【网络奇缘】- 计算机网络|分层结构|深入探索TCP/IP模型|5层参考模型

本文主要是介绍【网络奇缘】- 计算机网络|分层结构|深入探索TCP/IP模型|5层参考模型,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!

🌈个人主页: Aileen_0v0
🔥系列专栏: 一见倾心,再见倾城  ---  计算机网络~
💫个人格言:"没有罗马,那就自己创造罗马~"


目录

OSI参考模型与TCP/IP参考模型相同点

OSI参考模型与TCP/IP参考模型不同点

面向连接三阶段(建立,传输,释放)

面向无连接(直传)

通用的5层参考模型(综合了OSI模型和TCP/IP模型优点)

 5层参考模型的数据封装与解封装

📝计算机网络的分层结构总结


OSI模型深入学习回顾链接:http://t.csdnimg.cn/eCWcV

本篇文章关于计算机网络的分层模型---TCP/IP以及5层参考模型的学习

话不多说,开始今天的学习之旅吧⛵~ 

OSI参考模型与TCP/IP参考模型相同点

1.Both being divided into layers.分层

2.Based on the concept of independent protocol stack.基于独立的协议栈的概念

3.It can realize heterogeneous network interconnection可以实现异构网络互联 ---> 就是实现不同厂家生产的相同的设备进行通信


OSI参考模型与TCP/IP参考模型不同点

1.OSI定义三点: 服务,协议,接口

2.OSI先出现, 参考模型先于协议发明,不偏向特定协议。

3.TCP/IP设计之初就考虑到异构网互联问题,将IP作为重要层次。

4.通信方式的不同:

因为TCP/IP设计之初考虑到异构网互联问题,将IP作为重要层次,所以对于TCP/IP协议来说它们在网络层进行的是无连接(不需要任何条件直接传数据就行了)。

因为传输层端到端进程与进程之间的通信,所以传输层是为了实现可靠传输而存在的,为了实现可靠连接就需要建立连接,所以在传输层中这两个模型都有面向连接

因为网络层有IP协议,这个协议是面向无连接的。所以这两个模型在网络层都有无连接通信

记忆tip:两个模型左对角线处都是无连接和面向连接,因为TCP/IP设计之初就考虑到异构网互联问题,将IP作为重要层次,所以对于TCP/IP协议来说它们在网络层进行的是无连接,与之相对的左下角传输层的那个就是面向连接


面向连接三阶段(建立,传输,释放)

面向连接分为三个阶段,

第一是建立连接在此阶段,发出一个建立连接的请求。

只有在连接成功建立之后,才能开始数据传输,这是第二阶段

接着,当数据传输完毕,必须释放连接


面向无连接(直传)

面向无连接没有这么多阶段,它直接进行数据传输


通用的5层参考模型(综合了OSI模型和TCP/IP模型优点)


 5层参考模型的数据封装与解封装


📝计算机网络的分层结构总结

今天主要讲了TCP/IP参考模型的结构以及5层参考模型的结构,希望喜欢Aileen的计算机网络专栏的小伙伴点个赞,感恩一路有你相伴~

这篇关于【网络奇缘】- 计算机网络|分层结构|深入探索TCP/IP模型|5层参考模型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/455319

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

深入探索协同过滤:从原理到推荐模块案例

文章目录 前言一、协同过滤1. 基于用户的协同过滤(UserCF)2. 基于物品的协同过滤(ItemCF)3. 相似度计算方法 二、相似度计算方法1. 欧氏距离2. 皮尔逊相关系数3. 杰卡德相似系数4. 余弦相似度 三、推荐模块案例1.基于文章的协同过滤推荐功能2.基于用户的协同过滤推荐功能 前言     在信息过载的时代,推荐系统成为连接用户与内容的桥梁。本文聚焦于

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

Linux 网络编程 --- 应用层

一、自定义协议和序列化反序列化 代码: 序列化反序列化实现网络版本计算器 二、HTTP协议 1、谈两个简单的预备知识 https://www.baidu.com/ --- 域名 --- 域名解析 --- IP地址 http的端口号为80端口,https的端口号为443 url为统一资源定位符。CSDNhttps://mp.csdn.net/mp_blog/creation/editor

usaco 1.3 Mixing Milk (结构体排序 qsort) and hdu 2020(sort)

到了这题学会了结构体排序 于是回去修改了 1.2 milking cows 的算法~ 结构体排序核心: 1.结构体定义 struct Milk{int price;int milks;}milk[5000]; 2.自定义的比较函数,若返回值为正,qsort 函数判定a>b ;为负,a<b;为0,a==b; int milkcmp(const void *va,c

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费