Python随机生成数据包并计算它们的累计大小,直到达到指定的大小

本文主要是介绍Python随机生成数据包并计算它们的累计大小,直到达到指定的大小,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

import random
import argparse# 缓冲区大小 32MB
BUFFER_SIZE_MB = 32
BUFFER_SIZE_BYTES = BUFFER_SIZE_MB * 1024 * 1024  # 转换为字节def generate_random_packet_size(min_size, max_size, method):"""根据指定的方法生成随机数据包大小。"""if method == 'int':return random.randint(min_size, max_size)elif method == 'float':return random.uniform(min_size, max_size)elif method == 'gauss':# 使用均值和标准差,标准差设为范围的一半mu = (min_size + max_size) / 2sigma = (max_size - min_size) / 6return int(random.gauss(mu, sigma))elif method == 'exp':# lambda 取范围的倒数,以使分布适应范围lambd = 1 / ((max_size - min_size) / 2)return int(random.expovariate(lambd))else:raise ValueError("未知的随机数生成方法")def main(min_packet_size, max_packet_size, method):total_size = 0packet_count = 0while total_size < BUFFER_SIZE_BYTES:packet_size = generate_random_packet_size(min_packet_size, max_packet_size, method)total_size += packet_sizepacket_count += 1print(f"生成第 {packet_count} 个包,大小 {packet_size} 字节,总大小 {total_size} 字节")# 如果总大小超过缓冲区大小,则停止生成if total_size >= BUFFER_SIZE_BYTES:print("缓冲区大小已达到或超过 32MB,停止生成数据。")breakprint(f"总数据包数: {packet_count}")print(f"最终总大小: {total_size} 字节")if __name__ == "__main__":parser = argparse.ArgumentParser(description="随机生成数据包,直到达到指定的缓冲区大小。")parser.add_argument("--min-size", type=int, default=999, help="数据包的最小大小(字节),默认为 1 字节")parser.add_argument("--max-size", type=int, default=1024, help="数据包的最大大小(字节),默认为 1024 字节")parser.add_argument("--method", choices=['int', 'float', 'gauss', 'exp'], default='int', help="随机数生成方法,选项包括 'int'(整数),'float'(浮点数),'gauss'(正态分布),'exp'(指数分布),默认为 'int'")args = parser.parse_args()if args.min_size > args.max_size:print("最小数据包大小不能大于最大数据包大小。")else:main(args.min_size, args.max_size, args.method)

  1. BUFFER_SIZE_MBBUFFER_SIZE_BYTES: 设置缓冲区大小为 2MB,并将其转换为字节。

  2. generate_random_packet_size(max_size=1024): 生成一个随机的数据包大小,最大为 max_size 字节(在此示例中默认为 1024 字节,即 1KB)。

  3. 随机数生成方法及其实现方式:

整数范围:

random.randint(min_size, max_size):生成一个在指定范围内的随机整数。

浮点数范围:

random.uniform(min_size, max_size):生成一个在指定范围内的随机浮点数。

正态分布:

random.gauss(mu, sigma):生成一个正态分布的随机数,其中 mu 是均值,sigma 是标准差。

指数分布:

random.expovariate(lambd):生成一个符合指数分布的随机数,其中 lambd 是分布的参数。

自定义分布:

使用 random.choices 或 numpy.random 中的更多分布函数(如果使用 NumPy)。

main() 函数:

  • 初始化 total_size 为 0,表示总的累计数据大小。
  • 初始化 packet_count 为 0,表示生成的数据包数量。
  • 打印每个数据包的大小以及当前的累计总大小。
  • 如果 total_size 超过缓冲区大小,停止生成数据。

也可以使用如下命令行选项来运行脚本:
python script.py --min-size 10 --max-size 500 --method gauss

这篇关于Python随机生成数据包并计算它们的累计大小,直到达到指定的大小的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1119037

相关文章

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

AI一键生成 PPT

AI一键生成 PPT 操作步骤 作为一名打工人,是不是经常需要制作各种PPT来分享我的生活和想法。但是,你们知道,有时候灵感来了,时间却不够用了!😩直到我发现了Kimi AI——一个能够自动生成PPT的神奇助手!🌟 什么是Kimi? 一款月之暗面科技有限公司开发的AI办公工具,帮助用户快速生成高质量的演示文稿。 无论你是职场人士、学生还是教师,Kimi都能够为你的办公文

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如,在当前目录下创建一个名为 myenv 的虚拟环境: python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行: source myenv/bin/activate 3.与notebook连接 在虚拟环境中,使用 pip 安装 Jupyter 和 ipykernel: pip instal

pdfmake生成pdf的使用

实际项目中有时会有根据填写的表单数据或者其他格式的数据,将数据自动填充到pdf文件中根据固定模板生成pdf文件的需求 文章目录 利用pdfmake生成pdf文件1.下载安装pdfmake第三方包2.封装生成pdf文件的共用配置3.生成pdf文件的文件模板内容4.调用方法生成pdf 利用pdfmake生成pdf文件 1.下载安装pdfmake第三方包 npm i pdfma

poj 1258 Agri-Net(最小生成树模板代码)

感觉用这题来当模板更适合。 题意就是给你邻接矩阵求最小生成树啦。~ prim代码:效率很高。172k...0ms。 #include<stdio.h>#include<algorithm>using namespace std;const int MaxN = 101;const int INF = 0x3f3f3f3f;int g[MaxN][MaxN];int n

poj 1287 Networking(prim or kruscal最小生成树)

题意给你点与点间距离,求最小生成树。 注意点是,两点之间可能有不同的路,输入的时候选择最小的,和之前有道最短路WA的题目类似。 prim代码: #include<stdio.h>const int MaxN = 51;const int INF = 0x3f3f3f3f;int g[MaxN][MaxN];int P;int prim(){bool vis[MaxN];

poj 2349 Arctic Network uva 10369(prim or kruscal最小生成树)

题目很麻烦,因为不熟悉最小生成树的算法调试了好久。 感觉网上的题目解释都没说得很清楚,不适合新手。自己写一个。 题意:给你点的坐标,然后两点间可以有两种方式来通信:第一种是卫星通信,第二种是无线电通信。 卫星通信:任何两个有卫星频道的点间都可以直接建立连接,与点间的距离无关; 无线电通信:两个点之间的距离不能超过D,无线电收发器的功率越大,D越大,越昂贵。 计算无线电收发器D

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

hdu 1102 uva 10397(最小生成树prim)

hdu 1102: 题意: 给一个邻接矩阵,给一些村庄间已经修的路,问最小生成树。 解析: 把已经修的路的权值改为0,套个prim()。 注意prim 最外层循坏为n-1。 代码: #include <iostream>#include <cstdio>#include <cstdlib>#include <algorithm>#include <cstri

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言