Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >anycast RP「建议收藏」

anycast RP「建议收藏」

作者头像
全栈程序员站长
发布于 2022-08-31 12:35:11
发布于 2022-08-31 12:35:11
9600
举报

大家好,又见面了,我是你们的朋友全栈君。

动态RP尽管较静态RP有一定的优点,但依旧存在缺陷,当选定了RP后,所有的流量仅仅依靠这一个RP转发组播数据流量,不能实现流量负载功能。 anycast RP 场景: 为了增强 PIM-SM 中 RP 节点的可靠性,以及对网络中的组播流量进行分担,可在网络中选取若干 RP 点,运行 Anycast RP,达到冗余备份,负载分担的目的。 原理: 多个 RP 配置一个相同的 Anycast RP 地址,这个地址使用 RP 上的一个接口(通常是逻辑接口,如 Loopback 接口)。之后 RP 使用这个接口地址对外发布组到 RP 的映射信息。由于使用的是 Anycast RP 地址,所以组成员在加入时,会向拓扑距离最近的一个 RP 发起。在这些 RP 之间使用各自不同的地址建立 MSDP 连接,利用 MSDP 实现多播源信息在所有 RP 之间的同步。Anycast RP 实际上是 MSDP 在域内的一个特殊应用。 (MSDP:多播源发现协议,作用是在其他PIM域中发现多播源) MSDP连接是为了解决以下问题: 组播源距离最近有一个RP,组播接收者这边又有一个RP,那么运行协议的话,共享树只能到组播接收者最近的RP点,同理,组播源的RPT也是这样,所以需要运行MSDP。 anycast RP操作原理

SA:source-active(包括多播源,多播组,RP地址信息) 当有一个源注册到RP1时,RP1会通过MSDP将该源的信息高速RP2,RP2便反向建立SPT到该源,这样保证了加入RP2的组播接收者也能收到该组播源发送的多播流量。

RP1down后,单播路由收敛,所有组成员会加入到RP2上,原来注册到RP1上的源也会注册到RP2上,保证多播网络的稳定,快速failover,收敛时间即单播路由的收敛时间。

anycast RP配置

interface loopback 0 ip address 10.0.0.2 255.255.255.255 interface loopback 1 ip address 10.0.0.1 255.255.255.255 ip msdp peer 10.0.0.3 connect-source loopback 0 ip msdp originator-id loopback 0

interface loopback 0 ip address 10.0.0.3 255.255.255.255 interface loopback 1 ip address 10.0.0.1 255.255.255.255 ip msdp peer 10.0.0.2 connect-source loopback 0 ip msdp originator-id loopback 0 在不同的PIM-SM域之间建立MSDP连接时,是使用TCP 639, IP地址高的初始化TCP连接,60秒一次keepalive,75秒后没数据或keepalive则重建TCP。 组播源向RP注册之后,那么RP将这些源信息通过在MSDP连接上发送Source-Active (SA)到远程RP,以提供组播源的信息。因为RP收到Source-Active (SA)后,也是要做RPF检测。 MSDP只能在PIM-SM下使用

SA filter 对于SA,无论是发出去的还是收到的,无论是源自其它MSDP Peer还是自己产生的,都可以通过Filter List来做过滤,所过滤的条件可基于ACL、route map、RP access list、RP route map,这里的ACL必须是扩展ACL。 对接收的SA做过滤的命令为:ip msdp sa-filter in xxx yyy(xxx为对端MSDP路由器地址,yyy为ACL、route map、RP access list、RP route map,如果不跟yyy,则表示所有SA); 对发送出去的SA做过滤的命令为:ip msdp sa-filter out xxx yyy(xxx为对端MSDP路由器地址,yyy为ACL、route map、RP access list、RP route map,如果不跟yyy,则表示所有SA)。 举例: ip msdp peer 200.0.0.1 connect-source Loopback1 remote-as 200 ip msdp sa-filter out 200.0.0.1 list 110 ip msdp originator-id Loopback1 access-list 110 deny ip host 10.1.1.13 host 224.100.100.100 access-list 110 permit ip any any

ip msdp peer 100.0.0.1 connect-source Loopback1 remote-as 100 ip msdp originator-id Loopback1

发布者:全栈程序员栈长,转载请注明出处:https://javaforall.cn/142265.html原文链接:https://javaforall.cn

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2022年5月2,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
【论文笔记】2020-ACL-Neural Dialogue State Tracking with Temporally Expressive Networks
​ 现有的 DST 模型要么 忽略跨对话回合的时间特征依赖关系 ,要么 未能在对话中显式地建模时间状态依赖关系。
yhlin
2023/03/23
8010
【论文笔记】2020-ACL-Neural Dialogue State Tracking with Temporally Expressive Networks
【论文笔记】A Sequence-to-Sequence Approach to Dialogue State Tracking
​ 本文提出了一种新的对话状态跟踪方法,称为 Seq2SeqDU,它将 DST 形式化为一个序列到序列问题。Seq2Seq-DU 的 独特之处 是它使用两个基于 BERT 的编码器分别对对话中的话语和模式描述进行编码,一个注意者计算话语嵌入和模式嵌入之间的注意,以及一个解码器生成表示对话当前状态的指针。
yhlin
2023/02/13
2.3K0
【论文笔记】A Sequence-to-Sequence Approach to Dialogue State Tracking
【论文笔记】A Graph-based and Copy-augmented Multi-domain Dialogue State Tracking
​ 大多数现有的方法都在单个领域上独立训练 DST,而忽略了跨领域之间的信息的有效共享。
yhlin
2023/03/23
8780
【论文笔记】A Graph-based and Copy-augmented Multi-domain Dialogue State Tracking
【论文笔记】Multi-Domain Dialogue State Tracking based on State Graph
​ 现有的方法通常将以前的对话状态与对话历史连接作为编码器的输入。它们依赖于编码器的自我注意机制来连接其中的 token。然而,编码器可能会注意到虚假的联系,从而导致错误的推断。
yhlin
2023/02/27
1.4K0
【论文笔记】Multi-Domain Dialogue State Tracking based on State Graph
【论文笔记】Jointly Optimizing State Operation Prediction and Value Generation for Dialogue State Tracking
​ 现有的方法利用 BERT 编码器和基于拷贝的 RNN 解码器,其中编码器预测状态操作,并由解码器生成新的插槽值。然而,在这种堆叠的编码器 - 解码器结构中,操作预测目标 只影响 BERT 编码器,而值生成目标 主要 影响 RNN 解码器。此外,在框架中,编码器是预先训练的,而解码器则没有预先训练。
yhlin
2023/02/27
8770
【论文笔记】Jointly Optimizing State Operation Prediction and Value Generation for Dialogue State Tracking
【论文笔记】2019-ACL-Dialog State Tracking: A Neural Reading Comprehension Approach
概要 问题动机   以往的 DST 方法通常都是输出一个对所有槽值的预测概率分布,使得模型无法预测 unseen 的槽值。这篇文章的作者以不同角度看待 DST 问题,将其建模为一个阅读理解任务,让模型
yhlin
2023/02/27
4580
【论文笔记】2019-ACL-Dialog State Tracking: A Neural Reading Comprehension Approach
【论文笔记】Efficient Context and Schema Fusion Networks for Multi-Domain Dialogue State Tracking
对于多域 DST,由于候选状态的数量和对话长度的增加,数据稀疏性问题 是一个主要障碍。
yhlin
2023/02/13
5410
【论文笔记】Efficient Context and Schema Fusion Networks for Multi-Domain Dialogue State Tracking
【论文笔记】2021-EMNLP-Knowledge-Aware Graph-Enhanced GPT-2 for Dialogue State Tracking
​ 为了建模槽间关系,本文提出了一种新的混合体系结构,它通过来自图注意网络的表示来增强 GPT-2,从而允许对槽值进行因果的、顺序的预测。模型体系结构捕获跨域的槽间关系和依赖关系。
yhlin
2023/02/27
1.3K0
【论文笔记】2021-EMNLP-Knowledge-Aware Graph-Enhanced GPT-2 for Dialogue State Tracking
【论文笔记】Multi-Attention-Based Scalable Dialog State Tracking
​ 我们的工作最类似于 TRADE,并通过提出自我和交叉注意力机制来捕捉位置和历史相关性。特别是,本文使用交叉注意在不同语义级别上的上下文和槽之间的模型关系,并使用自我注意来解决跨域共引用。此外,本文提出的体系结构并不依赖于事先了解域本体,也可以用于新域或看不见的插槽值的零镜头设置。
yhlin
2023/03/23
5650
【论文笔记】Multi-Attention-Based Scalable Dialog State Tracking
【论文笔记】Efficient Dialogue State Tracking by Selectively Overwriting Memory
  最近在对话状态跟踪 (DST) 方面的工作集中于基于开放词汇的设置,以解决基于预定义本体的方法的可伸缩性和泛化问题。然而,他们效率低下,因为他们从头开始预测对话状态。
yhlin
2023/02/13
9840
【论文笔记】Efficient Dialogue State Tracking by Selectively Overwriting Memory
【论文笔记】A Comparative Study on Schema-Guided Dialogue State Tracking
​ Frame-based 的状态表示在现代面向任务的对话系统中被广泛应用,以建模用户的意图和插槽值。然而,域本体的固定设计使得很难扩展到新的服务和 API。
yhlin
2023/03/23
1.4K0
【论文笔记】A Comparative Study on Schema-Guided Dialogue State Tracking
【论文笔记】Scalable End-to-End Dialogue State Tracking with Bidirectional Encoder Representations from Tr
对话状态跟踪 (DST) 中一个重要但很少被解决的问题是动态 ontology(如电影、餐馆)和 unseen 的插槽值的可扩展性。以前的方法通常依赖于 n 格枚举或槽标记输出的候选生成,这可能遭受错误传播而导致效率低下。
yhlin
2023/02/13
1.6K0
【论文笔记】Scalable End-to-End Dialogue State Tracking with Bidirectional Encoder Representations from Tr
【论文笔记】2017-ACL-Neural Belief Tracker: Data-Driven Dialogue State Tracking
  作者提出了一种新的神经信念跟踪 (NBT) 框架,基于 表示学习 的最新进展,克服了上述问题。NBT 模型是对预先训练好的单词向量进行推理,学习将它们组合成用户话语和对话上下文的分布式表示。我们对两个数据集的评估表明,这种方法超过了过去的局限性,匹配了最先进的模型的性能,这些模型依赖于手工制作的语义词汇,并在不提供这些词汇时表现优于它们。
yhlin
2023/02/13
6220
【论文笔记】2017-ACL-Neural Belief Tracker: Data-Driven Dialogue State Tracking
【多轮对话】多轮对话状态追踪技术综述
研究任务型对话系统,首先得从数据集采集说起,关于数据之前文章介绍过了,这里就不详细介绍了,参考:任务型多轮对话数据集和采集方法
百川AI
2022/02/28
4.7K3
【多轮对话】多轮对话状态追踪技术综述
大规模跨领域中文任务导向多轮对话数据集及模型CrossWOZ
机器人:北京饭店你看可以吗? (用户有两个以上目的(订机票和酒店)要通过对话实现)
朴素人工智能
2020/04/20
3.1K0
【论文笔记】An End-to-end Approach for Handling Unknown Slot Values in Dialogue State Tracking
​ 以前的方法通常假设预定义的候选列表,这些方法通常依赖于固定本体上的分类,或通过枚举候选列表分别对每个槽值对进行评分,输出列表中每个值的概率分布,因此不被设计来输出未知槽值。
yhlin
2023/02/13
6260
【论文笔记】An End-to-end Approach for Handling Unknown Slot Values in Dialogue State Tracking
自然语言处理学术速递[7.28]
【1】 QA Dataset Explosion: A Taxonomy of NLP Resources for Question Answering and Reading Comprehension 标题:问答数据集爆炸:面向问答和阅读理解的自然语言处理资源分类
公众号-arXiv每日学术速递
2021/07/29
7000
【多轮对话】多轮对话状态追踪综述
研究任务型对话系统,首先得从数据集采集说起,关于数据之前文章介绍过了,这里就不详细介绍了,参考:
百川AI
2024/04/09
6120
【多轮对话】多轮对话状态追踪综述
首次利用半监督注入知识,达摩院推出新型预训练对话模型,取得显著提升
机器之心专栏 作者:戴音培、李永彬 团队:达摩院-自然语言智能实验室-对话智能团队 如何将人类先验知识低成本融入到预训练模型中一直是个难题。达摩院对话智能团队提出了一种基于半监督预训练的新训练范式,通过半监督的方式将对话领域的少量有标数据和海量无标数据一起进行预训练,将标注数据中蕴含的知识注入到预训练模型中去,新提出的半监督预训练对话模型(Semi-Supervised Pre-trAined Conversation ModEl)SPACE 1.0 版本在剑桥 MultiWOZ2.0,亚马逊 MultiW
机器之心
2022/04/13
6980
首次利用半监督注入知识,达摩院推出新型预训练对话模型,取得显著提升
NeurlPS 2020 | 简约任务型对话,让对话实现不再繁琐
目前,对话系统主要分为任务型,问答型和闲聊型三种对话类型。其中,任务型对话,具有明确的任务目标,需要将每一句话,转化为参数,明确其任务目的,并完成任务,其主要应用场景为智能助理,智能会议系统等。问答型对话,也有明确的目标,但是不需要将问题转化为参数,只需给出答案,应用领域主要是客服。闲聊型只需要吸引客户闲聊下去,没有任务目标,其主要虚拟陪伴助手。任务型对话,在商业领域有这广泛的应用,主要是解决某一领域的具体问题。
AI科技评论
2020/12/08
1.8K0
NeurlPS 2020 | 简约任务型对话,让对话实现不再繁琐
推荐阅读
【论文笔记】2020-ACL-Neural Dialogue State Tracking with Temporally Expressive Networks
8010
【论文笔记】A Sequence-to-Sequence Approach to Dialogue State Tracking
2.3K0
【论文笔记】A Graph-based and Copy-augmented Multi-domain Dialogue State Tracking
8780
【论文笔记】Multi-Domain Dialogue State Tracking based on State Graph
1.4K0
【论文笔记】Jointly Optimizing State Operation Prediction and Value Generation for Dialogue State Tracking
8770
【论文笔记】2019-ACL-Dialog State Tracking: A Neural Reading Comprehension Approach
4580
【论文笔记】Efficient Context and Schema Fusion Networks for Multi-Domain Dialogue State Tracking
5410
【论文笔记】2021-EMNLP-Knowledge-Aware Graph-Enhanced GPT-2 for Dialogue State Tracking
1.3K0
【论文笔记】Multi-Attention-Based Scalable Dialog State Tracking
5650
【论文笔记】Efficient Dialogue State Tracking by Selectively Overwriting Memory
9840
【论文笔记】A Comparative Study on Schema-Guided Dialogue State Tracking
1.4K0
【论文笔记】Scalable End-to-End Dialogue State Tracking with Bidirectional Encoder Representations from Tr
1.6K0
【论文笔记】2017-ACL-Neural Belief Tracker: Data-Driven Dialogue State Tracking
6220
【多轮对话】多轮对话状态追踪技术综述
4.7K3
大规模跨领域中文任务导向多轮对话数据集及模型CrossWOZ
3.1K0
【论文笔记】An End-to-end Approach for Handling Unknown Slot Values in Dialogue State Tracking
6260
自然语言处理学术速递[7.28]
7000
【多轮对话】多轮对话状态追踪综述
6120
首次利用半监督注入知识,达摩院推出新型预训练对话模型,取得显著提升
6980
NeurlPS 2020 | 简约任务型对话,让对话实现不再繁琐
1.8K0
相关推荐
【论文笔记】2020-ACL-Neural Dialogue State Tracking with Temporally Expressive Networks
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档