Crear VLAN con switch CRS de Mikrotik
Crear una VLAN con switch Mikrotik serie CRS (A partir de RouterOS: v6.12)
La serie CRS lleva un chip dedicado a funciones de switch aunque según el propio manual:
Note: Multiple master-port configuration is designed as fast and simple port isolation solution, but it limits part of VLAN functionality supported by CRS switch-chip. For advanced configurations use one master-port within CRS switch chip for all ports, configure VLANs and isolate port groups with port isolation profile configuration.
Es decir que si usamos la típica configuración de crear un puerto master para uplink y los demás esclavos o haciendo bridges, perdemos “part of VLAN functionality”, sin especificar cuál.
Siguiendo la recomendación de la nota, la siguiente configuración primero
- aisla los puertos 9 a 16 y después
- crea una VLAN usando el 9 como trunk/uplink y el resto como access.
1. Aislar los puertos de la VLAN
El aislamiento de puertos se suele usar para VLAN privadas cuando:
- Uno o más puertos son compartidos por todos los usuarios para acceder a un gateway o un router.
- Puertos aislados para visitantes ocasionales. La comunicación es sólo a un puerto de uplink (con acceso a Internet por ejemplo).
- Comunicar entre si un grupo de usuarios de un departamento. La comunicación puede establecerse entre los miembros de la departamento y el puerto de uplink. El esquema habitual es compartir impresoras o algún dispositivo.
Los Cloud Router Switches de Mikrotik tienen varios perfiles de aislamiento predefinidos:
- Puertos de uplink: perfil de aislamiento 0.
- Puertos aislados (sin contacto con otros puertos pero tal vez con el de uplink): perfil de aislamiento 1.
- Departamentos del 0 al 30: perfil de aislamiento del 2 al 33.
Configuramos el puerto de uplink: Setear con el profile 0 (uplink) el puerto 9
/interface ethernet switch port
set ether9 isolation-leakage-profile-override=0
Configuramos el departamento. Le asignamos el perfil 2 (comunidad). Pueden verse entre ellos.
/interface ethernet switch port
set ether10 isolation-leakage-profile-override=2
set ether11 isolation-leakage-profile-override=2
set ether12 isolation-leakage-profile-override=2
set ether13 isolation-leakage-profile-override=2
set ether14 isolation-leakage-profile-override=2
set ether15 isolation-leakage-profile-override=2
set ether16 isolation-leakage-profile-override=2
/interface ethernet switch port-isolation
add port-profile=2 ports=ether9,ether10,ether11,ether12, ether13,ether14,ether15,ether16 type=dst
2. Crear la VLAN
Poner initial VLAN (PVID) al tráfico que llega (ingress) sin tag (puertos access)
/interface ethernet switch ingress-vlan-translation
add ports=ether10 customer-vid=0 new-customer-vid=171 sa-learning=yes
add ports=ether11 customer-vid=0 new-customer-vid=171 sa-learning=yes
add ports=ether12 customer-vid=0 new-customer-vid=171 sa-learning=yes
add ports=ether13 customer-vid=0 new-customer-vid=171 sa-learning=yes
add ports=ether14 customer-vid=0 new-customer-vid=171 sa-learning=yes
add ports=ether15 customer-vid=0 new-customer-vid=171 sa-learning=yes
add ports=ether16 customer-vid=0 new-customer-vid=171 sa-learning=yes
Trunkeamos el puerto 9 para la VLAN171. Los paquetes siempre salen (egress) tageados.
/interface ethernet switch egress-vlan-tag
add tagged-ports=ether9 vlan-id=171
Editamos tabla de pertenencia de puertos a VLANs (para que el tráfico sea válido)
/interface ethernet switch vlan
add ports=ether9,ether10,ether11,ether12,ether13,ether14,ether15,ether16 vlan-id=171 learn=yes
Deshabilitamos tráfico de VLANs desconocidas
/interface ethernet switch
set drop-if-invalid-or-src-port-not-member-of-vlan-on-ports=ether9,ether10,ether11,ether12,ether13,ether14,ether15,ether16
Fuentes:
Manual Mikrotik
mikrotik-routeros.com (Usa configuración tradicional)
Written with StackEdit.
La distribución exponencial
Puede ser usada para responder a:
- ¿Cuanto tiempo debemos esperar antes de que entre un cliente en la tienda?
- ¿Cuanto tiempo pasará antes de que la centralita reciba una nueva llamada?.
El tiempo de espera es la respuesta común a esas preguntas
Todo fenómeno que implique tiempo de espera desconocido puede ser modelado mediante la distribución exponencial siempre que la probabilidad de ocurrencia durante el intervalo sea proporcional a la longitud del intervalo.
La función de probabilidad (PDF - Probability Density Function) de una distribución exponencial es
Donde
El parámetro
La tasa
Por ejemplo, si la tasa
Observamos que la duración esperada (o esperanza o media) se mide siempre en tiempo. La tasa o ritmo se mide siempre en eventos.
La función de probabilidad acumulada es:
Por ejemplo, la probabilidad de recibir una llamada antes de 5 minutos es
Su complementario es
Es decir, la probabilidad de recibir una llamada después de cinco minutos es
Como se ha dicho, el valor esperado es
y la varianza
Ejemplo 1: Asumamos que en una cabina telefónica las llamadas duran una media de
μ=10 minutos. Si alguien llega al teléfono justo antes que usted, calcular la probabilidad de tener que esperar:
La tasa será deλ=1μ=110=1 llamadacada 10 minutos=0.1llamadasminuto
a) Menos de cinco minutos.
P(X≤5)=1−e−5110=0.39
b) Más de cinco minutos.
P(X>5)=e−5110=0.61
c) Entre 5 y 10 minutos.
P(5≤X≤10)=1−[P(X≤5)+P(X≥10)]=0.23
También podríamos haber integrado la PDF entre 5 y 10.
P(5≤X≤10)=∫105110e−110xdx−=e−x10∣105=0.23
Written with StackEdit.
Stackedit dar plantilla estilo rápido
La forma más rápida de dar estilo en Stackedit es añadir código en la extensión “User custom extension”.
Por ejemplo,
userCustom.onReady = function() {
$('head').append('<link href="https://dl.dropboxusercontent.com/u/23451370/BloggerStyles.css" rel="stylesheet" />');
};
Ver para más información. Tambien esto.
Written with StackEdit.
La distribución de Poisson explicada fácil
Esta entrada está basada en los vídeos de Khan Academy referentes a la distribución de Poisson.
Vamos a modelar una distribución que nos de la probabilidad del número de coches que pasan en una hora (intervalo de tiempo). También podríamos intentar modelar el número de llamadas que llega a una centralita en el intervalo de media hora o el número de paquetes que llegan a un router en el intervalo de un segundo.
Entonces, sea la variable aleatoria X=número de coches que pasan en una hora
.
Antes de nada, tenemos que hacer dos presunciones:
- Ninguna hora es diferente de cualquier otra (p.e. no consideramos que las horas nocturnas sean diferentes de la diurnas o fines de semana).
- No hay manera de que el número de coches que pasen en una hora afecte al número de coches que pasa en otra hora (los intervalos son independientes).
Lo que vamos a hacer es intentar modelar esa probabilidad usando la distribución binomial, usando un pequeño truco y llevando al límite uno de sus parámetros.
Recordemos que la función de probabilidad de una distribución binomial es:
Donde
Ejemplo1: La probabilidad de que un alumno suspenda es del 30%. Escogemos 20 alumnos al azar, ¿Cuál es la probabilidad de que haya exactamente 4 alumnos suspendidos?.
Es una distribución binomial porque sólo tenemos dos estados posibles: suspendido o aprobado. Sus parámetros son: probablidad de acierto 0.3 y número de experimentos 20;
p=0.3,n=20 , o seaBin(n,p)→Bin(20,0.3)
P(X=4)=(204)(0.3)4(0.7)16=0.13
El mejor estimador es la esperanza
por ejemplo
En una distribución binomial, la esperanza es
Pensemos un poco en ello: Supongamos que lanzo 10 tiros de baloncesto siendo la probabilidad de encestar (acierto) de cada uno de ellos del 40%. ¿Cuál es el número de canastas esperado?. Pues
Ya con esto dicho, en nuestro ejemplo de los coches podríamos intentar modelar la función de probabilidad como una
Y entonces decimos: Si en el minuto actual pasa un coche, lo doy como acierto y si no pasa lo doy como fallo. Es decir:
- El número de aciertos sería las veces que ha pasado un coche en el minuto considerado, y
- el número de fallos las veces que en el minuto considerado
2.1 o bien no ha pasado ninguno
2.2 o bien han pasado más de uno
Así, en una primera aproximación, siendo
Donde vemos que que el número de experimentos
Para llegar a la expresión, primero recordamos:
La definición de
Y el desarrollo:
que tiene
Por ejemplo:
Entonces:
Ahora pasamos el
En cuanto a
En cuanto a
Nos queda
por la definición
O sea que la función de probabilidad de Poisson es un límite cuyo valor equivale a
Ejemplo2: De media, pasan 9 coches en una hora. Suponiendo ciertas las presunciones 1 y 2: ¿Cuál es la probabilidad de que en una hora cualquiera pasen exactamente 2 coches?.
P(x=2)=922!e−9=0.05=5%
Ejemplo3: En un restaurante entran de media 2 clientes cada 3 minutos. Suponiendo ciertas las presunciones 1 y 2: ¿Cuál es la probabilidad de que entren cuatro o menos clientes en un periodo de nueve minutos?.
λ=6clientes9minutos
P(X="igual−o−menor−que−4")=P(X=0)+P(X=1)+P(X=2)+P(X=3)+P(X=4)=600!e−6+611!e−6+...=e−6(1+6+18+...)=0.28=28%
Otra forma habitual de expresar la fórmula es en función de
Según la wikipedia
La distribución de Poisson se aplica a varios fenómenos discretos de la naturaleza (esto es, aquellos fenómenos que ocurren 0, 1, 2, 3,… veces durante un periodo definido de tiempo o en un área determinada) cuando la probabilidad de ocurrencia del fenómeno es constante en el tiempo o el espacio. Ejemplos de estos eventos que pueden ser modelados por la distribución de Poisson incluyen:
- El número de autos que pasan a través de un cierto punto en una ruta (suficientemente distantes de los semáforos) durante un periodo definido de tiempo.
- El número de errores de ortografía que uno comete al escribir una única página.
- El número de llamadas telefónicas en una central telefónica por minuto.
- El número de servidores web accedidos por minuto.
- El número de animales muertos encontrados por unidad de longitud de ruta.
- El número de mutaciones de determinada cadena de ADN después de cierta cantidad de radiación.
- El número de núcleos atómicos inestables que se han desintegrado en un determinado período.
- El número de estrellas en un determinado volumen de espacio.
- La distribución de receptores visuales en la retina del ojo humano.
- La inventiva de un inventor a lo largo de su carrera.
La media y la varianza de la distribución son
Notemos que el número de experimentos
Comprobemos que es realmente una función de probabilidad.
La suma de toda las probabilidades es 1.
En la gráfica se observa la forma de campana de la función dados diferentes valores de
En la gráfica aparecen curvas por claridad pero evidentemente deberían aparecer puntos debido a que se trata de una distribución continua.
Este es un pequeño homenaje a Salman Khan. Os recomiendo una de sus charlas: (TED) Usemos el vídeo para reinventar la educación.
Fuentes: Varios y Khan Academy
Written with StackEdit.