网站服务器多少带宽就够

这个问题没有固定的标准，网站实际需要多大带宽，是要根据网站情况来判断的，如果是小型网站，那么5M的带宽足够满足每天上万的访问量，如果是商城或者是下载站，则需要20M以上的带宽才能保证稳定流畅的网站访问。

一般情况下，论坛、企业类的网站比较节省带宽，而商城、下载类的网站则会占用较大带宽。理论上来讲下载速度是带宽的八分之一，所以5M带宽的最快下载速度就可以达到600KB每秒。

以医院网站为例说一下关于网站服务器以及带宽要求

一般要看是做什么用，可以分为三个方面，医院官网，移动诊疗系统和医院内部业务系统来看。

医院官网：医院官网建站不会很复杂，主要是医院机构，医疗力量，资源，奖项和医院简介。所以如果作为官网使用，不会有很高的并发量，流量也不会集中，数据沉淀也不多，所以在CPU上选择2核4G的就足够用了，带宽选择2M的即可。

移动诊疗：随着网络技术发展，移动诊疗系统已经在各大医院上线，移动诊疗主要是线上挂号，线上反馈，检查报告查询等功能，所以面向的是广大的患者和患者家属，访问量相对来说比起网站要大得多，所需要的服务器硬盘可以使用1T以上的来存储更多数据，带宽同样需要5M以上来支撑更大的并发。

医院内部业务系统：医院内部业务系统主要是医生开药，病例录入，诊疗等，对存储的要求比较大，可以搭建服务器集群，较多的服务器去做存储即可。内部业务系统一般采用的都是局域网或者内网，所以并没有外网带宽的要求。

希望本回答能够够帮助到你

望采纳~点赞~

算啊！我们公司就用过泰海的大带宽服务器。用来搭建游戏网站，还是非常不错的哦！

当然，服务器最大的带宽也不是100M的，100M带宽上面还有G口跟万M的。带宽需要多大，主要跟你业务能跑到多大有关的。不过现在单台服务器一般都是使用G口网卡，也就是最大能使用到G口带宽（钱要到位，带宽买够）。再往上的带宽是需要光模块等的，或者是机柜接入，然后分到机柜里面的各个服务器中。

大带宽服务器

他们都说我回答的是废话，因为提问人只说了这点情况，我根本不了解你的服务器使用情况，就你的提问字面意思理解，怎么可能会给出准确的答案，只能给你一个参考，建议

企业服务器带宽，什么线路，，存在 2个可能性，

1--有公司自己购买实体服务器，有自己机房，有自己固定IP，只是想问问要多大的外网上网带宽，是用电信，移动，联通，还是其他线路

2--买的云服务器，你要问这个服务器需要配多大的带宽，选什么线路，

如果我跟你说企业服务器需要1G即 1000M甚至更高的外网带宽，你会不会真的去买，，，

有人说我回答的废话，如果换成是我公司的服务器，我直接先开它500M电信线路带宽，反正又不是我出钱，开大了，我慢慢减下来，小了，我在加

一切情况，都要 根据你的实际需求出发，你的服务器有多少人用，同时会有多少人连接到服务器，都干些什么，

那些说我废话的，你们是否现在就在某公司担任CIO，或者网络主管呢，，是否从为公司节约资金方面考虑过呢，是否真正了解提问人公司目前服务器使用情况，

如果大家有不同意见，或者能 给出提问人准确答案，我虚心学习，键盘侠们，请对提问人的问题仔细思考，这个问题的准确答案在哪里，

此问，我真实咨询了我当地的电信政企大客户经理，对方的回答是，问题不明确，详细内容太少，真的没有准确答案。必须提供详细信息

1、首先大家需要了解两个单位Byte和bit

计算机上有两个最基本的单位，Byte（字节）和bit（位），二者的换算关系是1Byte=8bits。

100Mbps（100M bits per second）独享带宽，换算到我们日常熟悉的文件大小，要除以8；也是说100Mbps带宽，理论下每秒可以下载的文件大小约是125MB（M Byte）。

2、用于视频服务器点播时候的在线人数

如果用100M去点播视频服务器上普通**（600kbps)的，产生一次顺畅点播需要每秒传递的数据大小600/8≈80KB左右，100M1024K/8/80K,也160个同时链接（并发）。   你同样可以支持1万个人在线，因为访问网页的时候只是短时间连接服务器请求数据，这 1万人未必同时需要1万个并发连接。

3、用于web站点的同时连接数

作为web站点（常见的web站点有门户、视频），可以参考如下公式大概计算出在线人数，

公式：支持连接个数 = 服务器带宽/8/页面尺寸大小

看到这，我想大家都已经明白了，10M独享带宽理论上是可以搭建视频服务器，只不过可支持12人同时在线观看视频，再多会出现视频播放卡、请求排队等现状。因此一般而言搭建视频服务器至少需要百兆甚至千兆级别的带宽。

说到这，顺便告诉大家一个好消息，原价两万多的百兆独享，景安电信、联通、移动100M独享服务器托管仅8800元/年。

资料来源：网页链接

webrtc中的带宽自适应算法分为两种：

1，　发端带宽控制，　原理是由rtcp中的丢包统计来动态的增加或减少带宽，在减少带宽时使用TFRC算法来增加平滑度。

2，　收端带宽估算，　原理是并由收到rtp数据，估出带宽；　用卡尔曼滤波，对每一帧的发送时间和接收时间进行分析，　从而得出网络带宽利用情况，修正估出的带宽。

两种算法相辅相成，　收端将估算的带宽发送给发端，　发端结合收到的带宽以及丢包率，调整发送的带宽。

下面具体分析两种算法：

2, 接收端带宽估算算法分析

结合文档http://toolsietforg/html/draft-alvestrand-rtcweb-congestion-02以及源码webrtc/modules/remote_bitrate_estimator/overuse_detectorcc进行分析

带宽估算模型： d(i) = dL(i) / c + w(i) d(i)两帧数据的网络传输时间差，dL(i)两帧数据的大小差， c为网络传输能力， w(i)是我们关注的重点， 它主要由三个因素决定：发送速率， 网络路由能力， 以及网络传输能力。w(i)符合高斯分布， 有如下结论：当w(i)增加是，占用过多带宽（over-using)；当w(i)减少时，占用较少带宽（under-using)；为0时，用到恰好的带宽。所以，只要我们能计算出w(i)，即能判断目前的网络使用情况，从而增加或减少发送的速率。

算法原理：即应用kalman-filters

theta_hat(i) = [1/C_hat(i) m_hat(i)]^T // i时间点的状态由C, m共同表示，theta_hat(i)即此时的估算值

z(i) = d(i) - h_bar(i)^T theta_hat(i-1) //d(i)为测试值，可以很容易计算出， 后面的可以认为是d(i-1)的估算值， 因此z(i)就是d(i)的偏差，即residual

theta_hat(i) = theta_hat(i-1) + z(i) k_bar(i) //好了，这个就是我们要的结果，关键是k值的选取，下面两个公式即是取k值的，具体推导见后继博文。

E(i-1) h_bar(i)

k_bar(i) = --------------------------------------------

var_v_hat + h_bar(i)^T E(i-1) h_bar(i)

E(i) = (I - K_bar(i) h_bar(i)^T) E(i-1) + Q(i) // h_bar(i)由帧的数据包大小算出

由此可见，我们只需要知道当前帧的长度，发送时间，接收时间以及前一帧的状态，就可以计算出网络使用情况。

接下来具体看一下代码：

[cpp] view

plaincopy

void OveruseDetector::UpdateKalman(int64_t t_delta,

double ts_delta,

uint32_t frame_size,

uint32_t prev_frame_size) {

const double min_frame_period = UpdateMinFramePeriod(ts_delta);

const double drift = CurrentDrift();

// Compensate for drift

const double t_ts_delta = t_delta - ts_delta / drift; //即d(i)

double fs_delta = static_cast<double>(frame_size) - prev_frame_size;

// Update the Kalman filter

const double scale_factor = min_frame_period / (10000 / 300);

E_[0][0] += process_noise_[0] scale_factor;

E_[1][1] += process_noise_[1] scale_factor;

if ((hypothesis_ == kBwOverusing && offset_ < prev_offset_) ||

(hypothesis_ == kBwUnderusing && offset_ > prev_offset_)) {

E_[1][1] += 10 process_noise_[1] scale_factor;

}

const double h[2] = {fs_delta, 10}; //即h_bar

const double Eh[2] = {E_[0][0]h[0] + E_[0][1]h[1],

E_[1][0]h[0] + E_[1][1]h[1]};

const double residual = t_ts_delta - slope_h[0] - offset_; //即z(i)， slope为1／C

const bool stable_state =

(BWE_MIN(num_of_deltas_, 60) fabsf(offset_) < threshold_);

// We try to filter out very late frames For instance periodic key

// frames doesn't fit the Gaussian model well

if (fabsf(residual) < 3 sqrt(var_noise_)) {

UpdateNoiseEstimate(residual, min_frame_period, stable_state);

} else {

UpdateNoiseEstimate(3 sqrt(var_noise_), min_frame_period, stable_state);

}

const double denom = var_noise_ + h[0]Eh[0] + h[1]Eh[1];

const double K[2] = {Eh[0] / denom,

Eh[1] / denom}; //即k_bar

const double IKh[2][2] = {{10 - K[0]h[0], -K[0]h[1]},

{-K[1]h[0], 10 - K[1]h[1]}};

const double e00 = E_[0][0];

const double e01 = E_[0][1];

// Update state

E_[0][0] = e00 IKh[0][0] + E_[1][0] IKh[0][1];

E_[0][1] = e01 IKh[0][0] + E_[1][1] IKh[0][1];

E_[1][0] = e00 IKh[1][0] + E_[1][0] IKh[1][1];

E_[1][1] = e01 IKh[1][0] + E_[1][1] IKh[1][1];

// Covariance matrix, must be positive semi-definite

assert(E_[0][0] + E_[1][1] >= 0 &&

E_[0][0] E_[1][1] - E_[0][1] E_[1][0] >= 0 &&

E_[0][0] >= 0);

slope_ = slope_ + K[0] residual; //1/C

prev_offset_ = offset_;

offset_ = offset_ + K[1] residual; //theta_hat(i)

Detect(ts_delta);

}

[cpp] view

plaincopy

BandwidthUsage OveruseDetector::Detect(double ts_delta) {

if (num_of_deltas_ < 2) {

return kBwNormal;

}

const double T = BWE_MIN(num_of_deltas_, 60) offset_; //即gamma_1

if (fabsf(T) > threshold_) {

if (offset_ > 0) {

if (time_over_using_ == -1) {

// Initialize the timer Assume that we've been

// over-using half of the time since the previous

// sample

time_over_using_ = ts_delta / 2;

} else {

// Increment timer

time_over_using_ += ts_delta;

}

over_use_counter_++;

if (time_over_using_ > kOverUsingTimeThreshold //kOverUsingTimeThreshold是gamma_2， gamama_3=1

&& over_use_counter_ > 1) {

if (offset_ >= prev_offset_) {

time_over_using_ = 0;

over_use_counter_ = 0;

hypothesis_ = kBwOverusing;

}

}

} else {

time_over_using_ = -1;

over_use_counter_ = 0;

hypothesis_ = kBwUnderusing;

}

} else {

time_over_using_ = -1;

over_use_counter_ = 0;

hypothesis_ = kBwNormal;

}

return hypothesis_;

}

一般正确计算带宽的方法是：每秒钟下载文件的字节数×8/07 = 宽带的速率。这前提是你必须先关闭其他正在运行中的网络应用程序，不能同时下载其他网页和软件。

举例说明，如果你的站是网站或者论坛网站，1M带宽就相当于200人左右在线。假如说是下载的话，那么就要看并发连接数目。最后用并发数目除以每个人所占用的带宽。例如：2400人同时在线，2400人并发同时操作，每个人的页面30KB，那么合算成带宽就是：2400/(30KB8)=10Mb

参考资料：