主流网络架构（主流网络架构是什么）
本篇文章给大家谈谈主流网络架构，以及主流网络架构是什么对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。
本文目录一览：
网络架构搜索
作为计算智能方法的代表，起源于上个世纪四十年代的人工神经网络经历了五六十年代的繁荣，七十年代的低潮，八十年代的再次复苏，到近十年的广泛关注，如今已经成为理论日趋完善，应用逐步发展的前沿方向。Hinton 等人2006 年在《Science》上发表的文章引发了深度神经网络研究的热潮。面对大数据的诸多挑战，以深度信念网络、卷积神经网络和递归神经网络为代表的深度神经网络模型在很多应用领域展示出明显的优势和潜力，特别是随着数据量和数据维数的增加，深度学习的优势愈加突出。例如，Google 借助深度学习开发的AlphaGo 能从海量的对弈中学习正确的决策，微软语音识别***用深度学习使识别错误率显著降低，百度基于深度学习开发的机器人“小度”在跨年龄人脸识别上超越了人类。
经过多年的研究和发展，基于人工神经网络的识别方法也逐渐取代传统的模式识别方法。神经网络已成为当前比较先进的技术，用来解决许多具有挑战性的识别任务如文字识别、语音识别、指纹识别、遥感图像识别、人脸识别、手写体字符的识别等。其中主流的神经网络模型有卷积网络和递归神经网络，卷积神经网络由 Yann LeCun 在 1998 年提出，自从 AlexNe 在 2012 年的 ImageNet 比赛中使用了这一架构拔得头筹，卷积神经网络迅速流行起来并广泛应用到视觉任务。如今，最先进的卷积神经网络算法在进行图像识别时，甚至可以超过人类肉眼识别的准确率。递归神经网络网络提出于 1990 年，被视为循环神经网络的推广，递归神经网络可以引入门控机制以学习长距离依赖，适用于包含结构关系的机器学习任务，在序列识别方面有重要应用。
深度神经网络和深度学习算法因为在科研工作与工程任务中都取得了显著的效果从而大受欢迎。它取代了传统的手动提取特征方法，够端到端地自动提取和学习特征。而其中取得显著成功的深度神经网络通常是由于它们成功的架构设计，研究的工作重心从提取特征转移到了寻找最优架构上。通常来说，模型的容量越大网络的性能就越好，能够拟合任意函数。因此为了提升网络性能，网络结构被设计的越来越复杂。例如，VGG-16 约有1.4亿浮点数参数，整个网络占用超过500兆存储空间，需要153亿次浮点操作来处理一个$224\times224$大小的图像。虽然更深的网络层次和复杂的拓扑结构能够更有效地学习特征，但是网络规模的增大意味着人工设计网络时需要花费更多时间来反复试验，即使是专家也需要大量的***和时间来创建性能良好的模型。
神经网络架构搜索(NAS)是一种自动化学习网络结构的新方法，用于减少繁重的网络设计成本。目前为止，NAS方法设计的网络在识别任务上的表现已经超过了人工设计的架构。NAS可以视作自动机器学习（AutoML）的子领域，与超参数优化和元学习有明显的重叠。不同的NAS方法的区别主要在于三个维度：搜索空间、搜索策略和性能评估，我们对此分别进行了调研。
搜索空间：搜索空间定义了网络的所有可选结构和操作，通常指数级大，甚至***。在设计搜索空间时结合先验知识，即参考现有的针对当前任务的先进结构设计知识，能够有效减小搜索空间并简化搜索。但这也会引入偏好，从而限制网络学习到超越当前人类知识的结构。
搜索策略：定义搜索空间后，搜索策略引导寻找高性能的模型架构，其中的难点是保证探索和利用的平衡。一方面，希望快速找到性能良好的架构，另一方面，需要避免过早收敛到次优的架构。
性能评估：NSA的目的是找到一个在未知数据上具有良好泛化性能的架构，一旦模型生成，就需要对其性能进行评估。直观的方法是在训练集上训练收敛，并在验证集上得到其性能，但是这种方***耗费巨大的算力，从而限制了可探索的网络结构。一些先进的方法关注于减小性能评估时的计算代价，但会引入误差。因此，平衡评价的效率和效果是一个需要研究的问题。
从计算的角度来看，神经网络代表了一个通过一系列操作将输入变量 x 转换为输出变量 y 的函数。基于计算图语言，神经网络可以表示为一个有向无环图(DAG)，其中每个节点表示一个张量 z ，通过边连接其父节点 I(k)，每条边表示从候选操作集O中选择的一个操作 o 。节点 k 的计算公式为：
其中候选操作集合$O$主要包括卷积、池化、激活函数、跳跃连接、拼接、加法等基本操作。此外，为了进一步提高模型的性能，一些先进的人工设计模块也可以作为候选操作，如深度可分离卷积、膨胀卷积、组卷积。基于操作的类型可以选择不同的超参数，例如输入节点选取、卷积核数量、尺寸、步长等。不同的搜索空间设计，选择和组合操作的方法也不同所以参数化的形式也不一样。一般来说，一个好的搜索空间应该能够排除人类的偏见，并且足够灵活，能够覆盖更广泛的模型架构。
全局搜索空间搜索一个完整的网络结构，具有很高的自由度。最简单的例子是链式搜索空间，见图1左。固定的数量的节点按顺序堆叠，只有前一个节点的输出提供给后一个节点作为输入，每个节点代表一个层，并具有指定的操作。右图引入更复杂的跳跃链接和多支路结构，此时当前节点可以结合前面所有节点的输出作为输入，使得搜索的自由度显著增大。许多网络都是多分支网络的特例，比如
1）链式网络： ；
2）残差网络： ；
3）DenseNets：
虽然整体结构搜索很容易实现，但它也有一些缺点。首先，搜索空间的大小与网络深度是指数级关系，寻找泛化性能好的深度网络计算成本高。此外，生成的架构缺乏可迁移性和灵活性，在小型数据集上生成的模型可能不适合较大的数据集。有研究提出，初始架构的选择在搜索全局结构时十分重要。在适当的初始条件下，可以获得与单元搜索空间性能相当的架构，但是初始架构选择的指导原则仍然不明确。
基于单元的搜索空间受启发于人工设计知识，许多有效的网络结构都会重复使用固定结构，例如在RNNs中重复LSTM块或堆叠残差模块。因此可以只搜索这样的重复单元(cells)，整个神经结构的搜索问题被简化为在单元搜索空间中搜索最优的单元结构，从而极大的减小搜索空间。大多数研究对比了基于全局搜索空间和单元搜索空间的实验结果，证明在基于单元的搜索空间中可以获得良好的性能。单元搜索空间的另一个优势是能方便地在数据集和任务之间进行泛化，因为通过增减卷积核和单元的数量，架构的复杂性几乎可以任意改变。
NASNet是最早提出的单元搜索空间之一，也是当前最热门的选择，之后的大部分改进只是在此基础上对操作选择和单元组合策略进行了少量修改。如图2所示，它由两种单元组成，分别为保持输入特征维度的标准单元(normal cell)，和减小空间维度的简化单元(reduction cell)。每个单元由b个块组成，每个块由它的两个输入和相应的操作定义。可选的输入包括前两个单元的输出和单元中先前定义的块的输出，所以它支持跨单元的跳跃连接。未使用的块被连接起来并作为单元格的输出，最终通过预定义好的规则级联这些单元。
不同于上面将单元结构按照人工定义的宏结构进行连接，层次结构是将前一步骤生成的单元结构作为下一步单元结构的基本组成部件，通过迭代的思想得到最终的网络结构。Hier提出的层次搜索空间，通过合并低层单元生成高级单元实现单元级别和网络级别的同时优化。此方法具体分为3层。第一层包含一系列的基础操作；第二层通过有向无环图连接第一层的基础操作，构建不同的单元，图结构用邻接矩阵编码；第三层是网络级的编码，决定如何连接第二层的单元，组合成一个完整的网络。基于单元的搜索空间可以看作是这种层次搜索空间的一个特殊情况。
强化学习方法（RL）能够有效建模一个顺序决策的过程，其中代理与环境相互作用，代理学会改善其行为从而使目标回报最大化。（图3）给出了一个基于强化的NAS算法的概述。代理通常是一个递归神经网络(RNN)，它在每一步t执行一个动作 来从搜索空间***样一个新的样本，同时接收状态 的观察值和环境中的奖励 ，以更新代理的***样策略。这种方法非常适合于神经结构搜索，代理的行为是生成神经结构，行为空间是搜索空间，环境是指对代理生成的网络进行训练和评估，奖励是训练后的网络结构对未知数据的预测性能，在最后一个行为之后获得。
4.2进化算法
进化算法（EA）是一种成熟的全局优化方法，具有较高的鲁棒性和广泛的适用性。许多研究使用进化算法来优化神经网络结构。进化算法演化了一组模型，即一组网络；在每个世代中，至少从这组模型中选择一个模型，作为亲本在突变后作为生成子代。在对子代进行训练之后，评估它们的适应度并将它们添加到种群中。
典型的进化算法包括选择、交叉、变异和更新等步骤。选择时一般使用联赛选择算法对父类进行***样，其中适应性最好的一个作为亲本。Lemonade对适应度使用核密度估计，使网络被选择的概率与密度成反比。交叉方式因编码方案的不同而不同。突变针对的是亲本的部分操作，例如添加或移除层，改变层的超参数，添加跳跃连接，以及改变训练超参数。对于产生的后代，大多数方法随机初始化子网络权重，而Lemonade把父网络学习到的权重通过使用网络态射传递给其子网络。Real等人让后代继承其父母的所有不受突变影响的参数，虽然这种继承不是严格意义上的功能保留，它可以加速学习。生成新的网络的同时需要从种群中移除一些个体。Real等人从群体中移除最差的个体，AmoebaNet移除最老的个体。也有一些方法定期丢弃所有个体，或者完全不移除个体。EENA通过一个变量调节最坏模型和最老模型的删除概率。
基于代理模型的优化方法(SMBO)用一个代理模型来近似目标函数。即不需要训练***样到的网络结构，只需要训练一个代理模型，使用代理模型预测网络的性能。通常在实践中只需要得到架构的性能排序，而不一定要计算出具体的损失值，因此代理模型只需要预测相对得分并选出有前途的候选架构。然后只对预测性能好的架构进行评估，用它们的验证精度更新代理模型，这样只需要完全训练少量候选架构，大大减少搜索时间。代理模型通常训练为最小化平方误差：
贝叶斯优化（BO）是用于超参数优化的最流行的方法之一。最经典的是基于高斯过程的BO，生成的神经结构的验证结果可以建模为高斯过程，然而，基于高斯的BO方法在观察次数上的推理时间尺度是立方的，并且不擅长处理变长神经网络。有些工作使用基于树或者随机森林的方法来在非常高维的空间中高效的搜索，并且在很多问题上取得了优异的效果。Negrinho利用其搜索空间的树形结构，并使用蒙特卡洛树搜索。虽然没有完整的比较，但初步的证据表明这些方法可以超越进化算法。
上面的搜索策略搜是从一个离散的搜索空间提取神经结构样本。DARTS提出搜索空间的连续松弛，在连续可微的搜索空间上搜索神经架构如图4所示，并使用如下softmax函数来松弛离散空间:
松弛后，架构搜索的任务转化为网络架构与神经权值的联合优化。这两类参数分别在训练集和验证集上交替优化，表示为一个双层优化问题。
为了对搜索过程进行引导，必须对产生的神经网络性能进行评估。一种直观的方法是训练网络至收敛，然后评估其性能。但是，这种方法需要大量的时间和计算***。因此提出了几种加速模型评估的方法。
为了减少计算负担，可以用实际性能的低质近似来估测性能。实现方法包括: 缩短训练时间、选择数据集的子集、在低分辨率的图像上训练、每层使用更少的通道数、堆叠更少的单元结构。在低质条件下搜索到的最优网络或单元，构建出最终结构在数据集上重新训练，得到目标网络。虽然这些低精度的近似能够减少训练花费，但性能被低估的同时不可避免地引入了误差。最近的研究表明，当这种低质评价与完全评价之间的差异较大时，网络性能的相对排名可能变化很大，并强调这种误差会逐渐增加。
早停技术最初用于防止过拟合。一些研究通过在训练初期预测网络性能，在验证集上预计表现不佳的模型被强制停止训练，以此来加速模型评估。一种在早期估计网络性能的方法是学习曲线外推法。Domhan 等提出训练初期对学习曲线进行插值，并终止那些预测性能不好的网络结构的训练。Swersky等在评估学习曲线的好坏时，把网络架构的超参数作为参考因素。另一种方法根据梯度的局部统计信息实现早期停止，它不再依赖验证集，允许优化器充分利用所有的训练数据。
代理模型可以被训练用预测网络性能。PNAS提出训练一个代理网络（LSTM）来预测网络结构的性能，他不考虑学习曲线而是基于结构的特点来预测性能，并在训练时推断更大的网络结构。SemiNAS是一种半监督NAS方法，利用大量的未标记架构进一步提高搜索效率。不需要在对模型进行训练，只使用代理模型来预测模型精度。预测网络性能的主要难点是：为加快搜索过程，需要在对较大的搜索空间进行较少的评估的基础上进行良好的预测。当优化空间过大且难以量化，且对每个结构的评估成本极高时，基于代理的方法就不适用。
代理模型还可以用来预测网络权重。超网络（Hypernetworks）是一种神经网络，被训练来为各种架构生成网络权值。超网络在搜索过程中节省了候选体系结构的训练时间，因为它们的权值是通过超网络的预测得到的。Zhang等人提出了一种计算图表示，并使用图超网络(GHN)比常规超网络(SMASH)更快更准确地预测所有可能架构的权值。
权重继承是让新网络结构继承之前训练完成的其他网络结构的权值。其中一种方法是网络态射，一般的网络设计方法是首先设计出一个网络结构，然后训练它并在验证集上查看它的性能表现，如果表现较差，则重新设计一个网络。可以很明显地发现这种设计方***做很多无用功，因此耗费大量时间。而基于网络态射结构方法能够在原有的网络结构基础上做修改，修改后的网络可以重用之前训练好的权重。其特殊的变换方式能够保证新的网络结构还原成原网络，因此子网络的表现至少不会差于原网络，并且能在较短的训练时间内继续成长为一个更健壮的网络。具体地，网络射态能够处理任意非线性激活函数，可以添加跳跃连接，并且支持添加层或通道得到更深或更宽的等效模型。经典的网络态射只能使网络变大，这可能导致网络过于复杂，之后提出的近似网络态射通过知识蒸馏允许网络结构减小。进化算法经常使用基于网络态射的变异，或者直接让孩子继承亲本的权重，再执行一般变异操作，这样产生的网络具有一个更好的初始值，而不用重头开始训练。
计算机网络的拓扑结构有哪些?它们各有什么优缺点?
计算机连接的方式叫做“网络拓扑结构”（Topology）。网络拓扑是指用传输媒体互连各种设备的物理布局，特别是计算机分布的位置以及电缆如何通过它们。设计一个网络的时候，应根据自己的实际情况选择正确的拓扑方式。每种拓扑都有它自己的优点和缺点。
网络的拓扑的分类：网络拓扑可以根据通信子网的通信信道分为两类，广播通信信道子网的拓扑与点到点通信子网的拓扑。
***用广播通信信道子网的基本拓扑结构主要有4种：总线型，树型，环型，无线通信与卫星通信型，
***用点到点的通信子网的基本拓扑结构主要有4种：星型，环型，树型与网状型拓扑。
网络的拓扑结构：分为逻辑拓扑和物理拓扑结构这里讲物理拓扑结构。
总线型拓扑：是一种基于多点连接的拓扑结构，所有的设备连接在共同的传输介质上。总线拓扑结构使用一条所有PC都可访问的公共通道，每台PC只要连一条线缆即可但是它的缺点是所有的PC不得不共享线缆，优点是不会因为一条线路发生故障而使整个网络瘫痪。
环行拓扑：把每台PC连接起来，数据沿着环依次通过每台PC直接到达目的地，在环行结构中每台PC都与另两台PC相连每台PC的接口适配器必须接收数据再传往另一台一台出错，整个网络会崩溃因为两台PC之间都有电缆，所以能获得好的性能。
树型拓扑结构：把整个电缆连接成树型，树枝分层每个分至点都有一台计算机，数据依次往下传优点是布局灵活但是故障检测较为复杂，PC环不会影响全局。
星型拓扑结构：在中心放一台中心计算机，每个臂的端点放置一台PC，所有的数据包及报文通过中心计算机来通讯，除了中心机外每台PC仅有一条连接，这种结构需要大量的电缆，星型拓扑可以看成一层的树型结构不需要多层PC的访问权争用。星型拓扑结构在网络布线中较为常见。
菊花链拓扑：类似于环行拓扑结构，但是中间有一对断点。
以上几种拓扑结构可以混合使用，并且星型拓扑较为常见。
注意要区分开网络物理拓扑结构和逻辑拓扑物理拓扑是连接的PC的真实路径。
逻辑拓扑是数据由一台PC传输到另台PC的实际流向而构成的路径
当前主流应用架构有p2p和哪个
当前主流应用架构有p2p和server-client结构。根据资料显示，应用程序体系结构由应用程序研发者设计，规定了如何在各种端系统上组织该应用程序。在选择应用程序体系结构时，有两种主流体系结构：server-client（服务器-客户机）结构或p2p体系结构。
常见的网络架构有哪些？
常见网络架构的有星形、总线形、环形和网状形等。
1、星形网络拓扑结构：
以一台中心处理机（通信设备）为主而构成的网络，其它入网机器仅与该中心处理机之间有直接的物理链路，中心处理机***用分时或轮询的方法为入网机器服务，所有的数据必须经过中心处理机。
星形网的特点：
（1）网络结构简单，便于管理（集中式）；
（2）每台入网机均需物理线路与处理机互连，线路利用率低；
（3）处理机负载重（需处理所有的服务），因为任何两台入网机之间交换信息，都必须通过中心处理机；
（4）入网主机故障不影响整个网络的正常工作，中心处理机的故障将导致网络的瘫痪。
适用场合：局域网、广域网。
2、总线形网络拓扑结构：
所有入网设备共用一条物理传输线路，所有的数据发往同一条线路，并能够由附接在线路上的所有设备感知。入网设备通过专用的分接头接入线路。总线网拓扑是局域网的一种组成形式。
总线网的特点：
（1）多台机器共用一条传输信道，信道利用率较高；
（2）同一时刻只能由两台计算机通信；
（3）某个结点的故障不影响网络的工作；
（4）网络的延伸距离有限，结点数有限。
适用场合：局域网，对实时性要求不高的环境。
3、环形网络拓扑结构：
入网设备通过转发器接入网络，每个转发器仅与两个相邻的转发器有直接的物理线路。环形网的数据传输具有单向性，一个转发器发出的数据只能被另一个转发器接收并转发。所有的转发器及其物理线路构成了一个环状的网络系统。
环形网特点：
（1）实时性较好（信息在网中传输的最大时间固定）；
（2）每个结点只与相邻两个结点有物理链路；
（3）传输控制机制比较简单；
（4）某个结点的故障将导致物理瘫痪；
（5）单个环网的结点数有限。
适用场合：局域网，实时性要求较高的环境。
4、网状网络拓扑结构：
利用专门负责数据通信和传输的结点机构成的网状网络，入网设备直接接入结点机进行通信。网状网络通常利用冗余的设备和线路来提高网络的可靠性，因此，结点机可以根据当前的网络信息流量有选择地将数据发往不同的线路。适用场合：主要用于地域范围大、入网主机多（机型多）的环境，常用于构造广域网络。
网站的基本架构是什么
网站架构按照制作步骤分为硬架构和软架构。
一、硬架构
1、机房：在选择机房的时候，根据网站用户的地域分布，可以选择网通、电信等单机房或双机房。
2、带宽：预估网站每天的访问量，根据访问量选择合适的带宽，计算带宽大小主要涉及峰值流量和页面大小两个指标。
3、服务器：选择需要的服务器，如图片服务器，页面服务器，数据库服务器，应用服务器，日志服务器，对于访问量大点的网站而言，分离单独的图片服务器和页面服务器相当必要。
二、软架构
1、网站的框架：现在的PHP框架有很多选择，比如：CakePHP，Symfony，Zend Framework，根据创作团队对各个框架熟悉程度选择。
2、逻辑的分层
1）表现层：所有和表现相关的逻辑都应该被纳入表现层的范畴。
2）应用层：主要作用是定义用户可以做什么，并把操作结果反馈给表现层。
3）领域层：包含领域逻辑的层，就是告诉用户具体的操作流程的。
4）持久层：即数据库，保存领域模型保存到数据库，包含网站的架构和逻辑关系等。
扩展资料
网站的分类
1、根据网站所用编程语言分类：例如asp网站、php网站、jsp网站、Asp. net网站等；
2、根据网站的用途分类：例如门户网站（综合网站）、行业网站、*** 网站等；
3、根据网站的功能分类：例如单一网站（企业网站）、多功能网站（网络商城）等等。
4、根据网站的持有者分类：例如个人网站、商业网站、***网站、教育网站等。
5、根据网站的商业目的分类：营利型网站（行业网站、论坛）、非营利性型网站（企业网站、***网站、教育网站）。
参考资料来源：百度百科—网站架构
参考资料来源：百度百科—网站
计算机网络的拓扑结构分为哪些?
计算机网络的最主要的拓扑结构有总线型拓扑、环形拓扑、树形拓扑、星形拓扑、混合型拓扑以及网状拓扑。除了总线型、环型、星型还有树形、混合型和网状拓扑结构。
环形拓扑、星形拓扑、总线型拓扑是三个最基本的拓扑结构。在局域网中，使用最多的是星形结构。
1、总线型拓扑：
总线型拓扑是一种基于多点连接的拓扑结构，是将网络中的所有的设备通过相应的硬件接口直接连接在共同的传输介质上。总线拓扑结构使用一条所有PC都可访问的公共通道，每台PC只要连一条线缆即可。在总线型拓扑结构中，所有网上微机都通过相应的硬件接口直接连在总线上， 任何一个结点的信息都可以沿着总线向两个方向传输扩散，并且能被总线中任何一个结点所接收。
由于其信息向四周传播，类似于广播电台，故总线型网络也被称为广播式网络。 总线有一定的负载能力，因此，总线长度有一定限制，一条总线也只能连接一定数量的结点。 最著名的总线拓扑结构是以太网（Ethernet）。
总线布局的特点：结构简单灵活，非常便于扩充；可靠性高，网络响应速度快；设备量少、价格低、安装使用方便；共享***能力强，非常便于广播式工作，即一个结点发送所有结点都可接收。
在总线两端连接的器件称为端结器（末端阻抗匹配器、或终止器），主要与总线进行阻抗匹配，最大限度地吸收传送端部的能量，避免信号反射回总线产生不必要的干扰。
总线型网络结构是目前使用最广泛的结构，也是最传统的一种主流网络结构，适合于信息管理系统、办公自动化系统领域的应用。
2、环型拓扑：
环形网中各结点通过环路接口连在一条首尾相连的闭合环形通信线路中，就是把每台PC连接起来，数据沿着环依次通过每台PC直接到达目的地，环路上任何结点均可以请求发送信息。请求一旦被批准，便可以向环路发送信息。环形网中的数据可以是单向也可是双向传输。信息在每台设备上的延时时间是固定的。
由于环线公用，一个结点发出的信息必须穿越环中所有的环路接口，信息流中目的地址与环上某结点地址相符时，信息被该结点的环路接口所接收，而后信息继续流向下一环路接口，一直流回到发送该信息的环路接口结点为止。 特别适合实时控制的局域网系统。 在环行结构中每台PC都与另两台PC相连每台PC的接口适配器必须接收数据再传往另一台。因为两台PC之间都有电缆，所以能获得好的性能。 最著名的环形拓扑结构网络是令牌环网（Token Ring）。
3、树形拓扑结构：
树形拓扑从总线拓扑演变而来，形状像一棵倒置的树，顶端是树根，树根以下带分支，每个分支还可再带子分支。 它是总线型结构的扩展，它是在总线网上加上分支形成的，其传输介质可有多条分支，但不形成闭合回路，树形网是一种分层网，其结构可以对称，联系固定，具有一定容错能力，一般一个分支和结点的故障不影响另一分支结点的工作，任何一个结点送出的信息都可以传遍整个传输介质，也是广播式网络。
一般树形网上的链路相对具有一定的专用性，无须对原网做任何改动就可以扩充工作站。 它是一种层次结构，结点按层次连结，信息交换主要在上下结点之间进行，相邻结点或 同层结点之间一般不进行数据交换。把整个电缆连接成树型，树枝分层每个分至点都有一台计算机，数据依次往下传优点是布局灵活但是故障检测较为复杂，PC环不会影响全局。
4、星形拓扑结构：
星形拓扑结构是一种以中央节点为中心，把若干*** 节点连接起来的辐射式互联结构，各结点与中央结点通过点与点方式连接，中央结点执行集中式通信控制策略，因此中央结点相当复杂，负担也重。 这种结构适用于局域网，特别是近年来连接的局域网大都***用这种连接方式。
这种连接方式以双绞线或同轴电缆作连接线路。在中心放一台中心计算机，每个臂的端点放置一台PC，所有的数据包及报文通过中心计算机来通信，除了中心机外每台PC仅有一条连接，这种结构需要大量的电缆，星形拓扑可以看成一层的树形结构，不需要多层PC的访问权争用。星形拓扑结构在网络布线中较为常见。
以星形拓扑结构组网，其中任何两个站点要进行通信都要经过中央结点控制。中央节点的主要功能有：为需要通信的设备建立物理连接；为两台设备通信过程中维持这一通路；在完成通信或不成功时，拆除通道。
在文件服务器/工作站（File Servers/Workstation）局域网模式中，中心点为文件服务器，存放共享***。由于这种拓扑结构，中心点与多台工作站相连，为便于集中连线，目前多***用集线器（HUB）。
5、网状拓扑：
网状拓扑又称作无规则结构，结点之间的联结是任意的，没有规律。就是将多个子网或多个局域网连接起来构成网际拓扑结构。在一个子网中，集线器、中继器将多个设备连接起来，而桥接器、路由器及***则将子网连接起来。根据组网硬件不同，主要有三种网际拓扑。
（1）网状网：在一个大的区域内，用无线电通信连路连接一个大型网络时，网状网是最好的拓扑结构。通过路由器与路由器相连，可让网络选择一条最快的路径传送数据。
（2）主干网：通过桥接器与路由器把不同的子网或LAN连接起来形成单个总线或环型拓扑结构，这种网通常***用光纤做主干线。
（3）星状相连网：利用一些叫做超级集线器的设备将网络连接起来，由于星型结构的特点，网络中任一处的故障都可容易查找并修复。
应该指出，在实际组网中，为了符合不同的要求，拓扑结构不一定是单一的，往往都是几种结构的混用。
6、混合型拓扑结构：
混合型拓扑结构就是两种或两种以上的拓扑结构同时使用。
7、蜂窝拓扑结构：
蜂窝拓扑结构是无线局域网中常用的结构。
参考资料来源：百度百科 - 拓扑结构
关于主流网络架构和主流网络架构是什么的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。
