一，链路聚合概述 链路聚合是将物理接口捆绑在一起作为一个逻辑接口来增加带宽和可靠性的方法。将若干条以太链路捆绑在一起形成的逻辑链路，简写为Eth-Trunk。 如图所示，SW1和SW2之间通过三条以太网链路相连，将三条链路加入链路聚合组，就成为了一条Eth-Trunk逻辑链路，这条逻辑链路的带宽等于原先链路的带宽总和；同时三条以太网链路互相备份，有效提高了链路的可靠性。 二，链路聚合的模式 设备支持手工负载分担和LACP(LinkAggregationControlProtocol)两种聚合模式，支持接口链路本地优先转发，还支持跨设备的链路聚合E-Trunk。①手工负载分担：
一，链路聚合概述 链路聚合是将物理接口捆绑在一起作为一个逻辑接口来增加带宽和可靠性的方法。将若干条以太链路捆绑在一起形成的逻辑链路，简写为Eth-Trunk。 如图所示，SW1和SW2之间通过三条以太网链路相连，将三条链路加入链路聚合组，就成为了一条Eth-Trunk逻辑链路，这条逻辑链路的带宽等于原先链路的带宽总和；同时三条以太网链路互相备份，有效提高了链路的可靠性。 二，链路聚合的模式 设备支持手工负载分担和LACP(LinkAggregationControlProtocol)两种聚合模式，支持接口链路本地优先转发，还支持跨设备的链路聚合E-Trunk。①手工负载分担：
工具：HCL模拟器（安装自带VirtualBox）1.要求配置任务如下：如图所示配置主机名S1S2S3上划分vlan，配置trunkS1S2S3上配置MSTP要求vlan10走左边，vlan20走右边S1S2之间、S1S3之间、S2S3之间配置链路聚合，放行所有vlan通过S1S2做VRRP，S1作为vlan10的主网关，S2作为vlan10的备份网关；S2作为vlan20的主网关，S1作为vlan20的备份网关，地址自拟irf1和irf2之间做堆叠，堆叠成功后将设备名改为IRFS1、S2、IRF、NAT之间接口地址根据图中网段自行配置，并配置OSPF路由保证全网互通NAT上配置easyip，
工具：HCL模拟器（安装自带VirtualBox）1.要求配置任务如下：如图所示配置主机名S1S2S3上划分vlan，配置trunkS1S2S3上配置MSTP要求vlan10走左边，vlan20走右边S1S2之间、S1S3之间、S2S3之间配置链路聚合，放行所有vlan通过S1S2做VRRP，S1作为vlan10的主网关，S2作为vlan10的备份网关；S2作为vlan20的主网关，S1作为vlan20的备份网关，地址自拟irf1和irf2之间做堆叠，堆叠成功后将设备名改为IRFS1、S2、IRF、NAT之间接口地址根据图中网段自行配置，并配置OSPF路由保证全网互通NAT上配置easyip，
本文首发于微信公众号：Hunter后端原文链接：Django笔记十六之aggregate聚合操作这一篇笔记介绍一下关于聚合的操作，aggregate。常用的聚合操作比如有平均数，总数，最大值，最小值等等用到的model如下classAuthor(models.Model):name=models.CharField(max_length=100)age=models.IntegerField()classPublisher(models.Model):name=models.CharField(max_length=300)classBook(models.Model):name=models
本文首发于微信公众号：Hunter后端原文链接：Django笔记十六之aggregate聚合操作这一篇笔记介绍一下关于聚合的操作，aggregate。常用的聚合操作比如有平均数，总数，最大值，最小值等等用到的model如下classAuthor(models.Model):name=models.CharField(max_length=100)age=models.IntegerField()classPublisher(models.Model):name=models.CharField(max_length=300)classBook(models.Model):name=models
论文链接：https://arxiv.org/pdf/2002.01680.pdf代码：https://github.com/cynricfu/MAGNN摘要：大量现实世界的图或网络本质上是异构的，其中包含了多种类型的节点和连边关系。异构图嵌入是将异构图中丰富的结构和语义信息嵌入到网络节点的低维向量表示中。现有模型通常采用定义多个元路径的方式来捕捉其中的复合关系，并以此来指导邻居节点的选择。然而这些模型要么忽略了节点的内容特征（或属性特征），要么只考虑了元路径两端节点而舍弃了元路径内部节点信息，要么只依赖于单个元路径，从而导致其他元路径信息的丢失。为解决上述问题，我们提出了一个名为MAGNN的
论文链接：https://arxiv.org/pdf/2002.01680.pdf代码：https://github.com/cynricfu/MAGNN摘要：大量现实世界的图或网络本质上是异构的，其中包含了多种类型的节点和连边关系。异构图嵌入是将异构图中丰富的结构和语义信息嵌入到网络节点的低维向量表示中。现有模型通常采用定义多个元路径的方式来捕捉其中的复合关系，并以此来指导邻居节点的选择。然而这些模型要么忽略了节点的内容特征（或属性特征），要么只考虑了元路径两端节点而舍弃了元路径内部节点信息，要么只依赖于单个元路径，从而导致其他元路径信息的丢失。为解决上述问题，我们提出了一个名为MAGNN的
