多路径SDN控制器 该SDN控制器在多路径网络上运行,并设置最佳的多路径转发流表以最大化吞吐量。 它使用Ryu,可以在Mininet等仿真网络上进行测试。 依存关系 该控制器需要OpenvSwitch的修改版本才能运行。 可以在以下存储库中找到它,有关其修改的信息: : 建筑 因此,控制器具有三个逻辑组件: 拓扑发现组件该组件用于发现连接到控制器的SDN交换机,并了解它们之间的路径。 可以通过链路层发现协议(LLDP)在L2拓扑上自动完成此操作,但是在网络层路由上可能会更加复杂,并且需要手动配置(通过REST API完成)。 多路径路由组件它使用网络知识来计算多条路径,并将所得计算作为
2022-05-31 21:40:51 336KB networking sdn software-defined-network multipath
1
评论系统 :desktop_computer: 用户可以在其中注册,登录和发表评论的Web应用程序。 另外,还有一个adm主字段,可以删除任何注释并检查报告。 可以在以下位置访问该应用程序: : 使用制造 :wrench: HTML CSS PHP MySQL
2022-05-30 10:24:07 1.59MB PHP
1
主要为大家详细介绍了小程序实现发表评论功能,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
2022-05-27 20:54:46 60KB 小程序 发表评论
1
虚电路转发表建立过程示例一 A E D C B H2 H3 H1 H4 H5 依次建立5条VC: VC1:A--B--E VC2:A--B--D VC3:B--D--E VC4:C--E--D VC5:A--B--C--D 入口 出口 H1 H1 H1 1 2 5 0 1 2 B 0 1 2 B B 入口 出口 A A H2 3 0 1 0 E 0 0 1 D D 入口 出口 B B E 0 1 0 H4 0 0 1 E H4 入口 出口 H3 B 4 0 0 0 E 0 0 2 D 入口 出口 B D C 0 0 0 H5 0 1 0 D A B C D E A 2 C 0 H5 C H4
2022-05-23 23:02:17 5.01MB 计算机网络 考研 辅导 全国统考
1
cms 基于bootstrap与thinkphp做的新闻内容管理系统,有登陆注册、发表文章、评论、投票等常用功能,网址为
2022-05-23 08:03:43 7.22MB PHP
1
从小白到发表SCI论文大神 计算机科学与技术专业 软件工程专业
2022-05-22 00:40:29 43KB SCI 计算机 论文发表
1
Unity碰撞触发表 (IE查看Unity碰撞触发表 (IE查看)Unity碰撞触发表 (IE查看)Unity碰撞触发表 (IE查看)Unity碰撞触发表 (IE查看)Unity碰撞触发表 (IE查看)Unity碰撞触发表 (IE查看)Unity碰撞触发表 (IE查看)Unity碰撞触发表 (IE查看)Unity碰撞触发表 (IE查看)Unity碰撞触发表 (IE查看)Unity碰撞触发表 (IE查看)Unity碰撞触发表 (IE查看)Unity碰撞触发表 (IE查看)Unity碰撞触发表 (IE查看)Unity碰撞触发表 (IE查看)Unity碰撞触发表 (IE查看)Unity碰撞触发表 (IE查看)Unity碰撞触发表 (IE查看)Unity碰撞触发表 (IE查看)Unity碰撞触发表 (IE查看)Unity碰撞触发表 (IE查看)Unity碰撞触发表 (IE查看)Unity碰撞触发表 (IE查看)Unity碰撞触发表 (IE查看)Unity碰撞触发表 (IE查看)Unity碰撞触发表 (IE查看)Unity碰撞触发表 (IE查看))Unity碰撞触发表 (IE查看Unity碰撞触
2022-05-18 11:06:25 61KB unity 游戏引擎
1
刚学web做得,没有什么功能,都是最基本的代码,连接sql的时候修改下web.config连接语句就可以用了
1
主要对SPIE数据库期刊论文的详细总结,关于图像处理和机器视觉相关的sci期刊。
2022-05-11 11:26:32 54KB 论文发表
1
超分辨率matlab代码SRCNN-Keras 在python和matlab中使用'bicubic'作为选项的resize函数是不同的,并且最近发表的论文通常使用matlab来生成低分辨率图像 通过以Theano为后端的Keras实现SRCNN。 为了与已发表的作品进行合理的比较,Matlab的imresize函数生成了低分辨率的图像。 使用预先训练的模型 在“测试”文件夹中运行SRCNN_test.m(训练集为Yang91)放大系数= 3 训练 注意:更多数据和更好的结果 使用Matlab生成培训补丁 使用Keras和Theano作为后端来训练SRCNN模型 将Keras模型转换为.Mat以使用Matconvnet进行测试 如何训练您的模型? 生成训练补丁 运行SRCNN.py以产生SRCNN模型 首先运行load_save.py,然后运行save_model.m以生成Matconvnet模型 与原始实施的差异 使用Adam优化网络以实现快速收敛 依存关系 ,,。 如果该代码对您有帮助,请引用此文章:“使用深度卷积网络的图像超分辨率”。 笔记 此代码基于Keras-1。
2022-05-10 14:50:44 8.82MB 系统开源
1