老孟導讀：大家好，這是【Flutter實戰】系列文章的第一篇，這並不是一篇Flutter技術文章，而是介紹智能手機操作系統、跨平台技術的演進以及我對各種跨平台技術看法的文章。

智能手機操作系統

塞班（Symbian）系統

後浪們可能都沒有聽說過塞班系統，而很多前浪們也會詫異，塞班是智能手機操作系統嗎？讓我們先來看下智能手機的定義：

智能手機，是指像個人電腦一樣，具有獨立的操作系統，獨立的運行空間，可以由用戶自行安裝軟件、遊戲、導航等第三方服務商提供的程序，並可以通過移動通訊網絡來實現無線網絡接入的手機類型的總稱。目前智能手機的發展趨勢是充分加入了人工智能、5G等多項專利技術，使智能手機成為了用途最為廣泛的專利產品。

所以按照如上的定義，塞班系統屬於智能手機操作系統，那為什麼很多人都認為塞班系統不屬於智能手機操作系統呢？主要是因為塞班和現在的Android、iOS智能系統比起來差遠了。

雖然現在塞班系統已經Game Over了，但當年塞班系統是當之無愧的王者，根本就沒有一個與之匹配的對手。

2008年12月2日，塞班公司被諾基亞收購。

2011年12月21日，諾基亞官方宣布放棄塞班品牌。由於缺乏新技術支持，塞班的市場份額日益萎縮。

截止至2012年2月，塞班系統的全球市場佔有量僅為3%。

2012年5月27日，諾基亞徹底放棄開發塞班系統，但是服務將一直持續到2016年。

2013年1月24日晚間，諾基亞宣布，今後將不再發布塞班系統的手機，意味着塞班這個智能手機操作系統，在長達14年的歷史之後，終於迎來了謝幕。

至此，塞班時代終結，一個時代的終結，必將伴隨着新時代的到來。

Windows Phone

Windows Phone(簡稱為WP)是微軟於2010年10月21日正式發布的一款手機操作系統，初始版本命名為Windows Phone7.0。

• 2011年9月27日，微軟發布升級版Windows Phone 7.5，這是首個支持簡體中文的系統版本。
• 2012年6月21日，微軟正式發布Windows Phone 8，全新的Windows Phone 8捨棄了老舊Windows CE內核，採用了與Windows系統相同的Windows NT內核，支持很多新的特性。由於內核的改變，所有Windows Phone 7.5系統的手機都將無法升級至Windows Phone 8。
• 2015年1月22日，微軟將Windows Phone 10更名為Windows 10 for Phone。
• 2015年5月14日，微軟官網正式將智能手機上的版本命名為“Windows 10 Mobile” 。
• 2019年12月10日，微軟停止對Windows 10 Mobile的支持。

2019年12月10日這一天，微軟宣布停止對Windows 10 Mobile的支持，也就宣告Windows 10 Mobile告別了歷史的舞台。

Windows Phone當年的市場份額一度超過50%，到退出歷史的舞台，在我看來微軟犯了一個很大的錯誤：

那就是Windows Phone 8的發布，由於使用了新的內核導致以前的手機無法升級而且軟件不向下兼容，導致用戶和開發者極度不爽，用戶剛買了手機，結果你告訴用戶系統不能升級？

新系統導致以前開發的App無法運行，開發者重新開發一遍？而且還要維護兩套？

系統最核心的資產是生態，當你拋棄了開發者也就意味着生態的殘缺，沒有大量優質的應用用戶怎麼可能買你的手機？

Android

Android系統大家都非常熟悉了，畢竟是當前市場份額最大的移動操作系統，看一下Android的發展歷程：

• 2003年10月，Andy Rubin等人創建Android公司，並組建Android團隊。
• 2005年8月17日，Google低調收購了成立僅22個月的高科技企業Android及其團隊。安迪魯賓成為Google公司工程部副總裁，繼續負責Android項目。
• 2008年，在GoogleI/O大會上，谷歌提出了AndroidHAL架構圖，在同年8月18號，Android獲得了美國聯邦通信委員會（FCC）的批准，在2008年9月，谷歌正式發布了Android 1.0系統，這也是Android系統最早的版本。
• 2009年4月，谷歌正式推出了Android 1.5這款手機，從Android 1.5版本開始，谷歌開始將Android的版本以甜品的名字命名，Android 1.5命名為Cupcake。
• 2010年10月，谷歌宣布Android系統達到了第一個裡程碑，即电子市場上獲得官方数字認證的Android應用數量已經達到了10萬個，Android系統的應用增長非常迅速。
• 2011年8月2日，Android手機已佔據全球智能機市場48%的份額，並在亞太地區市場佔據統治地位，終結了塞班系統的霸主地位，躍居全球第一。
• 今年（2020年）即將發布Android 11。

iOS

iOS是由蘋果公司開發的移動操作系統 。蘋果公司最早於2007年1月9日的Macworld大會上公布這個系統，其發展歷程如下：

• 2007年10月17日，蘋果公司發布了第一個本地化iPhone應用程序開發包（SDK），並且計劃在2月發送到每個開發者以及開發商手中。
• 2010年6月，蘋果公司將“iPhone OS”改名為“iOS”，同時還獲得了思科iOS的名稱授權。
• 2010年第四季度，蘋果公司的iOS佔據了全球智能手機操作系統26%的市場份額。
• 2013年6月10日，蘋果公司在WWDC 2013上發布了iOS 7，幾乎重繪了所有的系統App，去掉了所有的仿實物化，整體設計風格轉為扁平化設計。將於2013年秋正式開放下載更新。
• 2016年9月14日，蘋果發布iOS 10正式版，這是蘋果推出移動操作系統以來最大的一次更新，尤其增加了很多特別適應中國國情的功能，比如騷擾電話識別、蘋果地圖進一步本地化等。
• 2018年9月13日，2018蘋果秋季新品發布會上，蘋果CEO庫克介紹了蘋果生態的一些數據。他表示，搭載蘋果iOS系統設備已達20億部。
• 2020年5月21日，蘋果發布iOS 13.5正式版，iOS 13.5加快了配備面容ID的設備在用戶佩戴口罩時显示密碼欄的速度，並加入了“暴露通知”API以支持來自公共衛生管理機構的COVID-19接觸追蹤App。

跨平台開發演進

2008年7月IPhone推出第一代手機IPhone 3G，同年9月谷歌正式發布了Android 1.0系統，標志著我們正式步入移動端發展期，按照技術開發的歷程移動端（目前特指Android和iOS）的發展大致可以分為4個階段：原生階段->Hybird階段->RN階段->Flutter 階段。

原生階段

使用原生語言（Android使用Java或Kotlin，iOS使用Objective-C 或 Swift ）開發應用，稱之為原生階段。

在此階段發現一樣的功能需要在Android和iOS兩端開發，開發和維護成本較高，同時無動態化更新能力，緊急問題的修復和添加新功能都需要到相應平台發版，尤其是iOS審核的周期非常長，在國內Android雖然有動態化方案，但如果上架Google Play很有可能審核不通過或者下架，iOS也有動態化，但蘋果官方基本審核不通過，所以原生的動態化更新受政策影響很大。

從開發者的角度出發，是否有一種方案可以開發一套代碼在多個平台運行且可以動態化更新，無需在走平台的審核。基於這個需求H5興起，也就是我們所說的Hybird階段。

Hybird階段

Hybird實現的基本原理是通過原生的WebView容器加載H5網頁進行渲染，通過JavaScript Bridge調用一部分系統能力，同步更新服務器上的H5網頁也實現了動態更新，俗稱混合應用。

當時大量的公司使用此方案進行開發，最出名的就是Facebook，早期的Facebook在H5上投入了大量的精力，一次開發、快速迭代這是使用H5技術巨大的優勢。

然而一切看似美好，但很快發現，H5方案存在致命的缺陷-用戶體驗極差。

Facebook創始人兼CEO馬克·扎克伯格在接受採訪的時候承認：專註在HTML 5上面是他有史以來犯過的最大的錯誤。

然而福兮禍所伏，雖然在Facebook上大量使用H5而導致用戶體驗極差，但Facebook基於強大的H5技術積累開發出了偉大的React框架，此框架是React Native框架的基礎。

React Native階段

React Native簡稱RN，是FaceBook在2015年開源，基於 JavaScript，具備動態配置能力跨平台開發框架。React Native框架原理如下：

React Native 使用React開發，然後生成虛擬DOM樹，虛擬 DOM 是一個 JavaScript 的樹形結構，通過虛擬DOM樹映射到不同平台的本地控件，最終显示的UI是原生控件，因此在性能體驗上和原生非常相近。和React Native 類似的框架還有阿里巴巴的Weex框架，Weex是在React Native基礎上重新設計了一套開發模式，原理上和React Native 一樣。

React Native 解決了繼承了H5的優點，同時解決了性能體驗上的問題，2015年React Native一經發布，就在技術圈引起了巨大的反響，在當時看來React Native 是一個非常完美的跨平台解決方案，很快大量開發者湧入。

當年使用React Native 的開發者最擔心的不是React Native 性能如何？體驗如何？而是擔心蘋果會不會封掉React Native，可想而之React Native 的火爆程度，當年著名的JSPatch事件起初，起初大家都在說蘋果開始對React Native下手了，雖然後來證實和React Native無關，但多多少少都對React Native 開發者造成了一定的影響。

隨着時間的流逝，發現React Native 和原生橋接的成本非常高，在複雜場景下會出現嚴重的性能問題，比如早期的ListView滑動卡頓問題。

React Native要橋接到原生控件，但Android和IOS控件的差異導致React Native無法統一API，有的屬性IOS支持，Android不支持，有的Android支持，IOS不支持，這就導致經常需要開發Android和IOS兩套插件，隨着項目的複雜度提升，也導致維護成本大幅提升。

還有一個很大的問題就是React Native 依賴於 Facebook 的維護，而每次iOS和Android系統版本更新，很大程度上會受到影響。

小程序

從技術上來說，小程序（指微信小程序，下同）並不是新的跨平台方案，它使用瀏覽器內核來渲染界面，小部分由原生組件渲染，原理圖如下：

小程序的運行環境分成渲染層和邏輯層，通信會經由微信客戶端（Native）做中轉。

微信小程序目前來看是非常成功的，在我看來微信小程序成功主要原因並不是因為技術，而是生態，當然微信小程序體驗也是非常好的。

對商家來說，微信小程序擁有月活10億的微信用戶，獲客成本低，這是一個流量極佳的平台，因此很多商家開發了體驗極好的小程序，甚至一些商家把主要平台遷移到了微信小程序。

對於用戶來說，無需下載，用完就走，極大的提升了用戶體驗，微信提供基礎服務平台，商家獲客成本低，用戶體驗提升，三方形成完美的平衡，因此微信小程序的生態越來越完善。

除了小程序外，類似的方案還有百度的輕應用和快應用，但都不溫不火。

Flutter 階段

千呼萬喚始出來，主角-Flutter終於登場了，Flutter是谷歌的移動UI框架，可以快速在iOS和Android上構建高質量的原生用戶界面。

Flutter吸收了前面的經驗，它既沒有使用WebView，也沒有使用原生控件進行繪製，而是自己實現了一套高性能渲染引擎來繪製UI，這個引擎就是大名鼎鼎的Skia，Skia是一個2D繪圖引擎庫，Chrome和Android都是採用Skia作為引擎。Flutter完美的解決了跨平台代碼復用和性能問題，大家都在感嘆：似乎UI迎來了終極解決方案。

Flutter局限性

Flutter並不是無所不能的，當你選取Flutter作為技術方案時，首先要了解Flutter無法實現哪些功能。

UI平台一致性

由於Flutter使用自己的引擎進行UI渲染，而不是用原生控件渲染，導致控件显示效果和原生不是完全一樣，雖然肉眼看起來基本一樣，但還是有一些細微的差別，尤其當Android和iOS系統升級導致原生控件效果發生變化時，Flutter開發的App並不會進行相應的變化，如果您的App需要原生控件保持完全一致，Flutter可能並不適合您。

動態化更新

動態化功能在國內來說是一項非常重要的功能，Google官方已經明確現階段不會實現動態化功能。

此功能並不是技術上無法實現，更多的還是政策和法律上的約束。

因此如果您的App需要動態化功能，那麼Flutter可能並不適合您。

總結

既然Flutter已經如此優秀了，那是不是以後使用Flutter就可以了呢？答案是否定的，未來很長一段時間應該是原生、Hybird、React Native、Flutter共存時代。

• 原生開發是無法完全避開的，一些硬件（比如藍牙、傳感器等）功能、音視頻和ARVR等相關功能必須使用原生開發，有人說我開發藍牙功能沒用寫原生代碼啊，直接引入即可，你沒有寫，那是因為有人為你封裝好了第三方插件。
• Hybird雖然有一些缺陷，但依然有其使用的場景，比如京東、天貓App中的營銷活動都是是H5實現的。
• React Native可以使用原生控件渲染，因此，如果您需要使用原生控件而又想跨平台，React Native是不錯的選擇。

交流

老孟Flutter博客地址（330個控件用法）：http://laomengit.com

歡迎加入Flutter交流群（微信：laomengit）、關注公眾號【老孟Flutter】：

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※台北網頁設計公司這麼多該如何選擇?

※智慧手機時代的來臨，RWD網頁設計為架站首選

※評比南投搬家公司費用收費行情懶人包大公開

※回頭車貨運收費標準

※網頁設計最專業,超強功能平台可客製化

※別再煩惱如何寫文案,掌握八大原則!

網絡層概述

  網絡層的目的是實現兩個端系統之間的數據透明傳送，具體功能包括尋址和路由選擇、連接的建立、保持和終止等。它提供的服務使傳輸層不需要了解網絡中的數據傳輸和交換技術。如果您想用盡量少的詞來記住網絡層，那就是”路徑選擇、路由及邏輯尋址”。

  網絡層中涉及眾多的協議，其中包括最重要的協議，也是TCP/IP的核心協議——IP協議。IP協議非常簡單，僅僅提供不可靠、無連接的傳送服務。IP協議的主要功能有：無連接數據報傳輸、數據報路由選擇和差錯控制。與IP協議配套使用實現其功能的還有地址解析協議ARP、逆地址解析協議RARP、因特網報文協議ICMP、因特網組管理協議IGMP。

IP協議詳解

虛擬互連網絡

  實際的計算機網絡是錯綜複雜的，物理設備通過使用IP協議，屏蔽了物理網絡之間的差異，當網絡中的主機使用IP協議連接時，則無需關注網絡細節。IP協議使得複雜的實際網絡變為一個虛擬互連的網絡，還使得網絡層可以屏蔽底層細節而專註網絡層的數據轉發，IP協議解決了在虛擬網絡中數據報傳輸路徑的問題。

  IP地址長度為32位，常分成4個8位，IP地址常使用點分十進制來表示(0~255.0~255.0~255.0~255)，也就是共有\(2^{32} = 4294961296\)個IP地址。下圖是IP協議的格式：

我們來看看IP協議的首部：

4位版本	4位首部長度	8位服務類型（TOS）		16位總長度（字節）
16位標識				3位標誌	13位片偏移
8位生存時間(TTL)		8位協議		16位首部校驗和
32位源IP地址
32位目的IP地址
選項options（若有）
IP數據

版本：佔4位，指的是IP協議的版本，通信雙方的版本必須一致，當前主流版本是4，即IPv4，也有IPv6
首部位長度：佔4位，最大數值為15，表示的是IP首部長度，單位是“32位字”（4個字節），也即是IP首部最大長度為60字節
總長度：佔16位，最大數值為65535，表示的是IP數據報總長度（IP首部+IP數據）
TTL：佔8位，表明IP數據報文在網絡中的壽命，每經過一個設備，TTL減1，當TTL=0時，網絡設備必須丟棄該報文。作用：避免數據在網絡中無限傳輸，當這個網絡報文找不到目的機器時，而進行無限傳輸，來浪費帶寬資源
協議：佔8位，表明IP數據所攜帶的具體數據是什麼協議的（如：TCP、UDP等）

協議名	ICMP	IGMP	IP	TCP	UDP	OSPF	…
字段值	1	2	4	6	17	89	…

首部校驗和：佔16位，校驗IP首部是否有出錯

IP協議的轉發流程

  在數據鏈路層的學習中我們知道了MAC地址表，由於IP協議的轉發是通過逐跳(hop-by-hop)來實現的，所以在網絡層中，存在一個類似於MAC地址表的路由表，路由表是存儲的目的IP地址和下一跳IP地址的映射，計算機或者路由器都擁有路由表。路由表如下：

目的IP地址	下一跳IP地址
IP1	IP4
IP2	IP5
IP3	IP6
…	…

A設備是如何跨設備將數據發送給C設備的呢？

A設備向C設備在網絡層中傳輸數據的過程如下：

1. A發出目的地為C的IP數據報，查詢路由表發現下一跳為E
2. A將數據報發送給E
3. E查詢路由表發現下一跳為F，將數據報發送給F
4. F查詢路由表發現目的地C直接連接，將數據報發送給C

現在結合數據鏈路層和網絡層，再來看一下跨設備傳輸數據的過程：

1. A發出目的地為C的IP數據報，查詢路由表發現下一跳為E
2. A將IP數據報交給數據鏈路層，並告知目的MAC地址是E
3. 數據鏈路層填充源MAC地址A和目的MAC地址E
4. 數據鏈路層通過物理層將數據發送給E
5. E的數據鏈路層接收到數據幀，把幀數據交給網絡層
6. E查詢路由表，發現下一跳為F
7. E把數據報交給數據鏈路層，並告知目的MAC地址為F
8. E的數據鏈路層封裝數據幀併發送
9. F的數據鏈路層接收到數據幀，把幀數據交給網絡層
10. F查詢路由表，發現下一跳為C
11. F把數據報交給數據鏈路層，並告知目的MAC地址為C
12. F的數據鏈路層F封裝數據幀併發送

  從IP協議的轉發流程中我們可以看到：數據幀每一跳的MAC地址都在變化，但IP數據報每一跳的IP地址始終不變。但我們會發現一個問題，在網絡層中將數據報交給數據鏈路層，並且需要告知目的MAC地址，但是在網絡層中只知道IP地址，我們是如何知道目的MAC地址的呢？這就是ARP協議做的事情了。

ARP協議

  ARP(Address Resolution Protocol)地址解析協議，將網絡層中的32位IP地址，通過ARP協議解析為數據鏈路層中的48位MAC地址。這個映射關係是存儲在ARP緩存表中的。arp -a命令：查看ARP緩存表

IP地址	MAC地址
192.168.83.254	00-50-56-e0-33-40
192.168.83.255	01-00-5e-00-00-16
224.0.0.251	01-00-5e-00-00-fc
239.1.2.3	01-00-5e-40-98-8f
255.255.255.255	01-00-5e-7f-ff-fa

  ARP緩存表是ARP協議和RARP協議運行的關鍵，ARP緩存表緩存了IP地址到硬件地址之間的映射關係，ARP緩存表中的記錄並不是永久有效的，有一定的期限。這是因為當你的網絡設備，換個網絡環境，網絡設備的IP地址就可能會發生改變，ARP緩存表中的原來的記錄就失效了。當ARP緩存表中有映射關係，就直接查詢ARP緩存表；如果沒有這個映射關係，ARP協議就會廣播，並記錄回應得地址信息。

  RARP(Reverse Address Resolution Protocol)逆地址解析協議，其作用與ARP協議相反，即把數據鏈路層中48位MAC地址，解析位網絡層中的32位IP地址。(R)ARP協議是TCP/IP協議棧裏面基礎的協議，ARP和RARP的操作對程序員是透明的，理解(R)ARP協議有助於理解網絡分層的細節。

IP地址的子網劃分

分類的IP地址

	最小網絡號	最大網絡號	子網數量	最小主機號	最大主機號	主機數量
A	0(00000000)	127(01111111)	\(2^7\)	0.0.0	255.255.255	\(2^{24}\)
B	128.0	191.255	\(2^{14}\)	0.0	255.255	\(2^{16}\)
C	192.0.0	223.255.255	\(2^{21}\)	0	255	\(2^{8}\)

特殊的主機號：主機號全0表示當前網絡段，不可分配為特定主機；主機號為全1表示廣播地址，向當前網絡段所有主機發消息

• A類地址網絡段全0(00000000)表示特殊網絡
• A類地址網絡段后7位全1(01111111:127)表示迴環地址
• B類地址網絡段(10000000.00000000:128.0)是不可使用的
• C類地址網絡段(192.0.0)是不可使用的

實際可使用各類IP地址如下：

	最小網絡號	最大網絡號	子網數量	最小主機號	最大主機號	主機數量
A	1	127(01111111)	\(2^7\)-2	0.0.1	255.255.254	\(2^{24}\)-2
B	128.1	191.255	\(2^{14}\)-1	0.1	255.254	\(2^{16}\)-2
C	192.0.1	223.255.255	\(2^{21}\)-1	1	254	\(2^{8}\)-2

  127.0.0.1，通常被稱為本地迴環地址(Loopback Address)，不屬於任何一個有類別地址類。它代表設備的本地虛擬接口，所以默認被看作是永遠不會宕掉的接口。在Windows操作系統中也有相似的定義，所以通常在安裝網卡前就可以ping通這個本地迴環地址。一般都會用來檢查本地網絡協議、基本數據接口等是否正常的。

劃分子網

  隨着互連網應用的不斷擴大，原先的IPv4的弊端也逐漸暴露出來，即網絡號佔位太多，而主機號位太少，所以其能提供的主機地址也越來越稀缺，目前除了使用NAT在企業內部利用保留地址自行分配以外，通常都對一個高類別的IP地址進行再劃分，以形成多個子網，提供給不同規模的用戶群使用。這裏主要是為了在網絡分段情況下有效地利用IP地址，通過對主機號的高位部分取作為子網號，從通常的網絡位界限中擴展或壓縮子網掩碼，用來創建某類地址的更多子網。但創建更多的子網時，在每個子網上的可用主機地址數目會比原先減少。

上圖就把原來的C類地址劃分成了兩個子網。
  但子網號這麼多，有沒有辦法快速判斷某個IP的網絡號？這就是子網掩碼的作用了，子網掩碼是標誌兩個IP地址是否同屬於一個子網的，也是32位二進制地址，其每一個為1代表該位是網絡位，為0代表主機位。它和IP地址一樣也是使用點式十進制來表示的。如果兩個IP地址在子網掩碼的按位與的計算下所得結果相同，即表明它們共屬於同一子網中。

  子網掩碼由連續的1和連續的0組成，某一個子網的子網掩碼具備網絡號位數個連續的1

  在計算子網掩碼時，我們要注意IP地址中的保留地址，即” 0″地址和廣播地址，它們是指主機地址或網絡地址全為” 0″或” 1″時的IP地址，它們代表着本網絡地址和廣播地址，一般是不能被計算在內的。

無分類編址CIDR

  CIDR中沒有A、B、C類網絡號、和子網劃分的概念，CIDR將網絡前綴相同的IP地址稱為一個“CIDR地址塊”，注意網絡前綴是任意位數的。

網絡前綴	主機號

斜線記法：193.10.10.129/25 使用二進製表示：11000001.00001010.00001010.10000001
無分類地址CIDR相比原來的子網劃分更加 靈活：

CIDR前綴長度	掩碼點分十進制	地址數
/13	255.248.0.0	512K
/14	255.252.0.0	256K
/15	255.254.0.0	128K
/16	255.255.0.0	64K
/17	255.255.128.0	32K
/18	255.255.192.0	16K
/19	255.255.224.0	8K

網絡地址轉換NAT技術

  IPv4最多只有40+億個IP地址，早期IP地址的不合理規劃導致IP號浪費。在介紹NAT技術之前，首先要知道內網地址和外網地址。

• 內網地址：內部機構使用，避免與外網地址重複。三類內網地址如下：
  • 10.0.0.0~10.255.255.255（支持千萬數量級設備）
  • 172.16.0.0~172.31.255.255（支持百萬數量級設備）
  • 192.168.0.0~192.168.255.255（支持萬數量級設備）
• 外網地址：全球範圍使用，全球公網唯一

  網絡地址轉換技術是發生在本地路由器的，主要功能就是把內網的IP地址轉成外網的IP地址來進行外部的通信，並且在接收到數據之後，再把外網IP地址映射成內網IP地址，轉發到具體的某個設備上面去。

  內網多個設備使用同一個外網IP請求外網的服務，外部怎麼知道具體是哪個設備在請求的？網絡地址轉換NAT的英文全稱是Network Address Translation，NAT技術用於多個主機通過一個公有IP訪問互聯網的私有網絡中，外部主要是通過端口號來區分到底是內網的哪一個設備進行請求的，這其中有一個NA(P)T表表：示例如下：

方向	舊的地址和端口號	新的地址與端口號
出	192.168.2.11:6666	173.21.59.10:16666
出	192.168.2.10:7777	173.21.59.10:17777
入	173.21.59.10:16666	192.168.2.11:6666
入	173.21.59.10:17777	192.168.2.10:7777

NAT減緩了IP地址的消耗，但是增加了網絡通信的複雜度

ICMP協議

  ICMP協議全稱是網際控制報文協議（Internet Control Message Protocol）,ICMP協議可以報告錯誤信息或者異常情況

ICMP協議首部:

8位類型	8位代碼	16位校驗和
ICMP報文數據

ICMP報文分為：差錯報告報文和詢問報文:

ICMP報文種類	類型的值	報文類型	具體代碼
差錯報告報文	3（終點不可達）	網絡不可達	0
		主機不可達	1
	5（重定向）	對網絡重定向	0
		對主機重定向	1
	11	傳輸超時	–
	12	壞的IP頭	0
		缺少其他必要參數	1
詢問報文	0或8	回送(Echo)請求或應答	–
	13或14	時間戳(Timestamp)請求或應答	–

ICMP協議的應用

ping應用：我們可以通過ping命令進行簡單的網絡故障排查：

1. ping本地迴環地址，一般情況下，都會得到返回的，如果得不到返回，則說明你的計算機的協議棧出現了問題，這個時候就可能需要重裝系統，或者是重新安裝這個協議棧
2. ping網關地址，即路由器地址，如果能得到返回的話，則說明本機到路由器的通路是通的，如果沒有返回的話，則說明你的wifi，或者你的網線連接是有問題的
3. ping遠端地址，如果不通的話，則說明你的家到ISP之間的網絡是故障的，此時就需要聯繫網絡服務商（移動、電信、聯通）進行排查。

Traceroute應用：Traceroute可以探測IP數據報在網絡中走過的路徑

路由概述

  思考：路由表中的下一跳地址是怎麼來的？下一跳地址是唯一的嗎？下一跳地址是最佳的嗎？路由器怎麼多，他們是怎麼協同工作的？為了解決這些問題，路由表需要一個好的算法去解決這些事情。路由算法實際上是圖論的算法，由於網絡環境複雜，使得路由算法要比圖論的算法更複雜。

  由於互聯網的規模是非常大的，互聯網環境是非常複雜的，所以我們需要對互聯網進行劃分。自治系統(Autonomous System)是指處於一個管理機構下的網絡設備群，AS內部網絡自行管理，AS對外提供一個或者多個出（入）口。自治系統內部路由的協議稱為：內部網關協議(RIP、OSPF)， 自治系統外部路由的協議稱為：外部網關協議(BGP)。

路由算法

  路由算法的本質是距離矢量（DV）算法， 距離矢量（DV）算法介紹如下：

• 每一個節點使用兩個向量\(D_i\)和\(S_i\)
• \(D_i\)描述的是當前節點到別的節點的距離
• \(S_i\)描述的是當前節點到別的節點的下一節點
• 每一個節點與相鄰的節點交換向量\(D_i\)和\(S_i\)的信息
• 每一個節點根據交換的信息更新自己的節點信息

現在假設有A的距離矢量信息，收到的距離矢量信息如下圖：

A通過B到各個節點得距離矢量信息如下：

A通過C到各個節點得距離矢量：並更新下一條的節點

A通過D到各個節點得距離矢量：並更新下一條的節點

A通過F到各個節點得距離矢量：並更新下一條的節點

RIP協議

  RIP(Routing Information Protocol)協議，RIP協議是使用DV算法的一種路由協議。RIP協議把網絡的跳數(hop)作為DV算法的距離，每隔30s交換一次路由信息，認為跳數>15的路由則為不可達路由。

RIP協議的過程

1. 路由器初始化路由信息(兩個向量\(D_i\)和\(S_i\))
2. 對相鄰路由器X發過來的信息，對信息的內容進行修改（下一跳地址設置為X，所有距離加1）
   1. 檢索本地路由，將信息中新的路由插入到路由表裡面
   2. 檢索本地路由，對於下一跳為X的，更新為修改后的信息
   3. 檢索本地路由，對比相同目的的距離，如果新信息的距離更小，則更新本地路由表
3. 如果3分鐘沒有收到相鄰的路由信息，則把相鄰路由設置為不可達(16跳)

RIP協議的優缺點：

• 優點：實現簡單，開銷很小。
• 缺點：故障信息傳遞慢。也就是隨便相信“隔壁老王”，“自己不思考” “視野不夠”。因為RIP協議每一個路由器它只看到相鄰路由器的信息，而看不到更遠的路由器信息，這也限制了網絡的規模。

內部網關路由協議之OSPF協議

鏈路狀態（LS）協議

  鏈路狀態（LS）協議：向所有的路由器發送消息，也就是一傳十、十傳百，只和相鄰的路由器交換信息。消息描述該路由器與相鄰路由器的鏈路狀態，每隔30s交換路由信息，只有鏈路狀態發生變化時，才發送更新信息。

Dijkstra（迪傑斯特拉）算法

  Dijkstra算法是著名的圖算法，Dijkstra算法解決有權圖從一個節點到其他節點的最短路徑問題，“以起始點為中心，向外層層擴展”。

Dijkstra（迪傑斯特拉）算法定義：

1. 初始化兩個集合(S, U)（S為只有初始頂點點A的集合，U為其他頂點集合）
2. 如果U不為空， 對U集合頂點進行距離的排序，並取出距離A最近的一個頂點D
   i. 將頂點D的納入S集合
   ii. 更新通過頂點D到達U集合所有點的距離（如果距離更小則更新，否則不更新）
   iii. 重複2步驟
3. 直到U集合為空，算法完成

OSPF協議的過程

  OSPF(Open Shortest Path First：開放最短路徑優先)，OSPF協議的核心是Dijkstra算法。OSPF協議的過程：路由器接入網絡，路由器向鄰居發出問候信息，與鄰居交流鏈路狀態數據庫，廣播和更新未知路由。

RIP協議	OSPF協議
從鄰居看網絡	整個網絡的拓撲
在路由器之間累加距離	Dijkstra算法計算最短路徑
頻繁、周期更新，收斂很慢	狀態變化更新，收斂很快
路由間拷貝路由信息	路由間傳遞鏈路狀態，自行計算路徑

外部網關路由協議之BGP協議

  BGP(Border Gateway Protocol: 邊際網關協議)，BGP協議是運行在AS之間的一種協議。由於互聯網的規模很大，AS內部使用不同的路由協議。

  AS之間需要考慮除網絡特性以外的一些因素（政治、安全…），BGP(Border Gateway Protocol，邊界網關協議)，BGP協議能夠找到一條到達目的比較好的路由，AS之間通過BGP發言人來進行路由信息的交換。BGP發言人(speaker)：BGP並不關心內部網絡拓撲，AS之間通過BGP發言人交流信息，BGP Speaker可以人為配置策略。

總結：網絡層負責對子網間的數據包進行路由選擇。此外，網絡層還可以實現擁塞控制、網際互連等功能；網絡層的基本數據單位為IP數據報；包含的主要協議：IP協議（Internet Protocol，因特網互聯協議）、ICMP協議（Internet Control Message Protocol，因特網控制報文協議）、ARP協議（Address Resolution Protocol，地址解析協議）以及RARP協議（Reverse Address Resolution Protocol，逆地址解析協議）。網絡層重要的設備是路由器。常見的路由選擇協議有：RIP協議、OSPF協議。RIP協議 ：底層是貝爾曼福特算法，它選擇路由的度量標準（metric)是跳數，最大跳數是15跳，如果大於15跳，它就會丟棄數據包；OSPF協議 ：Open Shortest Path First開放式最短路徑優先，底層是迪傑斯特拉算法，是鏈路狀態路由選擇協議，它選擇路由的度量標準是帶寬，延遲。

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※網頁設計公司推薦不同的風格，搶佔消費者視覺第一線

※廣告預算用在刀口上，台北網頁設計公司幫您達到更多曝光效益

※自行創業缺乏曝光? 網頁設計幫您第一時間規劃公司的形象門面

※南投搬家公司費用需注意的眉眉角角，別等搬了再說!

※教你寫出一流的銷售文案?

※回頭車貨運收費標準

※別再煩惱如何寫文案,掌握八大原則!

    自編碼器是無監督學習領域中一個非常重要的工具。最近由於圖神經網絡的興起，圖自編碼器得到了廣泛的關注。筆者最近在做相關的工作，對科研工作中經常遇到的：自編碼器（AE），變分自編碼器（VAE），圖自編碼器（GAE）和圖變分自編碼器（VGAE）進行了總結。如有不對之處，請多多指正。
    另外，我必須要強調的一點是：很多文章在比較中將自編碼器和變分自編碼器視為一類，我個人認為，這二者的思想完全不同。自編碼器的目的不是為了得到latent representation（中間層），而是為了生成新的樣本。我自己的實驗得出的結論是，變分自編碼器和變分圖自編碼器生成的中間層不能直接用來做下游任務（聚類、分類等），這是一個坑。

自編碼器（AE）

    在解釋圖自編碼器之前，首先理解下什麼是自編碼器。自編碼器的思路來源於傳統的PCA，其目的可以理解為非線性降維。我們知道在傳統的PCA中，學習器學得一個子空間矩陣，將原始數據投影到一個低維子空間，從未達到數據降維的目的。自編碼器則是利用神經網絡將數據逐層降維，每層神經網絡之間的激活函數就起到了將”線性”轉化為”非線性”的作用。自編碼器的網絡結構可以是對稱的也可以是非對稱的。我們下面以一個簡單的四層對稱的自編碼器為例，全文代碼見最後。
   (嚴格的自編碼器是只有一個隱藏層，但是我在這裏做了個拓展，其最大的區別就是隱藏層以及神經元數量的多少，理解一個，其它的都就理解了。)

圖自編碼器（GAE）

    圖自編碼器和自編碼器最大的區別有兩點：一是圖自編碼器在encoder過程中使用了一個 \(n*n\) 的卷積核；另一個是圖自編碼器沒有數據解碼部分，轉而代之的是圖解碼（graph decoder),具體實現是前後鄰接矩陣的變化做loss。
   圖自編碼器可以像自編碼器那樣用來生成隱向量，也可以用來做鏈路預測（應用於推薦任務）。

變分自編碼器（VAE）

   變分自編碼是讓中間層Z服從一個分佈。這樣我們想要生成一個新的樣本的時候，就可以直接在特定分佈中隨機抽取一個樣本。另外，我初學時遇到的疑惑，就是中間層是怎麼符合分佈的。我的理解是：
      輸入樣本：\(\mathbf{X \in \mathcal{R}^{n * d}}\)
      中間層 ：\(\mathbf{Z \in \mathcal{R}^{n * m}}\)
   所謂的正態分佈是讓\(Z\)的每一行\(z_i\)符合正態分佈，這樣才能隨機從正態分佈中抽一個新的\(z_i\)出來。但是正是這個原因，我認為\(Z\)不能直接用來處理下游任務（分類、聚類）,我自己的實驗確實效果不好。

變分圖自編碼器（VGAE）

    如果你理解了變分比編碼器和圖自編碼器，那麼變分圖自編碼器你也就能理解了。第一個改動就是在VAE的基礎上把encoder過程換成了GCN的卷積過程，另一個改動就是把decoder過程換成了圖decoder過程。同樣生成的中間層隱向量不能直接應用下游任務。
   數據集和下游任務的代碼見: https://github.com/zyx423/GAE-and-VGAE.git

全文代碼如下：

class myAE(torch.nn.Module):
     
    def __init__(self, d_0, d_1, d_2, d_3, d_4):
        super(myAE, self).__init__()
        // 這裏的d0, d_1, d_2, d_3, d_4對應四層神經網絡的維度
    
        self.conv1 = torch.nn.Sequential(
            torch.nn.Linear(d_0, d_1, bias=False),
            torch.nn.ReLU(inplace=True)
        )

        self.conv2 = torch.nn.Sequential(
            torch.nn.Linear(d_1, d_2, bias=False),
            torch.nn.ReLU(inplace=True)
        )

        self.conv3 = torch.nn.Sequential(
            torch.nn.Linear(d_2, d_3, bias=False),
            torch.nn.ReLU(inplace=True)
        )

        self.conv4 = torch.nn.Sequential(
            torch.nn.Linear(d_3, d_4, bias=False),
            torch.nn.Sigmoid()
        )
    def Encoder(self, H_0):
        H_1 = self.conv1(H_0)
        H_2 = self.conv2(H_1)
        return H_2

    def Decoder(self, H_2):
        H_3 = self.conv3(H_2)
        H_4 = self.conv4(H_3)
        return H_4

    def forward(self, H_0):
        Latent_Representation = self.Encoder(H_0)
        Features_Reconstrction = self.Decoder(Latent_Representation)
        return Latent_Representation, Features_Reconstrction

class myGAE(torch.nn.Module):
    def __init__(self, d_0, d_1, d_2):
        super(myGAE, self).__init__()

        self.gconv1 = torch.nn.Sequential(
            torch.nn.Linear(d_0, d_1, bias=False),
            torch.nn.ReLU(inplace=True)
        )
        self.gconv1[0].weight.data = get_weight_initial(d_1, d_0)

        self.gconv2 = torch.nn.Sequential(
            torch.nn.Linear(d_1, d_2, bias=False)
        )
        self.gconv2[0].weight.data = get_weight_initial(d_2, d_1)

    def Encoder(self, Adjacency_Modified, H_0):
        H_1 = self.gconv1(torch.matmul(Adjacency_Modified, H_0))
        H_2 = self.gconv2(torch.matmul(Adjacency_Modified, H_1))
        return H_2

    def Graph_Decoder(self, H_2):
        graph_re = Graph_Construction(H_2)
        Graph_Reconstruction = graph_re.Middle()
        return Graph_Reconstruction


    def forward(self, Adjacency_Modified, H_0):
        Latent_Representation = self.Encoder(Adjacency_Modified, H_0)
        Graph_Reconstruction = self.Graph_Decoder(Latent_Representation)
        return Graph_Reconstruction, Latent_Representation

class myVAE(torch.nn.Module):
    def __init__(self, d_0, d_1, d_2, d_3, d_4, bias=False):
        super(myVAE, self).__init__()

        self.conv1 = torch.nn.Sequential\
        (
            torch.nn.Linear(d_0, d_1, bias= False),
            torch.nn.ReLU(inplace=True)
        )

        # VAE有兩個encoder，一個用來學均值，一個用來學方差
        self.conv2_mean = torch.nn.Sequential(
            torch.nn.Linear(d_1, d_2, bias=False)

        )
        self.conv2_std = torch.nn.Sequential(
            torch.nn.Linear(d_1, d_2, bias=False)
        )
        self.conv3 = torch.nn.Sequential(
            torch.nn.Linear(d_2, d_3, bias=False),
            torch.nn.ReLU(inplace=False)
        )
        self.conv4 = torch.nn.Sequential(
            torch.nn.Linear(d_3, d_4, bias=False),
            torch.nn.Sigmoid()
        )

    def Encoder(self, H_0):
        H_1 = self.conv1(H_0)
        H_2_mean = self.conv2_mean(H_1)
        H_2_std = self.conv2_std(H_1)
        return H_2_mean, H_2_std

    def Reparametrization(self, H_2_mean, H_2_std):
        # sigma = 0.5*exp(log(sigma^2))= 0.5*exp(log(var))
        std = 0.5 * torch.exp(H_2_std)
        # N(mu, std^2) = N(0, 1) * std + mu。
        # 數理統計中的正態分佈方差，剛學過， std是方差。
        # torch.randn 生成正態分佈
        Latent_Representation = torch.randn(std.size()) * std + H_2_mean
        return Latent_Representation

    # 解碼隱變量
    def Decoder(self, Latent_Representation):
        H_3 = self.conv3(Latent_Representation)
        Features_Reconstruction = self.conv4(H_3)
        return Features_Reconstruction

    # 計算重構值和隱變量z的分佈參數
    def forward(self, H_0):
        H_2_mean, H_2_std = self.Encoder(H_0)
        Latent_Representation = self.Reparametrization(H_2_mean, H_2_std)
        Features_Reconstruction = self.Decoder(Latent_Representation)
        return Latent_Representation, Features_Reconstruction, H_2_mean, H_2_std

class myVGAE(torch.nn.Module):
    def __init__(self, d_0, d_1, d_2):
        super(myVGAE, self).__init__()

        self.gconv1 = torch.nn.Sequential(
            torch.nn.Linear(d_0, d_1, bias=False),
            torch.nn.ReLU(inplace=True)
        )
        # self.gconv1[0].weight.data = get_weight_initial(d_1, d_0)

        self.gconv2_mean = torch.nn.Sequential(
            torch.nn.Linear(d_1, d_2, bias=False)
        )
        # self.gconv2_mean[0].weight.data = get_weight_initial(d_2, d_1)

        self.gconv2_std = torch.nn.Sequential(
            torch.nn.Linear(d_1, d_2, bias=False)
        )
        # self.gconv2_std[0].weight.data = get_weight_initial(d_2, d_1)

    def Encoder(self, Adjacency_Modified, H_0):
        H_1 = self.gconv1(torch.matmul(Adjacency_Modified, H_0))
        H_2_mean = self.gconv2_mean(torch.matmul(Adjacency_Modified, H_1))
        H_2_std = self.gconv2_std(torch.matmul(Adjacency_Modified, H_1))
        return H_2_mean, H_2_std

    def Reparametrization(self, H_2_mean, H_2_std):

        # sigma = 0.5*exp(log(sigma^2))= 0.5*exp(log(var))
        std = 0.5 * torch.exp(H_2_std)
        # N(mu, std^2) = N(0, 1) * std + mu。
        # 數理統計中的正態分佈方差，剛學過， std是方差。
        # torch.randn 生成正態分佈
        Latent_Representation = torch.randn(std.size()) * std + H_2_mean
        return Latent_Representation

    # 解碼隱變量
    def Graph_Decoder(self, Latent_Representation):
        graph_re = Graph_Construction(Latent_Representation)
        Graph_Reconstruction = graph_re.Middle()
        return Graph_Reconstruction

    def forward(self, Adjacency_Modified, H_0):
        H_2_mean, H_2_std = self.Encoder(Adjacency_Modified, H_0)
        Latent_Representation = self.Reparametrization(H_2_mean, H_2_std)
        Graph_Reconstruction = self.Graph_Decoder(Latent_Representation)
        return Latent_Representation, Graph_Reconstruction, H_2_mean, H_2_std

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※網頁設計公司推薦不同的風格，搶佔消費者視覺第一線

※廣告預算用在刀口上，台北網頁設計公司幫您達到更多曝光效益

※自行創業缺乏曝光? 網頁設計幫您第一時間規劃公司的形象門面

※南投搬家公司費用需注意的眉眉角角，別等搬了再說!

※教你寫出一流的銷售文案?

※回頭車貨運收費標準

※別再煩惱如何寫文案,掌握八大原則!