網路模型分類有哪些

❶ 神經網路模型-27種神經網路模型們的簡介

​ 

【1】Perceptron(P) 感知機

【1】感知機 

感知機是我們知道的最簡單和最古老的神經元模型，它接收一些輸入，然後把它們加總，通過激活函數並傳遞到輸出層。

【2】Feed Forward(FF)前饋神經網路

 【2】前饋神經網路

前饋神經網路（FF），這也是一個很古老的方法——這種方法起源於50年代。它的工作原理通常遵循以下規則：

1.所有節點都完全連接

2.激活從輸入層流向輸出，無回環

3.輸入和輸出之間有一層（隱含層）

在大多數情況下，這種類型的網路使用反向傳播方法進行訓練。

【3】Radial Basis Network(RBF) RBF神經網路

 【3】RBF神經網路

RBF 神經網路實際上是 激活函數是徑向基函數 而非邏輯函數的FF前饋神經網路（FF）。兩者之間有什麼區別呢？

邏輯函數--- 將某個任意值映射到[0 ,... 1]范圍內來，回答「是或否」問題。適用於分類決策系統，但不適用於連續變數。

相反， 徑向基函數--- 能顯示「我們距離目標有多遠」。 這完美適用於函數逼近和機器控制（例如作為PID控制器的替代）。

簡而言之，RBF神經網路其實就是， 具有不同激活函數和應用方向的前饋網路 。

【4】Deep Feed Forword(DFF)深度前饋神經網路

【4】DFF深度前饋神經網路 

DFF深度前饋神經網路在90年代初期開啟了深度學習的潘多拉盒子。 這些依然是前饋神經網路，但有不止一個隱含層 。那麼，它到底有什麼特殊性？

在訓練傳統的前饋神經網路時，我們只向上一層傳遞了少量的誤差信息。由於堆疊更多的層次導致訓練時間的指數增長，使得深度前饋神經網路非常不實用。 直到00年代初，我們開發了一系列有效的訓練深度前饋神經網路的方法; 現在它們構成了現代機器學習系統的核心 ，能實現前饋神經網路的功能，但效果遠高於此。

【5】Recurrent Neural Network(RNN) 遞歸神經網路

【5】RNN遞歸神經網路 

RNN遞歸神經網路引入不同類型的神經元——遞歸神經元。這種類型的第一個網路被稱為約旦網路（Jordan Network），在網路中每個隱含神經元會收到它自己的在固定延遲（一次或多次迭代）後的輸出。除此之外，它與普通的模糊神經網路非常相似。

當然，它有許多變化 — 如傳遞狀態到輸入節點，可變延遲等，但主要思想保持不變。這種類型的神經網路主要被使用在上下文很重要的時候——即過去的迭代結果和樣本產生的決策會對當前產生影響。最常見的上下文的例子是文本——一個單詞只能在前面的單詞或句子的上下文中進行分析。

【6】Long/Short Term Memory (LSTM) 長短時記憶網路

【6】LSTM長短時記憶網路 

LSTM長短時記憶網路引入了一個存儲單元，一個特殊的單元，當數據有時間間隔（或滯後）時可以處理數據。遞歸神經網路可以通過「記住」前十個詞來處理文本，LSTM長短時記憶網路可以通過「記住」許多幀之前發生的事情處理視頻幀。 LSTM網路也廣泛用於寫作和語音識別。

存儲單元實際上由一些元素組成，稱為門，它們是遞歸性的，並控制信息如何被記住和遺忘。

【7】Gated Recurrent Unit (GRU)

 【7】GRU是具有不同門的LSTM

GRU是具有不同門的LSTM。

聽起來很簡單，但缺少輸出門可以更容易基於具體輸入重復多次相同的輸出，目前此模型在聲音（音樂）和語音合成中使用得最多。

實際上的組合雖然有點不同：但是所有的LSTM門都被組合成所謂的更新門(Update Gate)，並且復位門(Reset Gate)與輸入密切相關。

它們比LSTM消耗資源少，但幾乎有相同的效果。

【8】Auto Encoder (AE) 自動編碼器

 【8】AE自動編碼器

Autoencoders自動編碼器用於分類，聚類和特徵壓縮。

當您訓練前饋(FF)神經網路進行分類時，您主要必須在Y類別中提供X個示例，並且期望Y個輸出單元格中的一個被激活。 這被稱為「監督學習」。

另一方面，自動編碼器可以在沒有監督的情況下進行訓練。它們的結構 - 當隱藏單元數量小於輸入單元數量（並且輸出單元數量等於輸入單元數）時，並且當自動編碼器被訓練時輸出盡可能接近輸入的方式，強制自動編碼器泛化數據並搜索常見模式。

【9】Variational AE (VAE)  變分自編碼器

 【9】VAE變分自編碼器

變分自編碼器，與一般自編碼器相比，它壓縮的是概率，而不是特徵。

盡管如此簡單的改變，但是一般自編碼器只能回答當「我們如何歸納數據？」的問題時，變分自編碼器回答了「兩件事情之間的聯系有多強大？我們應該在兩件事情之間分配誤差還是它們完全獨立的？」的問題。

【10】Denoising AE (DAE) 降噪自動編碼器

 【10】DAE降噪自動編碼器

雖然自動編碼器很酷，但它們有時找不到最魯棒的特徵，而只是適應輸入數據（實際上是過擬合的一個例子）。

降噪自動編碼器（DAE）在輸入單元上增加了一些雜訊 - 通過隨機位來改變數據，隨機切換輸入中的位，等等。通過這樣做，一個強制降噪自動編碼器從一個有點嘈雜的輸入重構輸出，使其更加通用，強制選擇更常見的特徵。

【11】Sparse AE (SAE) 稀疏自編碼器

【11】SAE稀疏自編碼器 

稀疏自編碼器（SAE）是另外一個有時候可以抽離出數據中一些隱藏分組樣試的自動編碼的形式。結構和AE是一樣的，但隱藏單元的數量大於輸入或輸出單元的數量。

【12】Markov Chain (MC) 馬爾科夫鏈

 【12】Markov Chain (MC) 馬爾科夫鏈

馬爾可夫鏈（Markov Chain, MC）是一個比較老的圖表概念了，它的每一個端點都存在一種可能性。過去，我們用它來搭建像「在單詞hello之後有0.0053％的概率會出現dear，有0.03551%的概率出現you」這樣的文本結構。

這些馬爾科夫鏈並不是典型的神經網路，它可以被用作基於概率的分類（像貝葉斯過濾），用於聚類（對某些類別而言），也被用作有限狀態機。

【13】Hopfield Network (HN) 霍普菲爾網路

【13】HN霍普菲爾網路 

霍普菲爾網路（HN）對一套有限的樣本進行訓練，所以它們用相同的樣本對已知樣本作出反應。

在訓練前，每一個樣本都作為輸入樣本，在訓練之中作為隱藏樣本，使用過之後被用作輸出樣本。

在HN試著重構受訓樣本的時候，他們可以用於給輸入值降噪和修復輸入。如果給出一半圖片或數列用來學習，它們可以反饋全部樣本。

【14】Boltzmann Machine (BM) 波爾滋曼機

【14】 BM 波爾滋曼機 

波爾滋曼機（BM）和HN非常相像，有些單元被標記為輸入同時也是隱藏單元。在隱藏單元更新其狀態時，輸入單元就變成了輸出單元。（在訓練時，BM和HN一個一個的更新單元，而非並行）。

這是第一個成功保留模擬退火方法的網路拓撲。

多層疊的波爾滋曼機可以用於所謂的深度信念網路，深度信念網路可以用作特徵檢測和抽取。

【15】Restricted BM (RBM) 限制型波爾滋曼機

【15】 RBM 限制型波爾滋曼機 

在結構上，限制型波爾滋曼機（RBM）和BM很相似，但由於受限RBM被允許像FF一樣用反向傳播來訓練（唯一的不同的是在反向傳播經過數據之前RBM會經過一次輸入層）。

【16】Deep Belief Network (DBN) 深度信念網路

【16】DBN 深度信念網路 

像之前提到的那樣，深度信念網路（DBN）實際上是許多波爾滋曼機（被VAE包圍）。他們能被連在一起（在一個神經網路訓練另一個的時候），並且可以用已經學習過的樣式來生成數據。

【17】Deep Convolutional Network (DCN) 深度卷積網路

【17】 DCN 深度卷積網路

當今，深度卷積網路（DCN）是人工神經網路之星。它具有卷積單元（或者池化層）和內核，每一種都用以不同目的。

卷積核事實上用來處理輸入的數據，池化層是用來簡化它們（大多數情況是用非線性方程，比如max），來減少不必要的特徵。

他們通常被用來做圖像識別，它們在圖片的一小部分上運行（大約20x20像素）。輸入窗口一個像素一個像素的沿著圖像滑動。然後數據流向卷積層，卷積層形成一個漏斗（壓縮被識別的特徵）。從圖像識別來講，第一層識別梯度，第二層識別線，第三層識別形狀，以此類推，直到特定的物體那一級。DFF通常被接在卷積層的末端方便未來的數據處理。

【18】Deconvolutional Network (DN) 去卷積網路

 【18】 DN 去卷積網路

去卷積網路（DN）是將DCN顛倒過來。DN能在獲取貓的圖片之後生成像（狗：0，蜥蜴：0，馬：0，貓：1）一樣的向量。DNC能在得到這個向量之後，能畫出一隻貓。

【19】Deep Convolutional Inverse Graphics Network (DCIGN) 深度卷積反轉圖像網路

【19】 DCIGN 深度卷積反轉圖像網路

深度卷積反轉圖像網路（DCIGN），長得像DCN和DN粘在一起，但也不完全是這樣。

事實上，它是一個自動編碼器，DCN和DN並不是作為兩個分開的網路，而是承載網路輸入和輸出的間隔區。大多數這種神經網路可以被用作圖像處理，並且可以處理他們以前沒有被訓練過的圖像。由於其抽象化的水平很高，這些網路可以用於將某個事物從一張圖片中移除，重畫，或者像大名鼎鼎的CycleGAN一樣將一匹馬換成一個斑馬。

【20】Generative Adversarial Network (GAN) 生成對抗網路

 【20】 GAN 生成對抗網路

生成對抗網路（GAN）代表了有生成器和分辨器組成的雙網路大家族。它們一直在相互傷害——生成器試著生成一些數據，而分辨器接收樣本數據後試著分辨出哪些是樣本，哪些是生成的。只要你能夠保持兩種神經網路訓練之間的平衡，在不斷的進化中，這種神經網路可以生成實際圖像。

【21】Liquid State Machine (LSM) 液體狀態機

 【21】 LSM 液體狀態機

液體狀態機（LSM）是一種稀疏的，激活函數被閾值代替了的（並不是全部相連的）神經網路。只有達到閾值的時候，單元格從連續的樣本和釋放出來的輸出中積累價值信息，並再次將內部的副本設為零。

這種想法來自於人腦，這些神經網路被廣泛的應用於計算機視覺，語音識別系統，但目前還沒有重大突破。

【22】Extreme  Learning Machine (ELM) 極端學習機

【22】ELM 極端學習機 

極端學習機（ELM）是通過產生稀疏的隨機連接的隱藏層來減少FF網路背後的復雜性。它們需要用到更少計算機的能量，實際的效率很大程度上取決於任務和數據。

【23】Echo State Network (ESN) 回聲狀態網路

【23】 ESN 回聲狀態網路

回聲狀態網路（ESN）是重復網路的細分種類。數據會經過輸入端，如果被監測到進行了多次迭代（請允許重復網路的特徵亂入一下），只有在隱藏層之間的權重會在此之後更新。

據我所知，除了多個理論基準之外，我不知道這種類型的有什麼實際應用。。。。。。。

【24】Deep Resial Network (DRN) 深度殘差網路

​【24】 DRN 深度殘差網路 

深度殘差網路（DRN）是有些輸入值的部分會傳遞到下一層。這一特點可以讓它可以做到很深的層級（達到300層），但事實上它們是一種沒有明確延時的RNN。

【25】Kohonen Network (KN) Kohonen神經網路

​ 【25】 Kohonen神經網路

Kohonen神經網路（KN）引入了「單元格距離」的特徵。大多數情況下用於分類，這種網路試著調整它們的單元格使其對某種特定的輸入作出最可能的反應。當一些單元格更新了， 離他們最近的單元格也會更新。

像SVM一樣，這些網路總被認為不是「真正」的神經網路。

【26】Support Vector Machine (SVM)

​【26】 SVM 支持向量機 

支持向量機（SVM）用於二元分類工作，無論這個網路處理多少維度或輸入，結果都會是「是」或「否」。

SVM不是所有情況下都被叫做神經網路。

【27】Neural Turing Machine (NTM) 神經圖靈機

​【27】NTM 神經圖靈機 

神經網路像是黑箱——我們可以訓練它們，得到結果，增強它們，但實際的決定路徑大多數我們都是不可見的。

神經圖靈機（NTM）就是在嘗試解決這個問題——它是一個提取出記憶單元之後的FF。一些作者也說它是一個抽象版的LSTM。

記憶是被內容編址的，這個網路可以基於現狀讀取記憶，編寫記憶，也代表了圖靈完備神經網路。

❷ TCP/IP網路模型從上至下哪四層組成各層主要功能是什麼

1、組成：應用層、傳輸層、網路層、鏈路層

2、各層主要功能：

應用層：負責向用戶提供應用程序，比如HTTP、FTP、Telnet、DNS、SMTP等。

傳輸層：負責對報文進行分組和重組，並以TCP或UDP協議格式封裝報文。

網路層：負責路由以及把分組報文發送給目標網路或主機。

鏈路層：負責封裝和解封裝IP報文，發送和接受ARP/RARP報文等。

(2)網路模型分類有哪些擴展閱讀

OSI是開放系統互連參考模型 (Open System Interconnect 簡稱OSI），是國際標准化組織(ISO)和國際電報電話咨詢委員會(CCITT)聯合制定的開放系統互連參考模型，為開放式互連信息系統提供了一種功能結構的框架。

它從低到高分別是：物理層、數據鏈路層、網路層、傳輸層、會話層、表示層和應用層。

而TCP/IP簡單來說就是OSI的簡化版，把OSI的七層簡化為了四層。TCP/IP 定義了電子設備如何連入網際網路，以及數據如何在它們之間傳輸的標准。

協議採用了4層的層級結構，每一層都呼叫它的下一層所提供的協議來完成自己的需求。

❸ 什麼是網路模型

【概念】
計算機網路是指由通信線路互相連接的許多自主工作的計算機構成的集合體，各個部件之間以何種規則進行通信，就是網路模型研究的問題。網路模型一般是指OSI七層參考模型和TCP/IP四層參考模型。這兩個模型在網路中應用最為廣泛。
【要素】

一是表徵系統組成元素的節點。
二是體現各組成元素之間關系的箭線(有時是邊)。
三是在網路中流動的流量，它一方面反映了元素間的量化關系，同時也決定著網路模型優化的目標與方向。
【分類】

1．以物質為流量的網路模型
2．以信息為流量的網路模型
3．以能量為流量的網路模型
4．以時間、費用、距離等為流量的網路模型
{參考資料}http://ke..com/view/2814233.htm

❹ 神經網路模型有幾種分類方法，試給出一種分類

神經網路模型的分類人工神經網路的模型很多，可以按照不同的方法進行分類。其中，常見的兩種分類方法是，按照網路連接的拓樸結構分類和按照網路內部的信息流向分類。1 按照網路拓樸結構分類網路的拓樸結構，即神經元之間的連接方式。按此劃分，可將神經網路結構分為兩大類：層次型結構和互聯型結構。層次型結構的神經網路將神經元按功能和順序的不同分為輸出層、中間層（隱層）、輸出層。輸出層各神經元負責接收來自外界的輸入信息，並傳給中間各隱層神經元；隱層是神經網路的內部信息處理層，負責信息變換。根據需要可設計為一層或多層；最後一個隱層將信息傳遞給輸出層神經元經進一步處理後向外界輸出信息處理結果。 而互連型網路結構中，任意兩個節點之間都可能存在連接路徑，因此可以根據網路中節點的連接程度將互連型網路細分為三種情況：全互連型、局部互連型和稀疏連接型2 按照網路信息流向分類從神經網路內部信息傳遞方向來看，可以分為兩種類型：前饋型網路和反饋型網路。單純前饋網路的結構與分層網路結構相同，前饋是因網路信息處理的方向是從輸入層到各隱層再到輸出層逐層進行而得名的。前饋型網路中前一層的輸出是下一層的輸入，信息的處理具有逐層傳遞進行的方向性，一般不存在反饋環路。因此這類網路很容易串聯起來建立多層前饋網路。反饋型網路的結構與單層全互連結構網路相同。在反饋型網路中的所有節點都具有信息處理功能，而且每個節點既可以從外界接受輸入，同時又可以向外界輸出。

❺ 跪求計算機網路的四種模型，並做相應解釋

一、匯流排形結構
匯流排形結構的網路，各工作站都直接連到同一條公共匯流排上，各工作站點的信息都通過這條匯流排傳輸，其傳輸方向是由發射站點向兩端擴散的，因此人們也常把它叫廣播式計算機網路。如圖一就是匯流排形結構的典型形式。
匯流排形結構具有如下的特點：
1.結構簡單靈活，增加和取消站點都比較容易；
2.可靠性高，響應速度快，其共享資源能力很強；
3.易於與大、中、小型機和其它網路相連而構成規模更大、功能更強的網路；
4.匯流排形結構價格較低，安裝容易，使用方便。
但是由於網中各工作站的信息傳輸都要通過匯流排進行，匯流排的長度、負載能力都有一定限制，因此站點的個數，通信距離等相應地都有一定的限制。
匯流排形結構是區域網的主流結構之一，它的應用最廣，在管理和辦公自動化等系統中有著廣泛的應用。
二、環形結構
環形結構網路是各工作站都連在一條首尾相連的閉合環形通信線路上構成的網路，如圖二所示。
環形結構採用了「令牌通行」的訪問控制方式。通常網中各站點如果要使用網路，它就要佔有令牌，直至完成工作後，再將令牌傳給下一個站點。一旦令牌被某一站點佔有，其它站點就都不能進行傳輸，從而避免了碰撞現象。
環形結構網路的特點是各工作站地位相同，信息沿一個方向傳送，結構簡單，節省材料，控制容易，易於實現高速長距離傳送。
但是環形結構網路也有它的缺點，這就是它的負載能力受到一定限制，且擴充不太方便，不適合通信量比較大的情況下使用。目前在區域網的應用中，僅次於匯流排形結構。
三、星形結構
在星形結構的網路中，中央節點是充當整個網路控制的主控計算機。其餘工作站都與主控計算機相連接，各工作站間的相互通信都必須通過中央節點進行，如圖三所示。
星形結構網路的特點是結構簡單，建網容易，控制簡單，便於管理，網路延遲時間少，誤碼率低。但它的缺點是由於採用中央節點集中控制，因此資源共享能力差，且一旦中央節點出現故障將導致整個網路癱瘓。
星形結構的網路適用於集中控制的主從式網路。
四、樹形結構
樹形結構的網路結構如圖四所示，它的各工作站之間如同樹枝分布一樣，從上到下，輻射開來。
樹形結構網路的特點是任何兩個站點間沒有迴路，每條通路都可以雙向傳輸。如果不相鄰的站點之間要通信，就需要中間站點轉接才能連通。因而它最適合於軍事單位、政府等上下級界限嚴格的部門使用。樹形結構的最大優點是通信線路連接簡單，維護方便，可擴充性也較好，但其缺點是資源共享能力差。

❻ 1、廣播網路類型有哪些2、OSI模型有哪些層3、路由器和交換機的作用

1、廣播網路類型分類

（1）、地理位置

1.區域網(LAN):一般限定在較小的區域內，小於10km的范圍，通常採用有線的方式連接起來。

2.城域網(MAN):規模局限在一座城市的范圍內，10~100km的區域。

3.廣域網(WAN):網路跨越國界、洲界，甚至全球范圍。

區域網和廣域網是網路的熱點。區域網是組成其他兩種類型網路的基礎，城域網一般都加入了廣域網。廣域網的典型代表是internet網。

4.個人網:個人區域網就是在個人工作地方把屬於個人使用的電子設備(如便攜電腦等)用無線技術連接起來的網路，因此也常稱為無線個人區域網WPAN，其范圍大約在10m左右。

（2、）傳輸介質

1.有線網:採用同軸電纜和雙絞線來連接的計算機網路。

同軸電纜網是常見的一種連網方式。它比較經濟，安裝較為便利，傳輸率和抗干擾能力一般，傳輸距離較短。

雙絞線網是目前最常見的連網方式。它價格便宜，安裝方便，但易受干擾，傳輸率較低，傳輸距離比同軸電纜要短。

2.光纖網:光纖網也是有線網的一種，但由於其特殊性而單獨列出，光纖網採用光導纖維作傳輸介質。光纖傳輸距離長，傳輸率高，可達數千兆bps，抗干擾性強，不會受到電子監聽設備的監聽，是高安全性網路的理想選擇。不過由於其價格較高，且需要高水平的安裝技術，所以尚未普及。

3.無線網:用電磁波作為載體來傳輸數據，無線網聯網費用較高，還不太普及。但由於聯網方式靈活方便，是一種很有前途的連網方式。

區域網常採用單一的傳輸介質，而城域網和廣域網採用多種傳輸介質。

（3）、拓撲結構

網路的拓撲結構是指網路中通信線路和站點(計算機或設備)的幾何排列形式。

• 星型網路:各站點通過點到點的鏈路與中心站相連。特點是很容易在網路中增加新的站點，數據的安全性和優先順序容易控制，易實現網路監控，但中心節點的故障會引起整個網路癱瘓。

匯流排型網路

樹型網、簇星型網、網狀網等其他類型拓撲結構的網路都是以上述三種拓撲結構為基礎的。

（4）、通信分類

1.點對點:數據以點到點的方式在計算機或通信設備中傳輸。星型網、環形網採用這種傳輸方式。

2.廣播式:數據在共用介質中傳輸。無線網和匯流排型網路屬於這種類型。

（5）、使用目的

1.共享資源:使用者可共享網路中的各種資源，如文件、掃描儀、繪圖儀、列印機以及各種服務。internet網是典型的共享資源網。

2.數據處理網:用於處理數據的網路，例如科學計算網路、企業經營管理用網路。

3.數據傳輸網:用來收集、交換、傳輸數據的網路，如情報檢索網路等。

網路使用目的都不是唯一的。

（6）、服務分類

1.客戶機/伺服器網路:伺服器是指專門提供服務的高性能計算機或專用設備，客戶機是用戶計算機。這是客戶機向伺服器發出請求並獲得服務的一種網路形式，多台客戶機可以共享伺服器提供的各種資源。這是最常用、最重要的一種網路類型。不僅適合於同類計算機聯網，也適合於不同類型的計算機聯網，如pc機(personal computer個人計算機)、mac機的混合聯網。這種網路安全性容易得到保證，計算機的許可權、優先順序易於控制，監控容易實現，網路管理能夠規范化。網路性能在很大程度上取決於伺服器的性能和客戶機的數量。針對這類網路有很多優化性能的伺服器稱為專用伺服器。銀行、證券公司都採用這種類型的網路。

2.對等網:對等網不要求文件伺服器，每台客戶機都可以與其他每台客戶機對話，共享彼此的信息資源和硬體資源，組網的計算機一般類型相同。這種網路方式靈活方便，但是較難實現集中管理與監控，安全性也低，較適合於部門內部協同工作的小型網路。

（7）、其他分類

如按信息傳輸模式的特點來分類的atm網，網內數據採用非同步傳輸模式，數據以53位元組單元進行傳輸，提供高達1.2gbps的傳輸率，有預測網路延時的能力。可以傳輸語音、視頻等實時信息，是最有發展前途的網路類型之一。

2、OSI七層網路模型

應用層 (Application):網路服務與最終用戶的一個介面。

協議有:HTTP FTP TFTP SMTP SNMP DNS

表示層(Presentation Layer):數據的表示、安全、壓縮。(在五層模型裡面已經合並到了應用層)

格式有，JPEG、ASCll、DECOIC、加密格式等

會話層(Session Layer):建立、管理、終止會話。(在五層模型裡面已經合並到了應用層)

對應主機進程，指本地主機與遠程主機正在進行的會話

傳輸層 (Transport):定義傳輸數據的協議埠號，以及流控和差錯效驗。

協議有:TCP UDP，數據包一旦離開網卡即進入網路傳輸層

網路層 (Network):進行邏輯地址定址，實現不同網路之間的路徑選擇。

協議有:ICMP IGMP IP(IPV4 IPV6) ARP RARP

數據鏈路層 (Link):建立邏輯連接、進行硬體地址定址、差錯效驗等功能。(由底層網路定義協議)，將比特組合成位元組進而組合成幀，用MAC地址訪問介質，錯誤發現但不能糾正。

物理層(Physical Layer):建立、維護、斷開物理連接。(由底層網路定義協議)，另外還有一些非正規的分類方法:如企業網、校園網，根據名稱便可理解。

3、路由器的作用：

連通不同的網路

從過濾網路流量的角度來看，路由器的作用與交換機和網橋非常相似。但是與工作在網路物理層，從物理上劃分網段的交換機不同，路由器使用專門的軟體協議從邏輯上對整個網路進行劃分。例如，一台支持IP協議的路由器可以把網路劃分成多個子網段，只有指向特殊IP地址的網路流量才可以通過路由器。對於每一個接收到的數據包，路由器都會重新計算其校驗值，並寫入新的物理地址。因此，使用路由器轉發和過濾數據的速度往往要比只查看數據包物理地址的交換機慢。但是，對於那些結構復雜的網路，使用路由器可以提高網路的整體效率。路由器的另外一個明顯優勢就是可以自動過濾網路廣播。從總體上說，在網路中添加路由器的整個安裝過程要比即插即用的交換機復雜很多。

有的路由器僅支持單一協議，但大部分路由器可以支持多種協議的傳輸，即多協議路由器。由 於每一種協議都有自己的規則，要在一個路由器中完成多種協議的演算法，勢必會降低路由器的性能。路由器的主要工作就是為經過路由器的每個數據幀尋找一條最佳傳輸路徑，並將該數據有效地傳送到目的站點。由此可見，選擇最佳路徑的策略即路由演算法是路由器的關鍵所在。為了完成這項工作，在路由器中保存著各種傳輸路徑的相關數據－－路徑表（Routing Table），供路由選擇時使用。路徑表中保存著子網的標志信息、網上路由器的個數和下一個路由器的名字等內容。路徑表可以是由系統管理員固定設置好的，也可以由系統動態修改，可以由路由器自動調整，也可以由主機控制。

靜態路由表：由系統管理員事先設置好固定的路徑表稱之為靜態（static）路徑表，一般是在系統安裝時就根據網路的配置情況預先設定的，它不會隨未來網路結構的改變而改變。

動態路由表：動態（Dynamic）路徑表是路由器根據網路系統的運行情況而自動調整的路徑表。路由器根據路由選擇協議（Routing Protocol）提供的功能，自動學習和記憶網路運行情況，在需要時自動計算數據傳輸的最佳路徑。

交換機的作用：

交換機作用：交換機的作用包括：物理編址、網路拓撲結構、錯誤校驗、幀序列以及流控等，在一些最新的思科交換機上，還能夠支持VLAN、支持鏈路匯聚功能。

不僅能夠連接同類型的網路，還能夠連接不同類型的網路環境。
交換機功能：交換機可以提供大量的連接埠，能夠實現星型拓撲布線，並且當交換機轉發幀時，的交換機會產生一種不會失真的電信號，而且，交換機的每個埠都可以進行轉發和過濾，交換機的每個區域網都是沖突域都有自己獨立的寬頻，最大程度上的提高區域網的寬頻，交換機還能夠支持VLAN、支持鏈路匯聚功能。