《端到端QoS网络设计(第2版)》一2.4 AutoQoS

简介:

本节书摘来自异步社区《端到端QoS网络设计(第2版)》一书中的第2章,第2.4节,作者【美】Tim Szigeti , 【加】Robert Barton , 【美】Christina Hattingh , 【美】Kenneth Briley,更多章节内容可以访问云栖社区“异步社区”公众号查看

2.4 AutoQoS

端到端QoS网络设计(第2版)
为了简化QoS的部署工作,Cisco设计出了自动QoS(AutoQoS)特性来自动实现QoS设计方案的最佳做法。AutoQoS是一种智能的宏命令,这种技术可以让管理员仅输入一到两条命令,就在特定平台的特定接口上,为相关命令启用推荐的QoS特性与设置。管理员既可以全权依赖AutoQoS特性,也可以先使用AutoQoS进行快速配置,然后再按照自己的特定需求,对系统自动生成的命令进行进一步的调整。

AutoQoS VoIP是AutoQoS特性的第一个版本,这个特性自12.2(15)T版开始就可以在Cisco IOS路由器平台上使用。AutoQoS VoIP可以让Cisco Catalyst交换机和Cisco IOS路由器为VoIP流量提供最佳的QoS设计方案。管理员只需输入一条全局模式的命令或者一条接口模式的命令(具体在哪种模式下输入命令依设备的平台而定),AutoQoS VoIP特性就可以在该平台或应用AutoQoS CLI命令的接口上添加推荐的VoIP QoS配置(这些参数和配置都是经过了计算的)。

对于园区中的Catalyst交换机,AutoQoS VoIP会自动执行以下操作。

  • 在Cisco IP电话上添加一个信任边界。
  • 在交换机接入端口和上行链路/下行链路上添加一个信任边界。
  • 为语音流量启用严格的优先级队列,同时为数据流量启用加权轮巡队列。
  • 修改队列的准入标准(即修改CoS与队列之间的映射关系)。
  • 在有必要时修改队列长度,以及队列的权重。
  • 修改CoS与DSCP之间的映射关系,以及IP优先级和DSCP之间的映射关系。

对于Cisco IOS路由器,FR(帧中继)、ATM、HDLC(高级数据链路控制)、MLPPP和FT-ATM链路上支持AutoQoS VoIP,路由器会自动执行以下操作。

  • 对流量进行分类,标记VoIP承载的流量(DSCP EF)和呼叫信令流量(DSCP CS3)。
  • 应用合理的队列配置。

为语音流量应用低延迟(LLQ)队列。

为呼叫信令应用基于类的加权公平(CBWFQ)队列。

为所有其他类型的流量应用公平(FQ)队列。

  • 在有必要时,以优化参数启用帧中继整形(FRTS)。
  • 在有必要时,针对低速链路(768kbit/s)启用链路分片与交错(LFI)。
  • 在有必要时,启用IP RTP头部压缩(cRTP)。

为丢弃的VoIP数据包提供远程监测(RMON)告警。

AutoQoS特性的第二个版本称为AutoQoS Enterprise,自12.3(7)T版本的系统开始,这个特性便可以在Cisco IOS路由器上进行使用了。AutoQoS Enterprise只能应用于Cisco IOS路由器上,它可以检测和提供多达10个类别的流量,包括:

  • 语音流量;
  • 互动式视频流量;
  • 视频流;
  • 呼叫信令流量;
  • 业务性数据;
  • 大数据;
  • 路由流量;
  • 网络管理流量;
  • 尽力而为传输的流量;
  • 清道夫流量。

Auto QoS Enterprise特性由2部分组成,它们的顺序如下所示。

  • Autodiscovery(数据收集):使用基于NBAR的协议发现机制来检测网络中的应用,并对网络流量执行数据分析。
  • AutoQoS模板的创建与安装:使用通过Autodiscovery步骤中收集的数据来创建模板,并将创建出来的这些模板安装在接口上。接下来,设备会以这些模板为基础,来为网络创建class map和policy map。在创建出了class map和policy map后,它们就会被安装到接口上。

在2010年,Cisco通过12.2(55)SE版本的系统,为Catalyst 2960-G/S、2975-GS、3560-G/E/X和3750-G/E/X系列交换机提供了一个针对视频应用的新版AutoQoS特性。它可以为这些交换机系列所支持的富媒体应用部署推荐的QoS方案。这个版本的AutoQoS可以在接口配置模式下提供四大类的入站QoS策略。

auto qos voip [cisco-phone |cisco-softphone|trust]:这个选项对VoIP模型进行了扩展,在其中包含了其他类别的富媒体应用,同时包含了数据层限速/清道夫类QoS策略等元素,以保护这些类型的应用。

auto qos trust {cos|dscp}:这个选项的作用是对端口进行配置,以静态地信任CoS或DSCP。如果管理员既没有明确配置CoS,也没有明确配置DSCP,那么命令auto qos trust就会(默认)在2层交换端口上配置CoS信任,同时在3层路由接口上配置DSCP信任。

auto qos video[cts|ip-camera]:这个新的选项可以通过配置,自动支持Cisco TelePresence系统(通过命令cts)和IP视频监控摄像头(通过命令ip-camera)。

auto qos classify {police}:这个选项可以提供一个通用的模板,以便管理员对流量进行分类,并对多达6种富媒体流量进行标记,同时也可以根据管理员的需要,(通过命令policy)为这些流量提供数据层限速/清道夫类QoS策略。

相关文章
|
3月前
|
机器学习/深度学习 算法 网络架构
【CVPR2017】AOD-Net:端到端的除雾网络(原理&实操)
【CVPR2017】AOD-Net:端到端的除雾网络(原理&实操)
500 0
【CVPR2017】AOD-Net:端到端的除雾网络(原理&实操)
|
机器学习/深度学习 传感器 编解码
首篇!BEV-Locator:多目端到端视觉语义定位网络(清华&轻舟智航)(下)
准确的定位能力是自动驾驶的基础。传统的视觉定位框架通过几何模型来解决语义地图匹配问题,几何模型依赖于复杂的参数调整,从而阻碍了大规模部署。本文提出了BEV定位器:一种使用多目相机图像的端到端视觉语义定位神经网络。具体地,视觉BEV(鸟瞰图)编码器提取多目图像并将其展平到BEV空间中。而语义地图特征在结构上嵌入为地图查询序列。然后,cross-model transformer将BEV特征和语义图查询关联起来。通过交叉注意力模块递归地查询自车的定位信息。最后,可以通过解码transformer输出来推断自车位姿。论文在大规模nuScenes和Qcraft数据集中评估了所提出的方法。
首篇!BEV-Locator:多目端到端视觉语义定位网络(清华&轻舟智航)(下)
|
3月前
|
机器学习/深度学习 计算机视觉 网络架构
【FCN】端到端式语义分割的开篇之作! 从中窥探后续语义分割网络的核心模块(一)
【FCN】端到端式语义分割的开篇之作! 从中窥探后续语义分割网络的核心模块(一)
307 0
【FCN】端到端式语义分割的开篇之作! 从中窥探后续语义分割网络的核心模块(一)
|
4月前
|
自动驾驶 安全 网络安全
6G 移动通信网络端到端的技术需求指标
6G 移动通信网络端到端的技术需求指标
202 0
|
5月前
|
存储 传感器 监控
探密工业互联网网络体系:构建端到端的稳定传输
什么是工业互联网网络? 工业互联网网络是一种将工业设备、传感器和计算机系统连接到一起,以便它们可以共同工作、共享数据和实现更高效的生产和控制。这个网络体系的目标是提高工业过程的效率、可靠性和安全性。
|
9月前
|
算法 网络协议 网络性能优化
网络QoS
网络QoS
133 0
|
10月前
|
算法 物联网
m基于matlab的无线自组网性能仿真,包括端到端时延,吞吐量,初入网时间,迟入网时间,网络建立时间
m基于matlab的无线自组网性能仿真,包括端到端时延,吞吐量,初入网时间,迟入网时间,网络建立时间
204 0
|
算法 物联网
m基于matlab的AODV,leach自组网网络平台仿真,对比吞吐量,端到端时延,丢包率,剩余节点个数,节点消耗能量
m基于matlab的AODV,leach自组网网络平台仿真,对比吞吐量,端到端时延,丢包率,剩余节点个数,节点消耗能量
388 0
|
机器学习/深度学习 存储 编解码
首篇!BEV-Locator:多目端到端视觉语义定位网络(清华&轻舟智航)(上)
准确的定位能力是自动驾驶的基础。传统的视觉定位框架通过几何模型来解决语义地图匹配问题,几何模型依赖于复杂的参数调整,从而阻碍了大规模部署。本文提出了BEV定位器:一种使用多目相机图像的端到端视觉语义定位神经网络。具体地,视觉BEV(鸟瞰图)编码器提取多目图像并将其展平到BEV空间中。而语义地图特征在结构上嵌入为地图查询序列。然后,cross-model transformer将BEV特征和语义图查询关联起来。通过交叉注意力模块递归地查询自车的定位信息。最后,可以通过解码transformer输出来推断自车位姿。论文在大规模nuScenes和Qcraft数据集中评估了所提出的方法。
首篇!BEV-Locator:多目端到端视觉语义定位网络(清华&轻舟智航)(上)
|
机器学习/深度学习 编解码 算法
简答:如何设计一个深度学习网络来实现帧内预测?
简答:如何设计一个深度学习网络来实现帧内预测?
187 0
简答:如何设计一个深度学习网络来实现帧内预测?