机房光纤主干网络设计

简介:
企业网络主干通常为光纤,使用光纤的好处是传输距离远,速率高,信号稳定,我们接入互联网和总部网络大都也是使用的是光纤,这两对光纤分开相互不受影响,接到各自的路由器,然后一起到交换机上,因此企业能同时上网和访问总部的服务器。那么在企业内部,我们考虑机房光纤主干网络设计是企业有一定的规模,在企业存在多个机房的环境下的应用,一个机房我们的光纤网络可以堆叠在一起统一控制和管理,如果多个机房的话我们怎么才能保证光纤网络的可靠性呢?

 
首先,要求光纤接入点具备双路,也就是指会有至少两根光纤来保证网络的正常,这是高可靠性的应用,我们在核心机房至少有两条光缆和企业任一机房相连,每根六芯光缆我们用到其中的1对,还有2对富余出来,以备日后网络升级。我们的两条光缆分两路到其它机房,为的是防止其中的一路因为意外情况受阻,那么我们的网络就无法连通。光缆虽然使用很方便,但也是比较脆弱的,我们不能保证链路不会受到外界的影响,使用两路光缆到各个机房,形成一个环路,那么我们不用担心业务受到波动影响。

 
其次,我们还要在交换机做设置,大家都知道网络要是形成环路的话,是会产生“广播风暴”,数据包在整个链路上循环往复,我们就什么工作也干不了。交换机都有STP协议,STP(生成树协议)是一个二层管理协议。在一个扩展的局域网中参与STP的所有交换机之间通过交换桥协议数据单元BPDUbridge protocol data unit)来实现;为稳定的生成树拓扑结构选择一个根桥;为每个交换网段选择一台指定交换机;将冗余路径上的交换机置为blocking,来消除网络中的环路。另外,我们还有划分不同的VLAN,让这些机房变成不同的局域网,一个VLAN内部的广播和单播流量都不会转发到其他VLAN中,从而有助于控制流量、减少设备投资、简化网络管理、提高网络的安全性,这样即使某个节点出现问题,也不会影响到其它的链路。

 
在实际的使用过程中,我们还要做好监测,定期从交换机导出日志来,让我们评估企业网络实际运行过程中所遇到的问题,从而能够及早采取措施去应对,从交换机的指示灯状态为我们也能发现出问题来。常见光纤故障问题:线路损耗过大,接头插损过大,光纤熔接损耗过大,中间节点过多等都可能导致丢包率过高或无法正常传输。

 
测试光纤:

多模850 2KM

单模13101550 25-100KM

 
光纤转换器指示灯故障判断:

FX Link/Act

亮:光链路连接状态指示,亮表示光链路连通。

闪:光链路活动状态指示,闪表示FX端有数据包通过。

 
TX Link/Act

亮:电链路连接状态指示,亮表示电链路连通。

闪:电链路活动状态指示,闪表示TX端有数据包通过。

 
FDX

亮:表示收发器工作于全双工模式。

不亮:表示收发器工作于半双工模式。

 
PWR

亮:表示电源接通,供电正常。

FX100

亮:表示光口传输速率为100M

 
TX100

亮:表示电口传输速率为100M

不亮:表示电口传输速率为10M

 
DIP开关的功能:

1.LFP开关,OFF为关,ON为开(当网线没有接通时,自动切断光信号)。

2.存储转发和直接转发开关(OFF为关、ON为开)。

3.自适应和强制开关(ON为半双工10MOFF为全双工100M)。

4.强制10/100MON10MOFF100M 注:34开关同时使用。

5.全双工和半双工(ON为半双工,OFF为全双工)。



本文转自 zhaiken 51CTO博客,原文链接:http://blog.51cto.com/zhaiken/344627,如需转载请自行联系原作者
相关文章
|
2月前
|
计算机视觉
【论文复现】经典再现:yolov4的主干网络重构(结合Slim-neck by GSConv)
【论文复现】经典再现:yolov4的主干网络重构(结合Slim-neck by GSConv)
50 0
【论文复现】经典再现:yolov4的主干网络重构(结合Slim-neck by GSConv)
|
2月前
|
机器学习/深度学习 编解码 数据可视化
YOLOv5改进 | 主干篇 | 12月份最新成果TransNeXt特征提取网络(全网首发)
YOLOv5改进 | 主干篇 | 12月份最新成果TransNeXt特征提取网络(全网首发)
76 0
|
2月前
|
机器学习/深度学习 测试技术 Ruby
YOLOv8改进 | 主干篇 | 反向残差块网络EMO一种轻量级的CNN架构(附完整代码 + 修改教程)
YOLOv8改进 | 主干篇 | 反向残差块网络EMO一种轻量级的CNN架构(附完整代码 + 修改教程)
89 0
|
2月前
|
机器学习/深度学习 测试技术 Ruby
YOLOv5改进 | 主干篇 | 反向残差块网络EMO一种轻量级的CNN架构(附完整代码 + 修改教程)
YOLOv5改进 | 主干篇 | 反向残差块网络EMO一种轻量级的CNN架构(附完整代码 + 修改教程)
128 2
|
2月前
|
计算机视觉
YOLOv5改进 | 主干篇 | 低照度图像增强网络SCINet改进黑暗目标检测(全网独家首发)
YOLOv5改进 | 主干篇 | 低照度图像增强网络SCINet改进黑暗目标检测(全网独家首发)
76 3
|
2月前
|
机器学习/深度学习 计算机视觉
YOLOv8改进 | 主干篇 | 低照度图像增强网络SCINet改进黑暗目标检测(全网独家首发)
YOLOv8改进 | 主干篇 | 低照度图像增强网络SCINet改进黑暗目标检测(全网独家首发)
95 2
|
2月前
|
机器学习/深度学习 测试技术 计算机视觉
YOLOv5改进 | 主干篇 | 低照度增强网络Retinexformer改进黑夜目标检测 (2023.11最新成果,全网独家首发)
YOLOv5改进 | 主干篇 | 低照度增强网络Retinexformer改进黑夜目标检测 (2023.11最新成果,全网独家首发)
58 0
|
2月前
|
机器学习/深度学习 编解码 算法
YOLOv5改进 | 主干篇 | 低照度增强网络PE-YOLO改进主干(改进暗光条件下的物体检测)
YOLOv5改进 | 主干篇 | 低照度增强网络PE-YOLO改进主干(改进暗光条件下的物体检测)
81 0
|
2月前
|
机器学习/深度学习 网络架构 计算机视觉
YOLOv5改进 | 主干篇 | 12月最新成果UniRepLknet特征提取网络(附对比试验效果图)
YOLOv5改进 | 主干篇 | 12月最新成果UniRepLknet特征提取网络(附对比试验效果图)
80 0
YOLOv5改进 | 主干篇 | 12月最新成果UniRepLknet特征提取网络(附对比试验效果图)
|
2月前
|
机器学习/深度学习 测试技术 计算机视觉
YOLOv8改进 | 主干篇 | 低照度增强网络Retinexformer改进黑夜目标检测 (2023.11最新成果,独家首发)
YOLOv8改进 | 主干篇 | 低照度增强网络Retinexformer改进黑夜目标检测 (2023.11最新成果,独家首发)
61 0

热门文章

最新文章