家庭式網路配置

這是以之前幫某個教會設置的網路架構：

因為教會的需求是希望區域網路內的電腦都可以上網進行列印、互相傳輸檔案還有提供來教會的民眾手機或電腦上網。

故設計的方式主要讓中華電信的數據機P874當作DHCP的Sever來分配IP，底下則是用無限分享器當橋接器和AP的功能來達成此目的。因為一樓和二樓一開始蓋房子時就沒有拉網路線，所以避免要重新拉線的問題，一樓和二樓主要是利用電力線網路建設而成，其餘相關網路用無線AP，或者網路線連接而成。



要用此結構前，可能要先試試看檢查Mod Isolation的問題，中華電信的P874的某個Lan port是被切割成獨立的，因為要提供MOD(MOD影音流量比較大)，怕說影響到其他網路裝置的上網裝置，可以先到ZyXEL P874工程模式底下→Advanced Setup→LAN 檢查的結果，看他MOD Isolation是設定在哪個Lan port。

若要檢查網路是否有互通可以ping每個機器的IP位址，應該都可以互相ping到彼此，若要檢查實際網路速度，可以使用iperf指令去檢查。以上指令在windows上面有測試成功，其他作業系統可能要找類似的指令。

使用這結構夏天的時候要小心，P874有時候會因為太熱而當機(小邊就遇過這種狀況)，所以有時候要讓他適時休息，其他替代方案是讓在2台路由分享器前在加一台路由分享器，由他來做硬撥+當DHCP Server分配IP，會比P874穩定、安全。


下面是架設網路所參考速度和規格表，供大家自行架設可參考。
  • 網路線：明線和暗線 100Mbps - 1000Mbps (1Gbps)，看網路線的種類從Cat5-Cat7
  • 無線AP(access point)：802.11 b/g/n、802.11 ac 
  • 電力線網路(Power Line Communication)：如下表，挑選時要看技術規格、內部cpu晶片和使用的技術(MIMO或SISO之類)
規格名稱 理想速度 實際速度 備註
Homeplug 1.0 14Mbps 5Mbps
Homeplug 1.0 Turbo 85Mbps 10-20Mbps
Homeplug AV 200Mbps 40Mbps 可以和1.0共通但網路速度會以網路上最慢的節點為準
Homeplug AV500 500Mbps 80Mbps 目前AV500和AV價格差異不大，建議買AV500，可以和1.0共存但不能共通
Homeplug AV2 1000Mbps 600Mbps 目前市面上已經有號稱達到1800Mbps出現

留言

張貼留言

這個網誌中的熱門文章

在jupyter notebook中同時使用pyhton2和python3

圖片
作業系統環境：Windows 10 Python環境：Python 2.7.12和Python 3.5.12 若要在Python3底下安裝jupyter notebook，通常都使用下面命令在CMD底下執行 py -3 -m pip jupyter notebook 想說若是要同時在Python2底下安裝jupyter notebook，應該也是依理類推在CMD底下執行 py -2 -m pip jupyter notebook 但沒想到過程中出現問題，CMD上提示需要安裝Microsoft Visual C++  9.0，就去google並下載安裝完成後再次重新執行指令，想說應該就這樣就完成了。 但發現說打開jupyter notebook之後，居然是下面這畫面，沒有pyhton2的選項可以開啟新檔案(因為我是安裝完成後才重新截圖，故用紅色的線劃掉代表沒有這選項) 此時代表缺Python2的kernel，只要把Python2的kernel加入即可 py -2 -m ipykernel install --user 依理類推，如果缺少的是Python3的kernel，只要把Python3的kernel加入即可 py -3 -m ipykernel install --user 完成後打開jupyter notebook就會發現同時可以開啟Python2和Python3的檔案，如下圖
閱讀完整內容

Recommender Systems - Week_9_part2

圖片
Predicting Movie Ratings Problem Formulation 此章節會介紹推薦系統，推薦系統屬於機器學習領域應用中非常重要的一門應用，在很多科技公司中推薦系統扮演了非常重要的角色，為他們帶來了不少的收入，例如Amozon、E-bay、iTunes genius‧‧‧‧‧‧。 下面我們有5部電影和4個使用者，我們希望用戶能為電影打分數，以提供他們更好的服務品質獲推薦更好的電影給他們。 以下會介紹在機器學習中，推薦系統這演算法會提到的相關名詞或數學符號。 n u 代表用戶的數量 n m 代表電影的數量 r(i,j)此符號代表評分與否，如果用戶 i 給電影 j 評過分，則 r(i,j) = 1 y (i,j) 代表用戶 i 給電影 j 的評分 m j 代表用戶 j 評過分電影的總數 -------------------------------------------------------------------------------------------------------------------------- Content Based Recommendations 在一個基於內容的推薦系統演算法中，我們假設對於我們希望推薦的東西有一些數據，這些數據是有關於這些東西的特徵。在我們的例子中，我們假設每部電影都有兩個特徵，如x 1 代表電影的浪漫程度，x (2) 代表電影的動作程度。 假設我們採用線性回歸模型，我們可以針對每個用戶都訓練一個線性回歸模型，如𝛉 (1) 是代表一個用戶的模型參數，下面會再提到些數學符號代表的意義： 𝛉 (j) 用戶 j 的參數向量 x (i) 電影 i 的特徵向量 對於用戶j和電影我們的評分方式就是：(𝛉 (j) ) T (x (i) )，下圖會以alice這名使用者對Cute Puppies of Love(CPOL)的評分舉例來說明： 所以該使用者對此電影的評分為(𝛉 (j) ) T (x (i) ) = 1 * 0 + 0.99 * 5 + 0 * 0 = 4.95，此地方的參數向量並沒有明為什麼如此求取，後面會介紹參數向量如何求取。 至於要怎麼求取𝛉，我們就先從J代價函數開始著手，此推...
閱讀完整內容

Machine Learning System Design - Week_6_ part2

圖片
Building a Spam Classifier Prioritizing What to Work On 擁有許多封電子郵件後，我們可以建立一個向量為每個電子郵件。在向量中每個項目代表一個單詞。這個向量包含10000到50000個項目，這些項目是藉由發現我們的信件中最常使用的單詞所組成，其實這些項目也就是我們所說的電子郵件的特徵。如果我們發現某個詞被發現在電子郵件中，我們就會指定該項目為1，如果沒有被發現該項目就被指定0。一旦我們所有x向量準備好後，我們就可以訓練我們的機器學習演算法，我們就可以藉由監督式學習的方式來分類該電子郵件是否為垃圾郵件。 所以我們想過很多方法來改散分類的準確度，方法有下列幾種，但很難去說最有效的方法是哪種： 蒐集許多資料(例如：honeypot計畫，但不是都會有效) 發展複雜的特徵(例如：使用電子郵件的標題資料) 發展演算法去處理你的相同輸入資料但不同表達方式(例如：辨識垃圾郵件中的拼錯字) -------------------------------------------------------------------------------------------------------------------------- Error Analysis 建議解決機器學習演算法問題的方法如下： 直接選擇執行一個簡單的機器學習演算法，然後快速的執行他，用交叉驗證資料及去測試 畫學習曲線決定是否要使用更多資料、更多的特徵是否會有幫助 手動檢查有誤差的交叉驗證集裡資料，試著去找到造成誤差的原因，再去調整演算法或特徵 舉例來說，假設我們有500封信件且我們的演算法誤分類100封。我們可以手動分析被誤分類100封郵件和分類他們是屬於什麼類型的郵件。我們可以嘗試幫助我們正確分類這100封電子郵件新的線索或特徵。因此如果我們誤分類的電子郵件是那些常是要偷取密碼的釣魚信件，我們就可以發現一些特徵並把他們加到模型中。我們也可以看見根據每個字根分類如何改變我們誤差率。 用一個數值去取得誤差的結果是非常重要的，否則我們是很難去得知機器學習演算法的表現如何。舉例來說，如果我們用字根分析演算法，字根分析演算法是處理一些相似的字彙但不同型(fail/failing/...
閱讀完整內容