什么是边界网关协议(BGP)的路由过程?
最编程
2024-05-07 21:43:45
...
边界网关协议(BGP)的路由选择过程是通过一系列的决策步骤来确定最优路由的。在这个过程中,BGP会根据各种路由属性来比较和选择最佳路径。以下是BGP路由选择过程的主要步骤:
选择权重最高的路径
权重(Weight)是一个Cisco特有的属性,用于在同一路由器上比较路由。权重值越高,路径越优先。权重是本地有效的,不会在BGP对等体之间传播。
选择本地优先级(Local Preference)最高的路径
本地优先级是一个用于表示路径优先级的属性。本地优先级值越高,路径越优先。本地优先级在一个自治系统内传播,但不会跨越自治系统边界。
选择AS_PATH最短的路径
AS_PATH是一个记录了路径中经过的自治系统序列的属性。AS_PATH越短,路径越优先。
选择最低的多出口鉴别符(MED,Multi-Exit Discriminator)
MED是一个用于表示相邻自治系统中不同出口优先级的属性。MED值越低,路径越优先。需要注意的是,MED值的比较仅在相同AS_PATH的路径之间进行。
选择eBGP路径优先于iBGP路径
如果两条路径中一条是通过eBGP学习到的,另一条是通过iBGP学习到的,那么选择eBGP路径。
选择最短的IGP(Interior Gateway Protocol)距离到下一跳
路由器会选择到下一跳的IGP距离最短的路径。
选择最早学到的路径
如果仍然存在多条相同的路径,路由器会选择最早学到的路径。
选择最低的路由器ID
如果仍然存在平局,路由器会选择具有最低BGP路由器ID的邻居所宣告的路径。
推荐阅读
-
什么是边界网关协议(BGP)的路由过程?
-
计算机视觉中,究竟有哪些好用的目标跟踪算法(下)-快速变形主要因为CF是模板类方法。容易跟丢这个比较好理解,前面分析了相关滤波是模板类方法,如果目标快速变形,那基于HOG的梯度模板肯定就跟不上了,如果快速变色,那基于CN的颜色模板肯定也就跟不上了。这个还和模型更新策略与更新速度有关,固定学习率的线性加权更新,如果学习率太大,部分或短暂遮挡和任何检测不准确,模型就会学习到背景信息,积累到一定程度模型跟着背景私奔了,一去不复返。如果学习率太小,目标已经变形了而模板还是那个模板,就会变得不认识目标。(举个例子,多年不见的同学,你很可能就认不出了,而经常见面的同学,即使变化很大你也认识,因为常见的同学在你大脑里面的模型在持续更新,而多年不见就是很久不更新) 快速运动主要是边界效应(Boundary Effets),而且边界效应产生的错误样本会造成分类器判别力不够强,下面分训练阶段和检测阶段分别讨论。 训练阶段,合成样本降低了判别能力。如果不加余弦窗,那么移位样本是长这样的: 除了那个最原始样本,其他样本都是“合成”的,100*100的图像块,只有1/10000的样本是真实的,这样的样本集根本不能拿来训练。如果加了余弦窗,由于图像边缘像素值都是0,循环移位过程中只要目标保持完整那这个样本就是合理的,只有目标中心接近边缘时,目标跨越边界的那些样本是错误的,这样虽不真实但合理的样本数量增加到了大约2/3(padding= 1),即使这样仍然有1/3(3000/10000)的样本是不合理的,这些样本会降低分类器的判别能力。再者,加余弦窗也不是“免费的”,余弦窗将图像块的边缘区域像素全部变成0,大量过滤掉分类器本来非常需要学习的背景信息,原本训练时判别器能看到的背景信息就非常有限,我们还加了个余弦窗挡住了背景,这样进一步降低了分类器的判别力(是不是上帝在我前遮住了帘。不是上帝,是余弦窗)。 检测阶段,相关滤波对快速运动的目标检测比较乏力。相关滤波训练的图像块和检测的图像块大小必须是一样的,这就是说你训练了一个100*100的滤波器,那你也只能检测100*100的区域,如果打算通过加更大的padding来扩展检测区域,那样除了扩展了复杂度,并不会有什么好处。目标运动可能是目标自身移动,或摄像机移动,按照目标在检测区域的位置分四种情况来看: 如果目标在中心附近,检测准确且成功。 如果目标移动到了边界附近但还没有出边界,加了余弦窗以后,部分目标像素会被过滤掉,这时候就没法保证这里的响应是全局最大的,而且,这时候的检测样本和训练过程中的那些不合理样本很像,所以很可能会失败。 如果目标的一部分已经移出了这个区域,而我们还要加余弦窗,很可能就过滤掉了仅存的目标像素,检测失败。 如果整个目标已经位移出了这个区域,那肯定就检测失败了。 以上就是边界效应(Boundary Effets),推荐两个主流的解决边界效应的方法,但速度比较慢,并不推荐用于实时场合。