三层网络架构是采用层次化架构的三层网络。

三层网络架构采用层次化模型设计，即将复杂的网络设计分成几个层次，每个层次着重于某些特定的功能，这样就能够使一个复杂的大问题变成许多简单的小问题。三层网络架构设计的网络有三个层次：核心层（网络的高速交换主干）、汇聚层（提供基于策略的连接）、接入层 （将工作站接入网络）。

核心层：核心层是网络的高速交换主干，对整个网络的连通起到至关重要的作用。核心层应该具有如下几个特性：可靠性、高效性、冗余性、容错性、可管理性、适应性、低延时性等。在核心层中，应该采用高带宽的千兆以上交换机。因为核心层是网络的枢纽中心，重要性突出。核心层设备采用双机冗余热备份是非常必要的，也可以使用负载均衡功能，来改善网络性能。
汇聚层：汇聚层是网络接入层和核心层的“中介”，就是在工作站接入核心层前先做汇聚，以减轻核心层设备的负荷。汇聚层具有实施策略、安全、工作组接入、虚拟局域网（VLAN）之间的路由、源地址或目的地址过滤等多种功能。在汇聚层中，应该选用支持三层交换技术和VLAN的交换机，以达到网络隔离和分段的目的。
接入层：接入层向本地网段提供工作站接入。在接入层中，减少同一网段的工作站数量，能够向工作组提供高速带宽。接入层可以选择不支持VLAN和三层交换技术的普通交换机。

三层网络结构短板
三层网络结构基于性能瓶颈和网络利用率等等的原因，资深的网络设计师都在探索新的数据中心的拓扑结构。
三层网络结构数据中心网络传输模式是不断地改变的。大多数网络都是纵向（north-south）的传输模式—主机与网络中的其它非相同网段的主机通信都是设备-交换机-路由到达目的地。同时，三层网络结构在同一个网段的主机通常连接到同一个交换机，可以直接相互通讯。
然而，三层网络结构现代数据中心的计算和存储基础设施，主要网络流量模式从已经不止是单纯的不同网段之间通讯。三层网络结构内外网的通讯、网络段分布在多个接入交换机，要求主机通过网络互连等这些环境。这些三层网络结构网络环境的变化催生了两种技术趋势：网络收敛和虚拟化。

网络收敛：三层网络结构中，储存网络和通信网络在同一个物理网络中。主机和阵列之间的数据传输通过储存网络来传输，在逻辑拓扑上就像是直接连接的一样。如ISCSI等。
虚拟化：将物理客户端向虚拟客户端转化。虚拟化服务器是未来发展的主流和趋势，它将使三层网络结构的网络节点的移动变得非常简单。

横向网络（east-west）在纵向设计的三层网络结构中传输数据会带有传输的瓶颈，因为数据经过了许多不必要的节点（如路由和交换机等设备）。如果三层网络结构上主机需要通过高速带宽相互访问，但通过层层的uplink口，会导致潜在的、而且非常明显的性能衰减。三层网络结构的原始设计更会加剧这种性能衰减，由于生成树协议会防止冗余链路存在环路，双上行链路接入交换机只能使用一个指定的网络接口链接。
虽然增大内部交换层的带宽有助于改善三层网络结构的传输阻塞，但这样受益的只是一个节点。E-W模式中主机之间的的数据传输并非同一时间只是存在两个节点之间。相反，三层网络结构数据中心中的主机之间在任何时间都有数据传输的。因此，三层网络结构增加带宽这种高成本低效率的投资只是治标不治本。
参考自：https://baike.baidu.com/item/%E4%B8%89%E5%B1%82%E7%BD%91%E7%BB%9C%E7%BB%93%E6%9E%84/5506471?fr=aladdin

网络系统设计过程中，物理网络设计阶段的任务是（70）。

(70)A.依据逻辑网络设计的要求，确定设备的具体物理分布和运行环境

B.分析现有网络和新网络的各类资源分布，掌握网络所处的状态

C.根据需求规范和通信规范，实施资源分配和安全规划

D.理解网络应该具有的功能和性能，最终设计出符合用户需求的网络

【答案】A

【解析】

网络开发过程的五阶段迭代周期模型可以用下图来描述。



①需求分析

需求分析是开发过程中最关键的阶段。通过和不同的用户（包括经理人员和网络管理员）交流，收集明确的需求信息。需求分析的输出是产生一份需求说明书，也就是需 求规范。

②现有网络系统的分析

如果当前的网络开发过程是对现有网络的升级和改造，就必须进行现有网络系统的分析工作。现有网络系统分析的目的是描述资源分布，以便于在升级时尽量保护己有的 投资。在这一阶段，应给出一份正式的通信规范说明文档，作为下一个阶段的输入。

③确定网络逻辑结构

网络逻辑结构设计是根据需求规范和通信规范选择一种比较适宜的网络逻辑结构，并实施后续的资源分配规划、安全规划等内容。这个阶段最后应该得到一份逻辑设计

文档。

④确定网络物理结构

物理网络设计是逻辑网络设计的具体实现，通过对设备的具体物理分布、运行环境等的确定来确保网络的物理连接符合逻辑设计的要求。在这一阶段，网络设计者需要确 定具体的软硬件、连接设备、布线和服务的部署方案。

⑤安装和维护

这个阶段是根据前面的工程成果实施环境准备、设备安装调试的过程。网络安装完成网络投入运行后，还需要做大量的故障监测和故障恢复，以及网络升级和性能优化等 维护工作。

   层次化网络设计在互联网组件的通信中引入了三个关键层的概念，这三个层分别是:核心层(Core Layer)、汇聚层(Distribution Layer)和接入层(Access Layer)

1.核心层为网络提供骨干组件或高速交换组件，高效速度传输是核心层的目标

2.汇聚层是核心层和终端用户接入层的分界面，汇聚层完成网络访问的策略控制、广播域的定义、VLAN间的路由、数据包处理、过滤寻址及其他数据处理的任务

3.接入层向本地网段提供用户接入、主要提供网络分段、广播能力、多播能力、介质访问的安全性、MAC地址的过滤和路由发现等任务。。

基于JMP的神经网络设计案例分析
      摘  要：本文利用JMP对一个复杂多项式进行拟合，从实验设计产生样本数据、神经网络设计、训练样本技巧、到结果分析进行详细阐述。使读者能够使用JMP软件的神经网络分析工具，解决实际问题。
关键词：神经网络，JMP，数据分析
1.引言
 当前人工智能已经应用在很多领域，辅助人类解决了很多问题，神经网络作为人工智能的基础理论，近些年也得到飞速发展，也有了TensorFlow、Caffe、Chainer等机器学习框架，能够满足用户快速搭建应用。本文使用JMP软件提供的神经网络工具，对一个复杂多项式进行拟合，并对结果进行分析，便于提升大家对神经网络的直观认识。JMP是全球最大的统计学软件公司SAS推出了一种交互式可视化统计发现软件，被誉为“卓越绩效的统计发现引擎”，其主要有三个特点，一是具有操作简便、交互性强、可视化效果好的特点，专业版中还集成了预测、聚类、质量与过程、可靠性与生存、消费者研究等分析工具，适合非统计专业背景的数据分析人员使用，二是JMP还有强大的实验设计功能，几乎涵盖了所有主流的实验设计工具。三是提供强大的二次开发功能，JMP可以作为一个服务器引擎，提供调用接口，实现用户个性化需求，为用户节省大量复杂设计和计算。
2.样本产生
 神经网络的样本数据是基础，为了能够进行直观喝准确的对比神经网络的学习效果，使用下述多项式产生样本数据，再利用神经网络进行学习训练。


 使用JMP进行可视化，得到图1，显示了对应Z的效果。



图1 多项式可视化效果图
 使用JMP的实验设计功能，对曲面进行抽样，为了计算快速，使用空间填充设计的快速灵活填充设计方法，输入需要的样本数量，即可均匀产生样本空间。

 图2 通过JMP实验设计得出1000个样本点。
 产生样本点以后，使用多项式进行计算，得出进行学习的样本点，神经网络通过学习样本数据，拟合出模型。（注：使用该多项式，目的是为了产生准确的样本数据，神经网络中不需要这个多项式模型）。
3.神经网络的设计
神经网络本质是高维模型的拟合，也是一种回归思想，找一个模型来对多维数据进行拟合，但这个模型不是经典的线性模型、二次模型、或者指数模型等，而是一组矩阵参数，通过修改参数来使得样本值与实际值的误差最小，或者误差稳定。在JMP中，设计神经网络结构主要是要设计隐层的数量和每一层的节点数量。理论上节点和层数越多，拟合效果越好，但是层数和节点越多，计算量越大，容易导致过拟合。JMP中提供了2个隐藏层、三种激活函数，可以根据具体情况进行选择和设计。
      
图3 JMP中神经网络工具界面
3.1设计基本原则
首先确定网络层数、然后确定节点个数。网络层次在大多数情况下，使用1个隐藏就够，不宜太多。节点个数一般从3个开始，不断增加，如果维度比较多，那么节点个数一般要大于维度，后面层次的节点个数不宜太多。这些原则并没有什么科学依据，都是同行的经验。
然后是训练结果分析，通过观察测试误差，是否达到我们的精度要求来衡量神经网络的优劣，是否需要改进。训练结果中主要关注训练集和验证集的R平方这个指标，被称为判定系数，是衡量拟合效果的重要参数。R平方的范围是[0，1] ，越趋近1，说明拟合效果越好，越趋近与0，效果越差。另外，还可以把预测值与实际值进行可视化比较，直观比较预测效果。
最后，修正网络结构。通过多次训练，循环迭代修正网络结构，使得网络达到最稳定状态。
3.2 设计案例
为了对比各种设计的优劣，根据JMP提供的实验环境，下面进行三组实验。
实验一：使用1000个样本数据进行学习训练结果，其中验证集是使用了其中20%的样本作为交叉验证，为便于对比，设定随机数种子。下面实验主要是验证各种激活函数的性能、以及节点数量对拟合效果的影响。
表1 不同激活函数、节点数量对拟合效果数据

次数


激活函数


隐藏层数


第一层
节点个数


第二层
节点个数


训练集
R平方


测试集
R平方


1


TanH


1


3


0


0.8651


0.8554


2


恒等线性


1


3


0


0.0006


0.0018


3


径向高斯


1


3


0


0.9347


0.9241


4


TanH


1


5


0


0.9498


0.9407


5


恒等线性


1


5


0


0.2095


0.1945


6


径向高斯


1


5


0


0.9652


0.9653


7


TanH


1


7


0


0.9596


0.9473


8


恒等线性


1


7


0


0.0003


0.0005


9


径向高斯


1


7


0


0.9726


0.9750


10


TanH


1


9


0


0.9771


0.9559


11


恒等线性


1


9


0


0.0008


0.0017


12


径向高斯


1


9


0


0.9873


0.9841


13


TanH


1


11


0


0.9764


0.9791


14


恒等线性


1


11


0


0.0008


0.0017


15


径向高斯


1


11


0


0.9914


0.9851


16


TanH


1


13


0


0.9802


0.9849


17


恒等线性


1


13


0


0.0003


0.0008


18


径向高斯


1


13


0


0.9937


0.9856

 为了便于对比，使用JMP的图形生成器，对上述表格进行叠加可视化，效果如图
 
图4 三种激活函数、节点数量对拟合效果的对比。
 图中我们可以看出，使用线性的激活函数效果最差，即使是节点数量增加，也没有明显提升，对于TanH和径向高斯两张激活函数无明显差异，径向高斯激活函数相对比较稳定，当节点数量增加到一定程度后，无明显差异。
 实验二：从实验一中 可以看出线性激活函数的拟合能力很差，不适合本实验样本，因此下属实验只使用其余两种激活函数。JMP提供了2个隐层设计，下面的实验中，增加一个隐藏层。
 表2 使用2个隐层结构后不同节点数量拟合效果数据

 


激活函数


隐藏层数


第一层
节点个数


第二层
节点个数


训练集
R平方


测试集
R平方


1


TanH


2


3


3


0.9372


0.9321


2


径向高斯


2


3


3


0.9711


0.9827


3


TanH


2


3


4


0.9909


0.9849


4


径向高斯


2


3


4


0.9347


0.9241


5


TanH


2


3


5


0.9915


0.9943


6


径向高斯


2


3


5


0.9974


0.9979


7


TanH


2


3


6


0.9923


0.9911


8


径向高斯


2


3


6


0.9903


0.9906


9


TanH


2


3


7


0.9975


0.9971


10


径向高斯


2


3


7


0.9367


0.9966

 
 实验三：交换两个隐层节点的数量，观察对拟合度的影响
 表3 交换2个隐层点数量拟合效果数据

 


激活函数


隐藏层数


第一层
节点个数


第二层
节点个数


训练集
R平方


测试集
R平方


1


TanH


2


3


3


0.9372


0.9321


2


径向高斯


2


3


3


0.9711


0.9827


3


TanH


2


4


3


0.9670


0.9723


4


径向高斯


2


4


3


0.9347


0.9241


5


TanH


2


5


3


0.9920


0.9913


6


径向高斯


2


5


3


0.9980


0.9987


7


TanH


2


6


3


0.9820


0.9736


8


径向高斯


2


6


3


0.9963


0.9947


9


TanH


2


7


3


0.9941


0.9953


10


径向高斯


2


7


3


0.9972


0.9949

 
 从表2、3中我们可以看出，R平方的值是随节点的数量增加而增加，但节点增加到一定数量后，R平方的值变化不大，因此在设计节点数量时，当R平方的值稳定到一定范围后，就没有必要再继续增加节点数量，因为节点数量增加，会导致后期学习训练的运算量成急剧增加。隐藏层节点的数量交换后，对结果影响不大。
                                                              
图5 两种激活函数、节点数量对拟合效果叠加对比
 从图5中可以看出，在本实验中当R平方到达0.99后，基本趋于稳定。所以，我们确定网络层的节点第一层位5个，第二层为3个，网络结构如下图6.
                                                             
图6  网络结构
 网络结构确定后，就可以使用神经网络的模型进行预测和分析。在JMP里面，训练结束后，点击模型左边的红色小三角，点击“发布预测公式”，在出来的对话框中，点击神经左边的红色小三角，点击“运行脚本”，选择数据对话框，预测出来的结果，就保存在当前现在的数据表后面几列，列名加上了“Predicted”前缀。
 
图7  JMP中使用神经网络模型进行预测示意图
 
4.神经网络结论分析
 有了预测数据和真是数据，可以使用JMP中提供的“叠加图”来进行可视化分析，右图中“+”符号表示预测结果，“O”表示实际结果，从图中可以看出，大部分点都比较吻合，说明预测效果良好。
 
图7  JMP中使用叠加图对比预测结果和实际结果示意图
 为了更加直观看到神经网络的预测效果，还可以用JMP提供的曲面图工具，对真实值和预测值进行可视化，观察二者的效果，如图８，作图为实际多项式的可视化效果，右图为通过神经网络学习后预测出来的效果。
                                               
图８ JMP中使用叠加图对比预测结果和实际结果示意图
4　总结
　　JMP中提供了丰富数据分析工具，其中的神经网络工具比较使用，用户可以不必了解神经网络内部复杂的计算和推导过程，只需要了解其工作原理，设计原则和评价标准即可。本文使用一个复杂二维多项式例子，神经网络的设计和使用进行详细的阐述，有助于大家理解和使用神经网络，为大家提供一种分析高维数据模型拟合的方法。