lsa

ospf三类LSA详解 一类LSA 每个路由器都会产生此类LSA 1.Router-LSA描述P2P网络 （1）每个ospf路由器上使用一个Router-LSA描述本区域内的链路状态信息。 LSA头部的三个字段：Type、Ls id、Adv rtr （2）一条Router-LSA可以描述多个链接，每个链接描述信息由Link ID，Data,Link Type和Metric组成。 其中Type类型： ①：Point-to-Point：描述一个本路由器到邻居路由器之间的点到点的链接，属于拓扑信息 ②：TransNet：描述一个从本路由器到一个Transit网段，属于拓扑信息 ③：StubNet：描述从本路由器到一个Stub网段（例如Loopback）的链接，属于路由信息。 2.Router-LSA描述MA网路或者NBMA网络 在描述MA或者NBMA的网络中，Link ID作为DR的接口IP地址，Data作为本地接口的IP地址。其中Metric表示到达DR的开销值。 由于对于MA或者NBMA网络中，一类LSA只描述了拓扑信息，并没有描述路由信息，因此引入了二类LSA，是对一类LSA的一个补充。 二类LSA 只有DR才会通告此类LSA 3.Network-LSA描述MA或者NBMA网络 ①Adv rtr：产生此Network-LSA的路由器的Router ID，也就是DR的Router

ospf区域间路由讲解 1.ospf区域划分： 划分区域之后，根据路由器所连接区域的情况，划分为两种路由器角色： （1）区域内部路由器：该类设备所有接口都属于同一个ospf区域 （2）区域边界路由器（ABR），该类设备接口分别连接两个以及两个以上的不同区域， 并且其中一个区域必定是骨干区域，也就是ABR设备至少有一个接口属于骨干区域。 2.区域之间的路由传递： 之前我们知道，一类二类LSA在单区域内传递，对于区域之间的路由传递，一类二类LSA只在本区域内进行传递，如果要传递到其他区域就要用到三类LSA ABR是将一个区域内的链路状态信息转化成路由信息（其实就是将一类和二类LSA转化成三类LSA的过程），然后发布到邻居区域 一类LSA：Router LSA 二类LSA：Network LSA（补充一类LSA在MA或者NBMA网络中路由信息的欠缺） 三类LSA：Network-Summary-LSA (三类LSA是纯路由LSA) 3.区域之间的防环机制： ①：OSPF划分了骨干区域和非骨干区域，所有的非骨干区域直接和骨干区域连接且骨干区域只有一个，非骨干区域之间的通信，都要通过骨干区域进行中转，骨干区域的ID固定为0 ②：OSPF规定从骨干区域传来的三类LSA不再传回骨干区域 ③：对于ABR，OSPF要求ABR设备至少有一个接口属于骨干区域，只有ABR设备才能泛洪三类LSA 4

一、背景介绍 之前介绍了ospf中共有7中lsa类型，其中骨干区域与普通区域间通过1，2，3类lsa能够在本地计算出网络拓扑，其中连接骨干区域与普通区域的路由器成为abr，这样在一个ospf自治系统内就可以实现相互访问，但位于该as之外的路由，却无法访问，为了解决该问题，引入了4类和5类lsa。 二、网络拓扑 本次实验网络拓扑如图所示，R4的loopback接口模拟外部网络，R3与R4之间使用p2p网络类型 由于R4的loopback接口属于as外接口，为宣告进ospf中，也没有引入外部路由，所以此时R3上并没有该网段的路由 [R3]display ospf routing OSPF Process 1 with Router ID 3.3.3.3 Routing Tables Routing for Network Destination Cost Type NextHop AdvRouter Area 34.0.0.0/24 48 Stub 34.0.0.1 3.3.3.3 0.0.0.0 123.0.0.0/24 1 Transit 123.0.0.3 3.3.3.3 0.0.0.1 11.11.11.11/32 1 Stub 123.0.0.1 1.1.1.1 0.0.0.1 22.22.22.22/32 1 Stub 123.0.0.2 2.2.2.2 0.0.0.1

一、前期回顾 之前讲过运行ospf的路由器之间是通过lsa进行消息传递，且建立邻接关系时，两端接口的网络类型必须一致，如果在MA类型网络中接口的掩码也要一致，p2p网络掩码可以不一致，只有MA网络中才有DR与BDR角色等约束条件，之所以有这些要求，从另一个维度讲都是因为lsa需要满足这些条件，本章就来详细介绍下ospf中的lsa种类及作用。 二、拓扑介绍 area1是一个MA网络类型，area0是p2p网络类型，R1,R2,R3处于一个广播域，交换机上未作任何设备，只当一个纯二层设备，R3的g0/0/0口作为本area的DR，其余信息如图上所示。 三、lsa的种类级使用场景 lsa根据种类共分为7种，即1~7类lsa，每一种lsa的出现都需要满足特定的条件，本章重点介绍前3种lsa的特点及功能，其余lsa后续介绍。 1类lsa 每一个运行ospf的路由器都会产生1类lsa，1类lsa自己（本路由器）直连接口的信息在本area内进行泛洪，类似于广播终结于网关，1类lsa终结于ABR，1类lsa主要的两个特点： 通过lsa中相关的V、B、E位是否置1，描述路由器的virtual-link，ABR，ASBR等特殊角色。 描述本路由器在某个区域内部的直连链路接口及接口cost值。 通过查看R1的lsdb可以看到R1上有3条标表项为router的1类路由，R2上的lsdb与R1一致

本文将介绍网络核心层的收敛。文章内容包括： 核心层网络收敛 OSPF 增强 IS-IS增强 IP 事件抑制 MPLS TE 1 核心网络收敛 网络收敛可以发生在OSI模型中的1-3层，物理层当前使用较多的是波分链路，利用波分特性可以在50ms内进行收敛，数据链路层收敛使用的是STP,RSTP或ERPS,网络层收敛通常是指路由协议的收敛。本文重点关注网络层收敛。在高速网络下，期望的网络收敛是50ms。 网络快速收敛主要通过三种方式实现： 链路失效快速检测 链路失效快速传递 快速路由收敛 2 OSPF 收敛 2.1 OSPF throttling 定义在拓扑改变后，进行SPF计算前需要等待的时间，避免进行过多的SPF计算。 配置命令如下： timers throttle spf 10 4800 90000 10表示起始等待时间； 4800表示等待间隔，如果在上一个等待时间内收到新的拓扑变化事件，下一次等待间隔将变成上一个等待间隔的两倍；如果在上一个等待间隔没有发生事件变化，等待间隔变成起始等待时间； 90000表示最长等待间隔； 详细图例如下： https://networklessons.com/cisco/ccie-routing-switching-written/ospf-spf-scheduling-tuning-with-spf-throttling 2.2 OSPF

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> Spark数据挖掘-基于 LSA 隐层语义分析理解APP描述信息(1) 1 前言 结构化数据处理比较直接，然而非结构化数据（比如：文本、语音）处理就比较具有挑战。对于文本现在比较成熟的技术是搜索引擎，它可以帮助人们从给定的词语中快速找到包含关键词的文本。但是，一些情况下人们希望找到某一个概念的文本，而不关心文本里面是否包含某个关键词。这种情况下应该如何是好？ 隐语义分析(Latent Semantic Analysis，简称：LSA)是一种寻找更好的理解语料库中词和文档之间关系的自然语言和信息检索的技术。它试图通过语料库提取一系列概念。每个概念对应一系列单词并且通常对应语料库中讨论的一个主题。先抛开数据而言，每一个概念由三个属性构成： 每个文档与概念之间的相关性 每个单词与概念之间的相关性 概念描述数据集变化程度（方差）的重要性得分 比如：LSA可能会发现某个概念和单词“股票”、“炒股”有很高的相关性并且和“互联网金融系列文章”有很高的相关性。通过选择最重要的概念，LSA可以去掉一些噪音数据。 在很多场合都可以使用这种简洁的表示，比如计算词与词、文档与文档、词与文档的相似性。通过LSA得到的关于概念的得分，可以对语料库有更加深入的理解，而不只是简单的计算单词或者共现词。这种相似性度量可以解决同义词查询

【推荐】2019 Java 开发者跳槽指南.pdf(吐血整理) >>> Spark数据挖掘-基于 LSA 隐层语义分析理解APP描述信息(2) 前一篇： Spark数据挖掘-基于 LSA 隐层语义分析理解APP描述信息(1) 1 前言 Spark 通过调用 RowMatrix 的 computeSVD 方法会得到三个重要的矩阵 U、S、V ， 而且：原始矩阵 近似等于 U * S * V 它们含义分别如下： V: 每一行表示单词，列表示概念，矩阵的值表示单词在概念里面的重要程度 U: 每一行表示文档，列表示概念，矩阵的值表示文档在概念里面的重要程度 S: 对角矩阵，每一个对角线元素代表概念的重要程度 通过这个文档，首先想到的是文档中最重要的概念是什么？概念往往对应话题，这样基本就能确定文档的主题了，然后每个主题通过V矩阵可以得到重要的词，这样就可以给文档添加标签了，但是其实可以走的更远，本文将重点研究如何使用这两个矩阵，这里的用途很容易推广到LDA模型，LDA 模型得到 phi（词与topic关系矩阵） 和 theta（文档与topic的关系矩阵） 两个矩阵之后也可以干这些事。接下来主要尝试回答下面三个问题： 文档与文档关系如何？ 词与词关系如何？ 词与文档关系如何？ 给出一系列查询词最相关的文档是哪些？ 2 粗浅的解决方案 其实从最原始的词文档矩阵可以得到上面这些问题粗浅的答案