【前压测试】

当前端设备以超线速发送数据帧时，就会引起输入端口的过载，前压测试是为了度量 DUT 在输入过载的情况下，输出端口对过载的反应，即是否启用了前压

在进行前压测试时，为了人为造成输入端口的过载，需要将测试帧的帧间隙设置成小于 96 位，通常将测试帧间隔设置成 88 位比特长度

【地址学习】

在测试开始之前，让被测试交换机学习测试中将要用到的 MAC 地址

由于任何地址未被学习的帧都会被 DUT 作为洪泛帧转发，这减少了测试过程中被正确转发帧的数量，因此要求先学习 MAC 地址，再验证地址学习结果，最后进行测试

【相关文档】

以太网是数据链路层的技术，因此以太网测试又被称为二层测试

相关的 RFC 文档包括 RFC1242、RFC2544、RFC2285、RFC2889

【概述】

以太网工作在数据链路层上，其功能有：

• 帧的封装与拆封
• 基于 MAC 地址的帧接收与转发
• 拥塞控制(流量控制)
• 简单差错控制

【以太网技术发展】

References：

• Stacking：集成学习策略图解
• 典型 Stacking 方法图解
• 集成学习-Boosting,Bagging与Stacking
• 典型 Stacking 方法图解
• 机器学习中的集成方法（4）—Stacking（堆叠法）
• 模型融合(集成算法) - 堆叠法 Stacking

【Stacking】

Stacking 堆叠法，是集成学习的经典算法之一，其属于异质学习，能够有效融合多个学习器的结果

【OTDR 工作原理】

光功率计只能测试光功率损耗，如果要确定损耗的位置和损耗的起因，就要采用光时域反射仪(OTDR)

当光脉冲在光纤内传输时，会由于光纤本身的性质、连接器、接合点、弯曲或其它类似的事件而产生散射、反射。其中一部分的散射和反射就会返回到 OTDR 中，这些返回到入射端的光信号中包含有损耗信息，经过适当的耦合、探测和处理，就可以分析到光脉冲所到之处的光纤损耗特性

References：

• 简单易学的机器学习算法——梯度提升决策树GBDT
• 机器篇——集成学习(六) 细说 GBDT 算法

【GBDT 梯度提升决策树】

梯度提升决策树（Gradient Boosting Decision Tree，GBDT）是 Boosting 算法族的一种，其可认为是学习算法采用梯度提升法的提升树