《Cisco VoIP(CVOICE)学习指南(第三版)》一1.3 小结

1.3 小结

Cisco VoIP(CVOICE)学习指南(第三版)
本章主要涵盖了以下主要内容。

  • Cisco统一通信系统技术架构令数据、语音和视频能够在单一的标准IP网络架构中传递,将各类通信集成在一起。
  • VoIP技术家族使用IP网络传递语音应用,如电话、语音及时通信和电话会议。
  • VoIP使用H.323、MGCP、SIP和SCCP呼叫信令和呼叫控制协议。
  • 信令协议模型包括2个协议类别:端到端(peer-to-peer)和服务器/客户端(client/ server)。
  • 在数据网络中配置语音应用,要求网络服务所在环境满足以下条件:低延迟、最小的抖动和最少的数据包丢失。
  • 真实的语音对话通过RTP和其他RTP相关协议在传输媒介中传递。
  • 网关(Gateway)将IP通信网连接到传统电话网。
  • 若干类型的语音网关可满足所有不同的客户需求,包括从小型企业到大型服务提供商网络。
  • Cisco IP电话部署模型包括:单站点、多站点集中式呼叫处理、多站点分布式呼叫处理及穿越IP WAN的集群。
  • 在单站点部署模型中,CUCM应用和DSP资源位于同一物理位置。PSTN负责所有的外部呼叫。
  • 多站点集中式模型仅有一个呼叫处理系统。应用和DSP资源既可集中在同一位置,也可分布在不同站点,IP WAN承载站点间的语音流量和呼叫控制信令。
  • 多站点分布式模型有多个独立的站点,每个站点有各自的呼叫处理系统,IP WAN承载站点间的语音流量,但不负责传输呼叫控制信令。
  • 穿越IP WAN的集群提供了集中式管理、统一的拨号计划、可以扩展到所有分支办公室的特性。另外,在故障切换期间,这个模型还可以支持更多的远端电话,但需要在WAN中实施严格的延迟和带宽限制。
时间: 2024-11-18 19:12:42

《Cisco VoIP(CVOICE)学习指南(第三版)》一1.3 小结的相关文章

《量化金融R语言高级教程》一导读

前 言 量化金融R语言高级教程 本书是我们的前一本书<量化金融R语言初级教程>(Introduction to R for Quantitative Finance)的续作.本书是为那些希望学习R语言来建立更高级量化金融模型的读者而写的.本书包括实证金融(第1-4章).金融工程(第5-7章).交易策略优化(第8-10章)和银行管理(第10-13章)等主题. 目 录 第1章 时间序列分析 1.1 多元时间序列分析 1.2 波动率建模 1.3 小结 1.4 参考文献 第2章 因素模型 2.1 套利

《量化金融R语言高级教程》一第1章 时间序列分析

第1章 时间序列分析 量化金融R语言高级教程在本章中,我们探讨一些时间序列分析的高级方法以及如何通过R来实现.作为一门学科,时间序列分析已有数百部著作,内容非常广泛(我们会在本章末的阅读列表中,列出在理论与R编程两方面最重要的参考目录).我们责无旁贷地精心界定了本章的范围,专注于实证金融与量化交易中必不可少的重要主题.但是,在起始阶段我们必须强调,本章仅仅为时间序列分析的进一步研究奠定了基础. 我们之前曾经出版过一本图书--<量化金融R语言初级教程>(Introduction to R for

《量化金融R语言高级教程》一第2章 因素模型

第2章 因素模型 量化金融R语言高级教程金融资产的估值计算,大多数情况下基于现金流折现方法.即计算预期未来现金流的折现值,得到金融资产的现值.因此,为了能对资产估值,我们需要知道反映货币时间价值和给定资产风险的适当收益率.目前已有两种决定预期收益率的主流方法:资本资产定价模型(capital asset pricing model,CAPM)和套利定价理论(arbitrage pricing theory,APT).CAPM是一个均衡模型,而APT建立在无套利原则之上.因而这两种方法的起点和内在

《量化金融R语言高级教程》一1.2 波动率建模

1.2 波动率建模 金融时间序列的波动率会随着时间变化,这在实证金融中已经是广为熟悉和被接受的典型事实.但是,波动率的不可测性使得测量和预测它成为一项挑战性任务.通常,以下3种经验观察推动了波动率模型的演变. 波动性聚集:它指金融市场上的这样一种经验观察,平静期常常跟着平静期,而波动期常常跟着波动期. 资产收益率的非正态性:实证分析显示,相对于正态分布,资产收益率分布趋向于厚尾性. 杠杆效应:这会导致一种现象,波动率对正价格变动或负价格运动的反应往往不同.价格下降时波动率的增加幅度大于相似规模的

《量化金融R语言高级教程》一1.1 多元时间序列分析

1.1 多元时间序列分析 金融资产价格的运动.技术分析和量化交易的基本问题常常被纳入单变量框架下进行建模.我们能否预测证券价格未来是上升还是下降?这只特定的证券处于向上还是向下的趋势中?我们该买还是该卖?这些问题都需要慎重考虑.此外,投资者常常面对着更复杂的局面,不能仅仅把市场看成不相关的工具与决策问题组成的集合. 如果单独观察这些工具,可以发现正如市场有效假说所示,它们既非自相关又非均值可预测.但是,工具之间的相关性又显而易见.这个特性很可能为交易行为所利用,或者出于投机目的,或者出于对冲目的

《量化金融R语言高级教程》一1.3 小结

1.3 小结 在本章中,我们回顾了时间序列分析的某些重要内容,如协整.向量自回归和GARCH类条件方差模型.同时,我们介绍了一些R的有用知识和技巧,用来开始量化和实证金融的建模.我们希望你能从中获益,但是必须再次提到,不论是从时间序列和计量经济学理论的角度看,还是从R编程的角度看,本章内容皆不完善.互联网上有关于R编程语言的丰富文档资料,并且R的用户社区聚集着数以千计的高精尖人才.我们鼓励你能超越书本,成为一名自学者,遇到困难不要退缩.网络上肯定可以找到你处理困难需要的答案.要多多使用R包的文档

《量化金融R语言高级教程》一2.2 在R中建模

2.2 在R中建模 在接下来的部分中,我们将会学习在R的帮助下如何实现先前讲过的模型. 2.2.1 数据选择 在第4章大数据-高级分析中,我们将会详细讨论获取开源数据及对其进行高效处理的各种知识与方法.在这里,我们仅仅讲述股票价格时间序列和其他相关信息如何获取和如何用于因素模型估计. 我们使用quantmod包来收集数据库. 以下是在R中实现的代码: library(quantmod) stocks <- stockSymbols() 然后,我们需要等待几秒钟获取数据,接着可以看到输出: Fet

《量化金融R语言高级教程》一1.4 参考文献

1.4 参考文献 Andersen, Torben G; Davis, Richard A.; Kreiß, Jens-Peters; Mikosh, Thomas(ed.) (2009). Handbook of Financial Time Series. Andersen, Torben G. and Benzoni, Luca (2011). Stochastic volatility.Book chapter in Complex Systems in Finance and Econ

《量化金融R语言高级教程》一2.4 参考文献

2.4 参考文献 E.F. Fama, and K.R. French (1996), Multifactor Explanations of asset Pricing Anomalies, Journal of Finance 51, pp. 55-84. Z. Bodie, A. Kane, and A. Marcus (2008), Essentials of Investment, Edition 7,McGraw-Hill Irwin. P. Medvegyev, and J. Sz

《量化金融R语言高级教程》一2.1 套利定价理论

这里,是资产i的预期收益率,表示第j个因素的非预期变动,而表示第i个证券对该因素的敏感性,同时表示非预期的公司特定事件引起的收益.因此,表示随机系统影响,表示非系统(即个体的)影响,非系统影响表示总影响中无法被系统因素捕捉的那部分.作为非预期的量,和都具有无条件的零均值.在这个模型中,包括系统特定风险在内的因素之间相互独立.因此,资产收益率分别来源于两部分:系统性风险因素影响了市场中的所有资产,非系统性风险仅仅影响特定公司.非系统性风险可以通过增加组合中资产种类来分散化.相反,来自经济整体的风险