全与效率中的作用,为驱动开发者提供了实战代码与关键陷阱分析。

weixin_29201933的博客 508

PrimeTime生成.lib竟暗藏PG添加Bug

1. 确认原始库中是否包含PG引脚的定义。2. 查阅PrimeTime的write_lib命令文档,寻找相关选项。3. 在生成库时使用正确的选项,例如-include_pg_pins或类似参数。4. 验证生成的.lib文件是否包含pg_pin部分。

limanjihe的专栏 1923

从0到1搭建StarRocks3.4.1存算一体架构(VM 虚拟机版)

本文详细介绍了如何在VM虚拟机上从零搭建StarRocks 3.4.1存算一体架构。首先阐述了StarRocks作为高性能分布式SQL数据仓库的优势,重点讲解了其存算一体架构的设计原理。随后提供完整的安装指南,包括环境准备(3台CentOS 8虚拟机配置)、网络互通验证、Java环境配置、软件包解压安装等关键步骤。文章特别详细说明了FE和BE节点的配置文件修改(fe.conf和be.conf)以及必要的防火墙端口开放配置。通过图文并茂的方式,帮助开发者和运维人员快速掌握StarRocks集群部署方法,为后续

小 tom的博客 1341

Python爬虫实战:模拟登录知乎 – 通过加密参数和验证码实现自动登录

通过本篇博客的讲解,我们学习了如何通过 POST请求 和 验证码识别,模拟登录知乎并爬取用户信息、问题数据。随着爬虫技术的发展,面对更复杂的反爬虫机制,我们可以不断调整策略,以绕过这些防护,实现数据的自动化抓取。

2201_76125261的博客 732

YOLO26 FP16/INT8混合量化实战:精度无损+速度拉满,边缘设备部署最优解

这是混合量化的灵魂,告诉量化器:哪些层不准动,保留FP16。"""判断是否为量化敏感层 → 是则豁免为FP16返回 True=敏感层(FP16),False=可量化(INT8)"""# 1. 检测头回归分支# 2. 小通道1×1卷积# 3. SiLU 激活# 4. 残差ShortcutYOLO26想要在Jetson、RK3588、昇腾、嵌入式NPU上真正落地,FP16/INT8混合量化是唯一最优解。它的核心逻辑不是玄学,而是工程上的精准取舍能量化的层,全部INT8榨性能;

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 749

Google Earth Engine 实现图像随机森林分类_遥感分类全流程详解

本文将通过一段完整的GEE代码,逐步讲解如何利用Sentinel-2影像和随机森林算法,实现地表覆盖分类。代码包含等关键步骤,适合遥感入门学习!

国科大硕士在读,分享Python/GEE/Matlab/R专业代码实践,涵盖数据分析、算法开发与应用技巧等,以代码会友。 920

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")

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

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

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

上一篇: 括号匹配深度【牛客tracker & 每日一题】
下一篇: 【模板】巴什博弈【牛客tracker & 每日一题】
Pretty Boy Fox
Pretty Boy Fox 新星创作者: C/C++、数据库技术领域 新星创作者: C/C++、数据库技术领域 优质创作者: 算法与数据结构技术领域 优质创作者: 算法与数据结构技术领域
博客等级 码龄3年 1万+粉丝 2266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

打赏作者

Pretty Boy Fox

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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
⌂ 换网址