网络架构

一. NB总体网络架构 NB-IoT端到端系统架构如下图所示： 终端：UE（User Equipment），通过空口连接到基站（eNodeB（evolved Node B , E-UTRAN 基站））。 无线网侧：包括两种组网方式，一种是整体式无线接入网（Singel RAN），其中包括2G/3G/4G以及NB-IoT无线网，另一种是NB-IoT新建。主要承担空口接入处理，小区管理等相关功能，并通过S1-lite接口与IoT核心网进行连接，将非接入层数据转发给高层网元处理。 核心网：EPC（Evolved Packet Core），承担与终端非接入层交互的功能，并将IoT业务相关数据转发到IoT平台进行处理。概括说明不全面，详细见下文。 平台：目前以电信平台为主。 应用服务器：以电信平台为例，应用server通过http/https协议和平台通讯，通过调用平台的开放API来控制设备，平台把设备上报的数据推送给应用服务器。平台支持对设备数据进行协议解析，转换成标准的json格式数据。 二. 网络结构细化 2.1 结构框图 将上图EPC部分进行细化，如下： MME：Mobility Management ，移动性管理实体（一个信令实体），接入网络的关键控制节点。负责空闲模式UE的跟踪与寻呼控制。通过与 HSS（Home Subscribe Server，归属用户服务器） 的信息交流

一张图秒懂微服务网络架构 https://www.cnblogs.com/yuesf/p/11831234.html   最近参与了 公有云微服务项目 ，已经有一段时间未公开发表。通过这次改造公有云微服务项目的实践过程，分享一下公有云微服务网络架构，及服务部署方案。 每个平台的网络架构图都类似，但细节根据自有服务有组件又各不一样，别人的架构拿过来不一致适合你的架构，那么首先要了解每层架构及每个服务的职责，以及服务与服务之间的交互逻辑。我们根据私有云的架构迁移过来，保持了部分架构，补充了原来在私有云部署中公共组件部分。迁移到公有云后，一些公共组件由我们自己搭建并运维。整理总览图请看下图: 网络架构总览图 一、互联网层   外网层也是网络架构中最上一层，是指服务报露在互联网中使用的，通过IP或域名的方式访问服务。访问的域名通过解析服务器，解析到指定的互联网机器。 互联网机器一般是使用云服务的方式构建。 二、云服务平台层 云计算按照服务类型大致可以分为三类： 将基础设施作为服务Iaas 将平台作为服务PaaS 将软件作为服务SaaS 按照云计算服务的部署方式和服务对象的范围可以将云计算分为三类，即公共云、私有云和混合云。 公共云：是由云服务提供商运营，为最终用户提供从应用程序、软件运行环境，到物理基础设施等各种各样的IT资源。在该方式下

网络架构及其演变过程 一、单机架构 应用领域： 植物大战僵尸 office 二、CS架构 应用领域： QQ 大型网络游戏 计算机发展初期用户去取数据，直接就去主机拿，从这里开始就分出了客户端和服务端。 客户端：用户安装的软件； 服务端：统一管理数据库的主机中的软件就叫做服务端，再后来服务端不只是管理数据，外加处理业务逻辑。 2.1 CS架构要求 用户操作系统安装客户端；产商操作系统部署服务端 每个用户需要独立安装软件、服务端升级也要每个用户升级 2.2 面试题：数据放在服务端和客户端的利与弊？ 答： 服务端统一处理有更好的安全性和稳定性而且升级比较容易，不过服务器负担就增加了。 客户端将负担分配到每个用户，从而可以节约服务器资源，安全性和稳定性可能会有一定的问题，但是升级比较麻烦，每个安装的客户端程序都需要升级，另外为了节省网络资源，通过网络传输的数据应该尽量减少！ 三、BS架构 应用领域： 淘宝 京东 统一客户端即默认安装用户电脑中的浏览器，访问同种类的网站，具体业务的处理根据相应协议和标准提供通用的服务器程序，在不同的服务器处理。 3.1 两种BS架构 OSI主要用于教学（万恶的大学、绿本的计算机书），我们在编程的时候用的都是TCP/IP。 TCP/IP的对应关系，就像我们在淘宝购物，所在位置有的快递（网络接入层），告诉卖家地址（网络互联层）、快递送货（运输层）

摘自： https://www.cnblogs.com/yuesf/p/11831234.html 一张图秒懂微服务网络架构   最近参与了 公有云微服务项目 ，已经有一段时间未公开发表。通过这次改造公有云微服务项目的实践过程，分享一下公有云微服务网络架构，及服务部署方案。 每个平台的网络架构图都类似，但细节根据自有服务有组件又各不一样，别人的架构拿过来不一致适合你的架构，那么首先要了解每层架构及每个服务的职责，以及服务与服务之间的交互逻辑。我们根据私有云的架构迁移过来，保持了部分架构，补充了原来在私有云部署中公共组件部分。迁移到公有云后，一些公共组件由我们自己搭建并运维。整理总览图请看下图: 网络架构总览图 一、互联网层   外网层也是网络架构中最上一层，是指服务报露在互联网中使用的，通过IP或域名的方式访问服务。访问的域名通过解析服务器，解析到指定的互联网机器。 互联网机器一般是使用云服务的方式构建。 二、云服务平台层 云计算按照服务类型大致可以分为三类： 将基础设施作为服务Iaas 将平台作为服务PaaS 将软件作为服务SaaS 按照云计算服务的部署方式和服务对象的范围可以将云计算分为三类，即公共云、私有云和混合云。 公共云：是由云服务提供商运营，为最终用户提供从应用程序、软件运行环境，到物理基础设施等各种各样的IT资源。在该方式下

  最近参与了 公有云微服务项目 ，已经有一段时间未公开发表。通过这次改造公有云微服务项目的实践过程，分享一下公有云微服务网络架构，及服务部署方案。 每个平台的网络架构图都类似，但细节根据自有服务有组件又各不一样，别人的架构拿过来不一致适合你的架构，那么首先要了解每层架构及每个服务的职责，以及服务与服务之间的交互逻辑。我们根据私有云的架构迁移过来，保持了部分架构，补充了原来在私有云部署中公共组件部分。迁移到公有云后，一些公共组件由我们自己搭建并运维。整理总览图请看下图: 网络架构总览图 一、互联网层   外网层也是网络架构中最上一层，是指服务报露在互联网中使用的，通过IP或域名的方式访问服务。访问的域名通过解析服务器，解析到指定的互联网机器。 互联网机器一般是使用云服务的方式构建。 二、云服务平台层 云计算按照服务类型大致可以分为三类： 将基础设施作为服务Iaas 将平台作为服务PaaS 将软件作为服务SaaS 按照云计算服务的部署方式和服务对象的范围可以将云计算分为三类，即公共云、私有云和混合云。 公共云：是由云服务提供商运营，为最终用户提供从应用程序、软件运行环境，到物理基础设施等各种各样的IT资源。在该方式下，云服务提供商需要保证所提供资源的安全性和可能性等非功能性需求，而最终用户不关心具体资源由谁提供、如何实现等问题。 私有云：是由企业自建自用的云计算中心，相对于公共云

  最近参与了 公有云微服务项目 ，已经有一段时间未公开发表。通过这次改造公有云微服务项目的实践过程，分享一下公有云微服务网络架构，及服务部署方案。 每个平台的网络架构图都类似，但细节根据自有服务有组件又各不一样，别人的架构拿过来不一致适合你的架构，那么首先要了解每层架构及每个服务的职责，以及服务与服务之间的交互逻辑。我们根据私有云的架构迁移过来，保持了部分架构，补充了原来在私有云部署中公共组件部分。迁移到公有云后，一些公共组件由我们自己搭建并运维。整理总览图请看下图: 网络架构总览图 一、互联网层   外网层也是网络架构中最上一层，是指服务报露在互联网中使用的，通过IP或域名的方式访问服务。访问的域名通过解析服务器，解析到指定的互联网机器。 互联网机器一般是使用云服务的方式构建。 二、云服务平台层 云计算按照服务类型大致可以分为三类： 将基础设施作为服务Iaas 将平台作为服务PaaS 将软件作为服务SaaS 按照云计算服务的部署方式和服务对象的范围可以将云计算分为三类，即公共云、私有云和混合云。 公共云：是由云服务提供商运营，为最终用户提供从应用程序、软件运行环境，到物理基础设施等各种各样的IT资源。在该方式下，云服务提供商需要保证所提供资源的安全性和可能性等非功能性需求，而最终用户不关心具体资源由谁提供、如何实现等问题。 私有云：是由企业自建自用的云计算中心，相对于公共云

原文地址： https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650754422&idx=4&sn=0dc881487f362322a875b4ce06e645f7&chksm=871a8908b06d001ef7386ccc752827c20711877a4a23d6a8318978095dd241d118257c607b22&scene=21#wechat_redirect 深度学习在多个领域中实现成功，如声学、图像和自然语言处理。但是，将深度学习应用于普遍存在的图数据仍然存在问题，这是由于图数据的独特特性。近期，该领域出现大量研究，极大地提升了图分析技术。清华大学朱文武等人综述了应用于图的不同深度学习方法。 他们将现有方法分为三个大类：半监督方法，包括 图神经网络 和图卷积网络；无监督方法，包括图自编码器；近期新的研究方法，包括图循环神经网络和图强化学习。然后按照这些方法的发展史对它们进行系统概述。该研究还分析了这些方法的区别，以及如何合成不同的架构。最后，该研究简单列举了这些方法的应用范围，并讨论了潜在方向。 引言 近十年，深度学习成为人工智能和机器学习这顶皇冠上的明珠，在声学、图像和自然语言处理领域展示了顶尖的性能。深度学习提取数据底层复杂模式的表达能力广受认可。但是，现实世界中普遍存在的图却是个难点

图神经网络（GNN）热度持续上升，之前我们曾介绍了清华两篇综述论文，参见：深度学习时代的图模型，清华发文综述图网络，和清华大学图神经网络综述：模型与应用。最近，IEEE Fellow、Senior Member 和 Member Zonghan Wu 等人又贡献了一篇图神经网络综述文章。这篇文章介绍了 GNN 的背景知识、发展历史、分类与框架、应用等，详细介绍了各种模型与方法，包括公式、模型图示、算法等，希望对大家有所帮助。 引言 深度网络的最新进展推进了模式识别和数据挖掘领域的研究。目标检测、机器翻译、语音识别等许多机器学习任务曾高度依赖手工特征工程来提取信息特征集合，但多种端到端深度学习方式（即卷积神经网络、长短期记忆网络和自编码器）改变了这种状况。深度学习在多个领域的成功主要归功于计算资源的快速发展（如 GPU）、大量训练数据的收集，还有深度学习从欧几里得数据（如图像、文本和视频）中提取潜在表征的有效性。例如 CNN 可以利用平移不变性、局部连通性和图像数据语意合成性，从而提取出与整个数据集共享的局部有意义的特征，用于各种图像分析任务。 尽管深度学习已经在欧几里得数据中取得了很大的成功，但从非欧几里得域生成的数据已经取得更广泛的应用，它们需要有效分析。例如，在电子商务领域，一个基于图的学习系统能够利用用户和产品之间的交互以实现高度精准的推荐。在化学领域，分子被建模为图

ABSTRACT 最近提出了网络功能虚拟化，以提高网络服务供应的灵活性并减少新服务的上市时间。 通过利用虚拟化技术和通用的商用可编程硬件（例如通用服务器，存储和交换机），NFV可以将网络功能的软件实现与底层硬件分离。 作为一项新兴技术，NFV给网络运营商带来了诸多挑战，例如，虚拟设备网络性能的保证，其动态实例化和迁移以及高效放置。 在本文中，我们提供了NFV的简要概述，解释了NFV的要求和体系结构，介绍了几个用例，并讨论了这个新兴研究领域中的挑战和未来方向。 INTRODUCTION 众所周知，由于现有硬件设备的专有性，为各种中间盒提供空间和能源的成本以及缺乏熟练的专业人员进行集成和集成，将新服务引入当今的网络变得越来越困难。维护这些服务。最近提出了网络功能虚拟化（NFV）来缓解这些问题，以及其他新兴技术，例如软件定义网络（SDN）和云计算。1NFV通过利用成熟的虚拟化技术来转变网络运营商如何构建其基础架构。从硬件平台分离软件实例，并通过从位置分离功能来加快网络服务供应[3]。本质上，NFV通过软件虚拟化技术实现网络功能，并在商用硬件（即行业标准服务器，存储和交换机）上运行它们，如图1所示。这些虚拟设备可以按需实例化，而无需安装新设备。 。例如，网络运营商可以在x86平台上的虚拟机（VM）中运行基于开源软件的防火墙。最近的试验表明，在基于通用处理器的平台上实现网络功能是可行的，例如

符合REST原则的架构方式即可称为RESTful Rest架构的主要原则 1、网络上的所有事物都被抽象为资源 2、 每个资源都有一个唯一的资源标识符 3、同一个资源具有多种表现形式(xml,json等) 4、 对资源的各种操作不会改变资源标识符 5、 所有的操作都是无状态的 来源： https://www.cnblogs.com/lingboweifu/p/11808250.html