根據本講傳統網路架構的特點是什麼

1. 簡述計算機網路的基本結構及特點

計算機網路通俗地講就是由多台計算機（或其它計算機網路設備）通過傳輸介質和軟體物理（或邏輯）連接在一起組成的。總的來說計算機網路的組成基本上包括：計算機、網路操作
網路的特點：
互動性
虛擬性
全球性
直接性
全天候
高效率
低成本
方便性

2. 什麼是網路的拓撲結構、常見的網路拓撲結構有哪些 3 OSI模型分幾層，描述各層的作用。

有線網路的拓撲結構大致有以下三種：

匯流排結構——所有節點均處於一條同軸電纜上，同軸電纜的兩端有終端匹配器。例如：早期的3+網和Novell網；

環形結構——所有節點處於由光纖構成的環路上。例如：早期的FDDI網路以及目前的大型城域網；

星形結構——目前最常見的網路拓撲結構，以網路交換機為中心，向四周輻射，並且可以級連多層交換機構建多層結構形成樹狀結構。

3. 網路架構是什麼

傳統的網路架構：星型、環形、匯流排型,其實最重要的還是交換技術：乙太網、令牌環和fddi、atm。
網路架構，是物理層面的。交換技術是一種信息傳遞技術，網路架構是交換技術的載體。
osi是一個開放性的通行系統互連參考模型，他是一個定義的非常好的協議規范。osi模型有7層結構，每層都可以有幾個子層。七層都是什麼應該知道吧。

4. 計算機網路的拓撲結構主要有哪些各有什麼特點

計算機網路的拓撲結構主要有：匯流排型拓撲、星型拓撲、環型拓撲、樹型拓撲和混合型拓撲。
匯流排型拓撲
匯流排型結構由一條高速公用主幹電纜即匯流排連接若干個結點構成網路。網路中所有的結點通過匯流排進行信息的傳輸。這種結構的特點是結構簡單靈活，建網容易，使用方便，性能好。其缺點是主幹匯流排對網路起決定性作用，匯流排故障將影響整個網路。
匯流排型拓撲是使用最普遍的一種網路。
星型拓撲
星型拓撲由中央結點集線器與各個結點連接組成。這種網路各結點必須通過中央結點才能實現通信。星型結構的特點是結構簡單、建網容易，便於控制和管理。其缺點是中央結點負擔較重，容易形成系統的「瓶頸」，線路的利用率也不高。
環型拓撲
環型拓撲由各結點首尾相連形成一個閉合環型線路。環型網路中的信息傳送是單向的，即沿一個方向從一個結點傳到另一個結點；每個結點需安裝中繼器，以接收、放大、發送信號。這種結構的特點是結構簡單，建網容易，便於管理。其缺點是當結點過多時，將影響傳輸效率，不利於擴充。
樹型拓撲
樹型拓撲是一種分級結構。在樹型結構的網路中，任意兩個結點之間不產生迴路，每條通路都支持雙向傳輸。這種結構的特點是擴充方便、靈活，成本低，易推廣，適合於分主次或分等級的層次型管理系統。
網型拓撲
主要用於廣域網，由於結點之間有多條線路相連，所以網路的可靠性較搞高。由於結構比較復雜，建設成本較高。
混合型拓撲
混合型拓撲可以是不規則型的網路，也可以是點-點相連結構的網路。
蜂窩拓撲結構
蜂窩拓撲結構是無線區域網中常用的結構。它以無線傳輸介質（微波、衛星、紅外等）點到點和多點傳輸為特徵，是一種無線網，適用於城市網、校園網、企業網。
編輯本段區域網的結構
區域網中常見的結構為匯流排型或星型。

5. 二層網路和三層網路有什麼區別

1、用途不同：

二層網路僅僅通過MAC定址即可實現通訊，但僅僅是同一個沖突域內；三層網路需要通過IP路由實現跨網段的通訊，可以跨多個沖突域；

2、能力不同：

二層網路的組網能力非常有限，一般只是小區域網；三層網路則可以組大型的網路。

3、性質不同：

二層網路基本上是一個安全域，也就是說在同一個二層網路內，終端的安全性從網路上講基本上是一樣的，除非有其它特殊的安全措施；三層網路則可以劃分出相對獨立的多個安全域。

三層網路結構短板

三層網路結構基於性能瓶頸和網路利用率等等的原因，資深的網路設計師都在探索新的數據中心的拓撲結構。

三層網路結構數據中心網路傳輸模式是不斷地改變的。大多數網路都是縱向（north-south）的傳輸模式---主機與網路中的其它非相同網段的主機通信都是設備-交換機-路由到達目的地。同時，三層網路結構在同一個網段的主機通常連接到同一個交換機，可以直接相互通訊。

以上內容參考：網路-三層網路結構

6. sdn網路架構的三大特徵

SDN是Software Defined Network(軟體定義網路)的縮寫，顧名思義，這種網路技術的最大特點就是可以對網路進行編程。

SDN是一種非常新興的技術，通過增加對網路的可編程性來革新當前偏重靜態、配置復雜、改動麻煩的網路架構。SDN的一個非常大的優點就是它不屬於某一家商業公司，而是屬於所有IT企業和一些標准組織，因此SDN的發展也可以打破目前一些網路巨頭的壟斷並為網路技術的飛速發展提供動力。

SDN的定義和架構都不只有一種，但是最重要的一個就是ONF(Open Network Foundation開放網路基金會)定義的SDN和架構。因為其他的一些定義和架構多少會偏向於少數商業利益團體，所以我們以這個最為開放，也最為'標准化'的定義來介紹SDN。

如上所說，SDN就是通過軟體編程來構造的網路，這種網路和傳統的網路(比如以交換機、路由器為基礎設施的網路)都可以實現作為一個網路應該具有的互聯共享功能。但是相比後者，SDN網路帶來一些更加強大的優勢，查閱了身邊的一些書籍和ONF官網上的一些資料，下面把這些優點用好理解的方式大致介紹一下，有些不大顯眼的優點這里就不列出來了：

1. SDN網路可以建立在以x86為基礎的機器上，因為這類機器通常相比專業的網路交換設備要更加便宜，所以SDN網路可以省下不少構建網路的費用，尤其是你的網路根本不需要太豪華的時候。

2. SDN網路能夠通過自己編程實現的標識信息來區分底層的網路流量，並為這些流量提供更加具體的路由，比如現在底層來了一段語音流量和一段數據流量，通常語音流向需要的帶寬很小但是相對來說實時性大一點，但是數據流量則正好相反，SDN網路可以通過辨別這兩種流量然後將他們導入到不同的應用中進行處理。

3. SDN可以實現更加細粒度的網路控制，比如傳統網路通常是基於IP進行路由，但是SDN可以基於應用、用戶、會話的實時變化來實現不同的控制。

4. 配置簡單，擴展性良好，使用起來更加靈活。

ONF的SDN基本架構：

可以看到每一層其實都並不是只包含自己要負責的功能，每一層都多少會涵蓋一些管理類的功能。

途中藍色的方塊的區域可以被看做是網路的提供者，紅、綠色方塊的區域可以被看做是網路的消耗者。這張圖更加直白的凸顯了"平面"這個概念。

7. 一文看懂四種基本的神經網路架構

原文鏈接：
http://blackblog.tech/2018/02/23/Eight-Neural-Network/

更多干貨就在我的個人博客 http://blackblog.tech 歡迎關注

剛剛入門神經網路，往往會對眾多的神經網路架構感到困惑，神經網路看起來復雜多樣，但是這么多架構無非也就是三類，前饋神經網路，循環網路，對稱連接網路，本文將介紹四種常見的神經網路，分別是CNN，RNN，DBN，GAN。通過這四種基本的神經網路架構，我們來對神經網路進行一定的了解。

神經網路是機器學習中的一種模型，是一種模仿動物神經網路行為特徵，進行分布式並行信息處理的演算法數學模型。這種網路依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的。
一般來說，神經網路的架構可以分為三類：

前饋神經網路：
這是實際應用中最常見的神經網路類型。第一層是輸入，最後一層是輸出。如果有多個隱藏層，我們稱之為「深度」神經網路。他們計算出一系列改變樣本相似性的變換。各層神經元的活動是前一層活動的非線性函數。

循環網路：
循環網路在他們的連接圖中定向了循環，這意味著你可以按照箭頭回到你開始的地方。他們可以有復雜的動態，使其很難訓練。他們更具有生物真實性。
循環網路的目的使用來處理序列數據。在傳統的神經網路模型中，是從輸入層到隱含層再到輸出層，層與層之間是全連接的，每層之間的節點是無連接的。但是這種普通的神經網路對於很多問題卻無能無力。例如，你要預測句子的下一個單詞是什麼，一般需要用到前面的單詞，因為一個句子中前後單詞並不是獨立的。
循環神經網路，即一個序列當前的輸出與前面的輸出也有關。具體的表現形式為網路會對前面的信息進行記憶並應用於當前輸出的計算中，即隱藏層之間的節點不再無連接而是有連接的，並且隱藏層的輸入不僅包括輸入層的輸出還包括上一時刻隱藏層的輸出。

對稱連接網路：
對稱連接網路有點像循環網路，但是單元之間的連接是對稱的（它們在兩個方向上權重相同）。比起循環網路，對稱連接網路更容易分析。這個網路中有更多的限制，因為它們遵守能量函數定律。沒有隱藏單元的對稱連接網路被稱為「Hopfield 網路」。有隱藏單元的對稱連接的網路被稱為玻爾茲曼機。

其實之前的帖子講過一些關於感知機的內容，這里再復述一下。
首先還是這張圖
這是一個M-P神經元

一個神經元有n個輸入，每一個輸入對應一個權值w，神經元內會對輸入與權重做乘法後求和，求和的結果與偏置做差，最終將結果放入激活函數中，由激活函數給出最後的輸出，輸出往往是二進制的，0 狀態代表抑制，1 狀態代表激活。

可以把感知機看作是 n 維實例空間中的超平面決策面，對於超平面一側的樣本，感知器輸出 1，對於另一側的實例輸出 0，這個決策超平面方程是 w⋅x=0。 那些可以被某一個超平面分割的正反樣例集合稱為線性可分(linearly separable)樣例集合，它們就可以使用圖中的感知機表示。
與、或、非問題都是線性可分的問題，使用一個有兩輸入的感知機能容易地表示，而異或並不是一個線性可分的問題，所以使用單層感知機是不行的，這時候就要使用多層感知機來解決疑惑問題了。

如果我們要訓練一個感知機，應該怎麼辦呢？
我們會從隨機的權值開始，反復地應用這個感知機到每個訓練樣例，只要它誤分類樣例就修改感知機的權值。重復這個過程，直到感知機正確分類所有的樣例。每一步根據感知機訓練法則來修改權值，也就是修改與輸入 xi 對應的權 wi，法則如下：

這里 t 是當前訓練樣例的目標輸出，o 是感知機的輸出，η 是一個正的常數稱為學習速率。學習速率的作用是緩和每一步調整權的程度，它通常被設為一個小的數值（例如 0.1），而且有時會使其隨著權調整次數的增加而衰減。

多層感知機，或者說是多層神經網路無非就是在輸入層與輸出層之間加了多個隱藏層而已，後續的CNN，DBN等神經網路只不過是將重新設計了每一層的類型。感知機可以說是神經網路的基礎，後續更為復雜的神經網路都離不開最簡單的感知機的模型，

談到機器學習，我們往往還會跟上一個詞語，叫做模式識別，但是真實環境中的模式識別往往會出現各種問題。比如：
圖像分割：真實場景中總是摻雜著其它物體。很難判斷哪些部分屬於同一個對象。對象的某些部分可以隱藏在其他對象的後面。
物體光照：像素的強度被光照強烈影響。
圖像變形：物體可以以各種非仿射方式變形。例如，手寫也可以有一個大的圓圈或只是一個尖頭。
情景支持：物體所屬類別通常由它們的使用方式來定義。例如，椅子是為了讓人們坐在上面而設計的，因此它們具有各種各樣的物理形狀。
卷積神經網路與普通神經網路的區別在於，卷積神經網路包含了一個由卷積層和子采樣層構成的特徵抽取器。在卷積神經網路的卷積層中，一個神經元只與部分鄰層神經元連接。在CNN的一個卷積層中，通常包含若干個特徵平面(featureMap)，每個特徵平面由一些矩形排列的的神經元組成，同一特徵平面的神經元共享權值，這里共享的權值就是卷積核。卷積核一般以隨機小數矩陣的形式初始化，在網路的訓練過程中卷積核將學習得到合理的權值。共享權值（卷積核）帶來的直接好處是減少網路各層之間的連接，同時又降低了過擬合的風險。子采樣也叫做池化（pooling），通常有均值子采樣（mean pooling）和最大值子采樣（max pooling）兩種形式。子采樣可以看作一種特殊的卷積過程。卷積和子采樣大大簡化了模型復雜度，減少了模型的參數。
卷積神經網路由三部分構成。第一部分是輸入層。第二部分由n個卷積層和池化層的組合組成。第三部分由一個全連結的多層感知機分類器構成。
這里舉AlexNet為例：

·輸入：224×224大小的圖片，3通道
·第一層卷積：11×11大小的卷積核96個，每個GPU上48個。
·第一層max-pooling：2×2的核。
·第二層卷積：5×5卷積核256個，每個GPU上128個。
·第二層max-pooling：2×2的核。
·第三層卷積：與上一層是全連接，3*3的卷積核384個。分到兩個GPU上個192個。
·第四層卷積：3×3的卷積核384個，兩個GPU各192個。該層與上一層連接沒有經過pooling層。
·第五層卷積：3×3的卷積核256個，兩個GPU上個128個。
·第五層max-pooling：2×2的核。
·第一層全連接：4096維，將第五層max-pooling的輸出連接成為一個一維向量，作為該層的輸入。
·第二層全連接：4096維
·Softmax層：輸出為1000，輸出的每一維都是圖片屬於該類別的概率。

卷積神經網路在模式識別領域有著重要應用，當然這里只是對卷積神經網路做了最簡單的講解，卷積神經網路中仍然有很多知識，比如局部感受野，權值共享，多卷積核等內容，後續有機會再進行講解。

傳統的神經網路對於很多問題難以處理，比如你要預測句子的下一個單詞是什麼，一般需要用到前面的單詞，因為一個句子中前後單詞並不是獨立的。RNN之所以稱為循環神經網路，即一個序列當前的輸出與前面的輸出也有關。具體的表現形式為網路會對前面的信息進行記憶並應用於當前輸出的計算中，即隱藏層之間的節點不再無連接而是有連接的，並且隱藏層的輸入不僅包括輸入層的輸出還包括上一時刻隱藏層的輸出。理論上，RNN能夠對任何長度的序列數據進行處理。
這是一個簡單的RNN的結構，可以看到隱藏層自己是可以跟自己進行連接的。

那麼RNN為什麼隱藏層能夠看到上一刻的隱藏層的輸出呢，其實我們把這個網路展開來開就很清晰了。

從上面的公式我們可以看出，循環層和全連接層的區別就是循環層多了一個權重矩陣 W。
如果反復把式2帶入到式1，我們將得到：

在講DBN之前，我們需要對DBN的基本組成單位有一定的了解，那就是RBM，受限玻爾茲曼機。
首先什麼是玻爾茲曼機？
[圖片上傳失敗...(image-d36b31-1519636788074)]
如圖所示為一個玻爾茲曼機，其藍色節點為隱層，白色節點為輸入層。
玻爾茲曼機和遞歸神經網路相比，區別體現在以下幾點：
1、遞歸神經網路本質是學習一個函數，因此有輸入和輸出層的概念，而玻爾茲曼機的用處在於學習一組數據的「內在表示」，因此其沒有輸出層的概念。
2、遞歸神經網路各節點鏈接為有向環，而玻爾茲曼機各節點連接成無向完全圖。

而受限玻爾茲曼機是什麼呢？
最簡單的來說就是加入了限制，這個限制就是將完全圖變成了二分圖。即由一個顯層和一個隱層構成，顯層與隱層的神經元之間為雙向全連接。

h表示隱藏層，v表示顯層
在RBM中，任意兩個相連的神經元之間有一個權值w表示其連接強度，每個神經元自身有一個偏置系數b（對顯層神經元）和c（對隱層神經元）來表示其自身權重。
具體的公式推導在這里就不展示了

DBN是一個概率生成模型，與傳統的判別模型的神經網路相對，生成模型是建立一個觀察數據和標簽之間的聯合分布，對P(Observation|Label)和 P(Label|Observation)都做了評估，而判別模型僅僅而已評估了後者，也就是P(Label|Observation)。
DBN由多個限制玻爾茲曼機（Restricted Boltzmann Machines）層組成，一個典型的神經網路類型如圖所示。這些網路被「限制」為一個可視層和一個隱層，層間存在連接，但層內的單元間不存在連接。隱層單元被訓練去捕捉在可視層表現出來的高階數據的相關性。

生成對抗網路其實在之前的帖子中做過講解，這里在說明一下。
生成對抗網路的目標在於生成，我們傳統的網路結構往往都是判別模型，即判斷一個樣本的真實性。而生成模型能夠根據所提供的樣本生成類似的新樣本，注意這些樣本是由計算機學習而來的。
GAN一般由兩個網路組成，生成模型網路，判別模型網路。
生成模型 G 捕捉樣本數據的分布，用服從某一分布（均勻分布，高斯分布等）的雜訊 z 生成一個類似真實訓練數據的樣本，追求效果是越像真實樣本越好；判別模型 D 是一個二分類器，估計一個樣本來自於訓練數據（而非生成數據）的概率，如果樣本來自於真實的訓練數據，D 輸出大概率，否則，D 輸出小概率。
舉個例子：生成網路 G 好比假幣製造團伙，專門製造假幣，判別網路 D 好比警察，專門檢測使用的貨幣是真幣還是假幣，G 的目標是想方設法生成和真幣一樣的貨幣，使得 D 判別不出來，D 的目標是想方設法檢測出來 G 生成的假幣。
傳統的判別網路：

生成對抗網路：

下面展示一個cDCGAN的例子（前面帖子中寫過的）
生成網路

判別網路

最終結果，使用MNIST作為初始樣本，通過學習後生成的數字，可以看到學習的效果還是不錯的。

本文非常簡單的介紹了四種神經網路的架構，CNN，RNN，DBN，GAN。當然也僅僅是簡單的介紹，並沒有深層次講解其內涵。這四種神經網路的架構十分常見，應用也十分廣泛。當然關於神經網路的知識，不可能幾篇帖子就講解完，這里知識講解一些基礎知識，幫助大家快速入（zhuang）門（bi）。後面的帖子將對深度自動編碼器，Hopfield 網路長短期記憶網路（LSTM）進行講解。

8. 計算機網路的拓撲結構分為哪些

計算機網路的最主要的拓撲結構有匯流排型拓撲、環形拓撲、樹形拓撲、星形拓撲、混合型拓撲以及網狀拓撲。除了匯流排型、環型、星型還有樹形、混合型和網狀拓撲結構。

環形拓撲、星形拓撲、匯流排型拓撲是三個最基本的拓撲結構。在區域網中，使用最多的是星形結構。

1、匯流排型拓撲：

匯流排型拓撲是一種基於多點連接的拓撲結構，是將網路中的所有的設備通過相應的硬體介面直接連接在共同的傳輸介質上。匯流排拓撲結構使用一條所有PC都可訪問的公共通道，每台PC只要連一條線纜即可。在匯流排型拓撲結構中，所有網上微機都通過相應的硬體介面直接連在匯流排上， 任何一個結點的信息都可以沿著匯流排向兩個方向傳輸擴散，並且能被匯流排中任何一個結點所接收。

7、蜂窩拓撲結構：

蜂窩拓撲結構是無線區域網中常用的結構。

9. 什麼是網路架構

網路架構是進行通信連接的一種網路結構。

網路架構是為設計、構建和管理一個通信網路提供一個構架和技術基礎的藍圖。網路構架定義了數據網路通信系統的每個方面，包括但不限於用戶使用的介面類型、使用的網路協議和可能使用的網路布線的類型。

網路架構典型的有一個分層結構。分層是一種現代的網路設計原理，它將通信任務劃分成很多更小的部分，每個部分完成一個特定的子任務和用小數量良好定義的方式與其它部分相結合。

(9)根據本講傳統網路架構的特點是什麼擴展閱讀：

使用網路架構注意事項：

1、動態多路徑

能夠通過多個WAN鏈路對流量進行負載均衡並不是一項新功能。但是，在傳統的WAN中，此功能很難配置，並且通常以靜態方式將流量分配給給定的WAN鏈路。即使面對諸如擁塞鏈路之類的負面擁塞，也不能改變給定WAN鏈路的流量分配。

2、應用程序級別

如果應用程序的性能開始下降，因為該應用程序使用的託管虛擬化網路功能（VNF）的物理伺服器的CPU利用率過高，則VNF可能會移動到利用率較低的伺服器中。

3、能見度

有許多工具聲稱可以為網路組織提供對傳統WAN的完全可見性，以便解決與網路和/或應用程序性能相關的問題。但是，無論是這些工具的缺陷還是網路組織使用的故障排除流程，採用新的WAN架構將使故障排除任務變得更加復雜。

參考資料來源：網路：LTE網路架構