首页 > 其他分享 >载波监听多址接入碰撞检测 CSMA/CD(carrier sense multiple access collision detection)

载波监听多址接入碰撞检测 CSMA/CD(carrier sense multiple access collision detection)

时间:2024-08-31 09:25:54浏览次数:10  
标签:发送 multiple 争用期 总线 碰撞 退避 detection collision 以太网

载波监听多址接入/碰撞检测 CSMA/CD(carrier sense multiple access/ collision detection)

概念解析

在总线局域网使用的协议

多址接入MA : 多个站连接在同一条线上,竞争使用总线。

载波监听CS : 每一个站在发送帧之前都要检测一下总线上是否有其他站点在发送帧(”先听后说“)

若检测到总线空闲96比特时间,则发送这个帧

若检测到总线忙,则继续检测并等待总线转为空闲96比特时间,然后发送这个帧

碰撞检测CD : 每一个正在发送帧的站边发送边检测碰撞(”边说边听“)

一但发生碰撞,则停止发送,退避一段时间后再发送(“一旦冲突,立即停说,等待时机,重新再说”)

对于碰撞,以太网采取了一种叫做强化碰撞的措施,当发送帧的站点一旦检测到碰撞,除了立即停止发送帧之外,还需要再发送32比特或者48比特的人为干扰信号,为了让所有的站点都检测出碰撞

争用期

争用期=d / 传播速度

请添加图片描述

  • 主机最多经过2τ的时间检测到本次发送是否发生碰撞

  • 以太网的端到端往返传播时延2τ称之为争用期碰撞窗口

  • 如何确定不会发生碰撞

    经过一个完整的争用期但并未检测到碰撞

  • 共享式以太网不能连接太多的主机,使用的总线也不能太长否则导致碰撞的概率大

最小帧长

最小帧长=争用期 * 数据传输速率

使用CSMA/CD协议的以太网帧长不能太短,会导致数据丢失。

以太网规定最小帧长为64字节,即512个比特(512比特的时间即为争用期)

当发送的数据不足以64字节时,加入填充字节使其帧长不小于64字节

以太网的最小帧长确保了主机可在帧发送完之前就检测到该帧的发送过程之中是否遭受到了碰撞

因此可以推出,如果在争用期,没有检测到碰撞,那么后续发送的数据就一定不会发生碰撞

且,检测到碰撞之后,停止发送,数据一定小于64字节,因此,长度小于64字节的帧都是由于碰撞而异常中止的无效帧

最大帧长

请添加图片描述

根据规定不同,所具有的最大帧长不同,但是最小帧长一样

退避时间的计算方法——截断二进制指数退避算法

退避时间=基本退避时间×随机数r

其中基本退避时间为2τ,

请添加图片描述

eg:请添加图片描述

若是发生多次碰撞,就表明有许多的主机参与竞争信道

但是退避算法使得重传需要推迟的平均时间随着重传次数而增大(称之为动态退避),因而减少发生碰撞的概率,有利于整个系统的稳定。

最高的重传次数为24=16次,当不能成功时,丢弃该帧

信道利用率

请添加图片描述

考虑以下理想情况之后所有的极限信道利用率为

  • 各主机发送帧都不胡碰撞

  • 总线一旦空闲就有某个主机立即发送帧

  • 发送一帧占用总线的时间为T0+τ,而帧本身的发送时间就是T0

    其极限信道利用率为

    请添加图片描述

参数a的值尽量小,以提高信道利用率

以太网端到端的距离受到限制

以太网的帧的长度应尽量长一点

帧发送流程

请添加图片描述

帧接受流程

请添加图片描述

标签:发送,multiple,争用期,总线,碰撞,退避,detection,collision,以太网
From: https://blog.csdn.net/sjskbxiqznkqk/article/details/141711393

相关文章

  • openGauss-Anomaly_detection_数据库指标采集_预测与异常监控
    Anomaly-detection:数据库指标采集、预测与异常监控可获得性本特性自openGauss1.1.0版本开始引入。特性简介anomaly_detection是openGauss集成的、可以用于数据库指标采集、预测以及异常监控与诊断的AI工具,是dbmind套间中的一个组件。支持采集的信息包括IO_Read、IO_Write、CPU......
  • 【ACMMM2024】Multi-Scale and Detail-Enhanced Segment Anything Model for Salient
    论文:https://arxiv.org/pdf/2408.04326代码:https://github.com/BellyBeauty/MDSAM论文的研究动机就是使用SAM来解决显著性检测(SOD)问题,主要有两个改进:提出了LightweightMulti-ScaleAdapter,LMSA来微调SAM提出了Multi-LevelFusionModule,MLFM和DetailEnhancementM......
  • ABC077D / ARC084B Small Multiple 题解
    AtCoderLuogu考虑数位和的来源:从\(1\)开始进行若干次\(\times10\)和\(+1\)操作可以得到任意正整数,此时\(+1\)操作的次数为其数字和。注意不能连续进行\(10\)次及以上\(+1\)操作。不难列出转移,设\(f(i)\)表示\(i\)的数字和,则:\(f(10i)=f(i)\)\(f(i+1)=......
  • Object Detection: Non-Maximum Suppression (NMS)
    ObjectDetection:Non-MaximumSuppression(NMS)https://kikaben.com/object-detection-non-maximum-suppression/ObjectdetectionmodelslikeYOLOv5andSSDpredictobjects’locationsbygeneratingboundingboxes(showninbluerectanglesbelow).However,......
  • 【A GUIDE TO CRC ERROR DETECTION ALGORITHM】 (译文3-Todo)
    11."Reflected"Table-DrivenImplementations“反射”表驱动实现Despitethefactthattheabovecodeisprobablyoptimizedaboutasmuchasitcouldbe,thisdidnotstopsomeenterprisingindividualsfrommakingthingsevenmorecomplicated.Toundersta......
  • SLF4J: Class path contains multiple SLF4J bindings. 运行报错 表示在您的应用程序
    java使用SLF4J时出现下面的错误,是因为项目中使用了多个SLF4J的类库SLF4J:ClasspathcontainsmultipleSLF4Jbindings.SLF4J:Foundbindingin[jar:file:/D:/%e5%bd%93%e5%89%8d%e5%b7%a5%e4%bd%9c/SipPBX%e8%ae%af%e6%97%b6/JoinCallOMCC/JoinCallOMCC/out/artifacts/......
  • 【A GUIDE TO CRC ERROR DETECTION ALGORITHM】 (译文2)
    6.AFullyWorkedExample一个完全可行的例子HavingdefinedCRCarithmetic,wecannowframeaCRCcalculationassimplyadivision,becausethat'sallitis!Thissectionfillsinthedetailsandgivesanexample.定义了CRC算法后,我们现在可以将CRC计算简单地......
  • 【A GUIDE TO CRC ERROR DETECTION ALGORITHM (译文)】上
    AGUIDETOCRCERRORDETECTIONALGORITHM(译文)《APAINLESSGUIDETOCRCERRORDETECTIONALGORITHM》Author:RossN.WilliamsCRC:CyclicRedundancyCheckEverythingyouwantedtoknowaboutCRCalgorithms,butwereafraidtoaskforfearthaterrorsiny......
  • [Paper Reading] Multiple View Geometry Transformers for 3D Human Pose Estimation
    MultipleViewGeometryTransformersfor3DHumanPoseEstimationlink时间:CVPR2024机构:UniversityofToronto&&SoutheastUniversity&&MicrosoftResearchAsiaTL;DR提出一种基于Transformer端到端3DHumanPoseEstimation方法MVGFormer,核心模块是geometry与appea......
  • 论文阅读笔记:Mixed Pseudo Labels for Semi-Supervised Object Detection
    论文阅读笔记:MixedPseudoLabelsforSemi-SupervisedObjectDetection1背景1.1动机1.2问题2创新点3方法4模块4.1预处理策略4.2PseudoMixup4.3PseudoMosaic4.4标签重采样4.5分析5实验5.1和SOTA方法对比5.2消融实验论文:https://arxiv.org/pdf/231......