首页 > 其他分享 >端口号的分类

端口号的分类

时间:2024-10-16 23:21:04浏览次数:3  
标签:1024 IANA 分类 49151 65536 49152 端口号

端口号

应用进程用端口号进行标识,端口号长度为 16bit,能够表示 65536( 2 16 2^{16} 216) 个不同的端口号。端口号只具有本地意义 ,即端口号只标识本计算机应用层的各进程,在因特网中不同计算机的相同端口号是没有联系的。根据端口号范围可以将端口分为两类 :

1 ) 服务器使用的端口号。它又分为两类,最重要的一类是 熟知端口号,数值为 0 ∼ 1023 0 \sim 1023 0∼1023 , I A N A IANA IANA (互联网地址指派机构) 把这些端口号指派给了 T C P / I P TCP/IP TCP/IP 最重要的一些应用程序,让所有的用户都知道。另一类称为 登记端口号 , 数值为 1024 ∼ 49151 1024\sim 49151 1024∼49151 。它是供没有熟知端口号的应用程序使用的,使用这类端口号必须在 I A N A IANA IANA 登记,以防止重复。

一些常用的熟知端口号如下 :

应用进程FTPTELNETSMTPDNSTFTPHTTPSNMP
熟知端口号212325536980161

2 )客户端使用的端口号,数值为 49152 ∼ 65536 49152 \sim 65536 49152∼65536 。由于这类端口号仅在客户进程运行时才动态地选择,因此又称 短暂端口号 (也称 临时端口 )。通信结束后,刚使用过的客户端口号就不复存在,从而这个端口号就可供其他客户进程以后使用。

标签:1024,IANA,分类,49151,65536,49152,端口号
From: https://blog.csdn.net/2301_78527293/article/details/142994128

相关文章

  • 10.16测试分类
    软件测试之测试分类一、按开发阶段划分1、单元测试2、集成测试3、系统测试4、验收测试二、按查看代码划分1、黑盒测试定义:黑盒测试也是功能测试,测试中把被测试的软件当成一个黑盒子,不关心盒子的内部结构是什么,只关心软件的输入数据和输出数据比如:计算器当作黑盒子:输入1+......
  • 从零开始学机器学习——分类器详解
    首先给大家介绍一个很好用的学习地址:https://cloudstudio.net/columns今天我们将结合第一章节中清洗得到的菜品数据,利用多种分类器对这些数据进行训练,以构建有效的模型。在这个过程中,我会详细讲解每一种分类器的原理及其重要性。尽管这些知识点对于实践来说并不是必须掌握的,因为......
  • DirectoryOpus插件:“照得标管理器”-海量照片分类管理好帮手!
       照得标管理器前言  名词解释:“照得标管理器”,即:照片得到标签管理器,后文统一简称“照得标管理器”或“照得标”。  注:请不要和抖音上的“奥德彪”、“王德发”之类联系,我分享的是正经照片-得到-标签-管理器。  有段时间作者赋闲在家,决定把留在电脑上的几万张......
  • 基于深度混合核极限学习机DHKELM的数据多特征分类预测 Matlab (多输入单输出)
    基于深度混合核极限学习机DHKELM的数据多特征分类预测Matlab(多输入单输出)程序已经调试好,无需更改代码替换数据集即可运行!!!数据格式为excel!①将多项式核函数与高斯核函数加权结合,构造出新的混合核函数,并引入自动编码器对极限学习机进行改进,建立DHKELM模型。该想法创新性......
  • 03 线性结构——链表(逻辑与物理结构、分类、时间复杂度分析、相关功能定义与代码实现)
    目录1 链表是什么1.1 逻辑结构1.2物理结构1.3 相关概念2链表的分类2.1单链表2.2双链表2.3循环单链表2.4循环双链表2.5静态链表3链表的优缺点3.1优点3.2缺点3.3与数组的对比4功能定义5功能实现5.1初始化链表5.2返回链表的长度5.3在指定位......
  • 数据集:英文垃圾邮件分类数据集
     该数据集包含了一组电子邮件样本,每个样本都标记为两类之一:正常邮件(ham)或垃圾邮件(spam)。数据集以CSV表格格式存储,其中包含以下字段:label:分类标签,指示邮件是否为正常邮件(ham)或垃圾邮件(spam)。text:邮件正文文本。label_num:标签的数值编码,其中“ham”编码为0,“spam”编码......
  • 【机器学习(五)】分类和回归任务-AdaBoost算法-Sentosa_DSML社区版
    @目录一、算法概念一、算法原理(一)分类算法基本思路1、训练集和权重初始化2、弱分类器的加权误差3、弱分类器的权重4、Adaboost分类损失函数5、样本权重更新6、AdaBoost的强分类器(二)回归算法基本思路1、最大误差的计算2、相对误差计算3、误差损失调整4、权重系数计算5、更新样本......
  • 【机器学习(四)】分类和回归任务-梯度提升决策树(GBDT)-Sentosa_DSML社区版
    @目录一、算法概念一、算法原理(一)GBDT及负梯度拟合原理(二)GBDT回归和分类1、GBDT回归1、GBDT分类二元分类多元分类(三)损失函数1、回归问题的损失函数2.分类问题的损失函数:三、GBDT的优缺点(一)优点(二)缺点四、随机森林分类任务实现对比(一)数据加载1、Python代码2、Sentosa_DSML社区......
  • 【机器学习(七)】分类和回归任务-K-近邻 (KNN)算法-Sentosa_DSML社区版
    @目录一、算法概念二、算法原理(一)K值选择(二)距离度量1、欧式距离2、曼哈顿距离3、闵可夫斯基距离(三)决策规则1、分类决策规则2、回归决策规则三、算法优缺点优点缺点四、KNN分类任务实现对比(一)数据加载和样本分区1、Python代码2、Sentosa_DSML社区版(二)训练模型1、Python代码2、Sento......
  • 【机器学习(六)】分类和回归任务-LightGBM算法-Sentosa_DSML社区版
    @目录一、算法概念二、算法原理(一)Histogram(二)GOSS1、信息增益2、近似误差(三)EFB三、算法优缺点(一)优点(二)缺点四、LightGBM分类任务实现对比(一)数据加载和样本分区1、Python代码2、Sentosa_DSML社区版(二)模型训练1、Python代码2、Sentosa_DSML社区版(三)模型评估和模型可视化1、Python代......