نوشته‌ها

majazisazi-taliem-ir

مجازي سازي سيستم هاي ذخيره سازي داده

تكنولوژي نرم افزاري و سخت افزاري كه باعث ميشود تا جزئيات ذخيره سازي از قبيل محل ذخيره سازي و يا تكنولوژي بكار رفته در سيستم ذخيره سازي داده ها از كاربردها مخفي بماند. اين تكنولوژي اجازه ميدهد تا تعداد زيادي سيستم يك واحد ذخيره سازي را بين خود اصطلاحات share نكنند بدون اينكه هر يك از ديگران اطلاعاتي داشته باشد. اين تكنولوژي همچنين اجازه ميدهد تا از يك بسته در حال اجرا اصطلاحا snapshotگرفته شود تا بتوان از اين سيستم يك نسخه پشتيبان تهيه كرد بدون اينكه براي كاربردهاي و تراكنش هاي در حال اجرا مشكل و مراقب ايجاد شود. مجازي سازي سيستم ذخيره سازي اغلب توسط سرورهاي ذخيره سازي پشتيباني ميشود. كلاينتها و سرورها نيازي ندارند بدانند فايل هايي كه در حال پردازش آنها هستند در كجا ذخيره شدهاند. چنين هم نيازي هم ندارند تا بدانند چه نوع از ذخيرهسازها، داده ها و كاربردها را ذخيره كردهاند. مثلا دستگاه هاي ذخيره سازي ميتوانند ديسك سخت باشند يا SSDو يا هر تكنولوژي ديگر. مجازي سازي ذخيره سازي يك ديد مصنوعي از شبكه ذخيره سازي ايجاد ميكند كه جزئيات شبكه فيزيكي را از كلاينتها و سرورها مخفي ميكند .

اين سيستم توابع زير را فراهم ميكند:

  • ايجاد سيستم فايل توزيع شده
    سيستم ذخيرهسازي راه دور طوري ساخته شده كه از ديد كلاينت به نظر برسد وسيله ذخيره ساز مستقيما به كامپيوتر متصل است.
  • ايجاد درايوهاي با اندازه غيرواقعي و دلخواه
    در اين سيستم ميتوان چندين ابزار ذخيره سازي را به يكديگر متصل كرده تا از ديد خارجي طوري به نظر برسد كه يك واحد ذخيره سازي است.

برای دانلود رایگان کتاب بر روی لینک کلیک کنید.



dade dar DOS-taliem-ir

داده در(SONET/SDH (DOS

داده در(SONET/SDH (DOS:

ساختار شبکه ی داده در (SONET/SDH (DOS ، ساز و کاری برای انتقال موثر سرویس های یکپارچه ی داده فراهم می آورد. در زیربرخی از مشخصه های DOS آمده است: ۱) تخصیص منعطف پهنای باند را با میزان دقت ۵۰-Mbps فراهم می آورد. ۲) برای گره های میانه به اصلاح نیازی نیست. ۳) با استفاده از GFP ، طرح فریم بندی موثری با سربار کم فراهم می آورد. ۴) می تواند بسته های IP ، فریم های اترنت ، و داده ی با نرخ بیت ثابت و اطلاعات کنترل حمل شده توسط کانال فیبر، FICON، ESCON را جا دهد.بطور ویژه ، ساز وکاری موثر برای انتقال GbE فراهم می آورد که اخیرا بطور گسترده در شبکه های گسترده (WAN) استفاده شده اند. ۵) وجود همزمان خدمات صوتی قدیمی و خدمات داده ی جدید در یم فریم SONET/SDH یکسان. ۶) مدیریت شبکه از طریق SONET/SDH موجود و مدیریت شبکه ی با کیفیت اثبات شده.

DOS از سه فناوری استفاده می کند : روش عمومی فریم بندی (GFP) ، اتصال مجازی ، و طرح تنظیم ظرفیت لینک (LCAS). این فناوری ها توسط ITU-T استاندارد سازی شده اند.

برای خواندن و دانلود کتاب بر روی لینک کیک کنید.

dade dar SONET SDH-taliem-ir

داده در (SONET/SDH(DOS

ساختار شبکه ی داده در (SONET/SDH (DOS ،ساز و کاری برای انتقال موثر سرویس های یکپارچه ی داده فراهم می آورد. در زیر برخی از مشخصه های DOS آمده است: ۱) تخصیص منعطف پهنای باند را با میزان دقت ۵۰-Mbps فراهم می آورد. ۲) برای گره های میانه به اصلاح نیازی نیست. ۳) با استفاده از GFP ، طرح فریم بندی موثری با سربار کم فراهم می آورد. ۴) می تواند بسته های IP ،فریم های اترنت ، و داده های با نرخ بیت ثابت و اطلاعات کنترل حمل شده توسط کانال فیبر ، ESCON ،FICON را جا دهد. بطور ویژه ، ساز وکاری موثر برای انتقال GbE فراهم می آورد که اخیرا بطور گسترده در شبکه های گسترده (WAN) استفاده شده اند. ۵) وجود همزمان خدمات صوتی قدیمی وخدمات داده ی جدید در یک فریم SONET/SDH یکسان. ۶) مدیریت شبکه از طریق SONET/SDH موجود و مدیریت شبکه ی با کیفیت اثبات شده.

DOS از سه فناوری استفاده می کند : روش عمومی فریم بندی (GFP) ، اتصال مجازی ، و طرح تنظیم ظرفیت لینک (LCAS) ، این فناوری ها توسط ITU-T استاندارد سازی شده اند.

برای خواندن و دانلود کتاب بر روی لینک کلیک کنید.

SHABAKEHAYE ATM-taliem-ir

شبکه های ATM

شبکه های ATM برای اولین بار توسط ITU-T و در سال ۱۹۸۷ به عنوان یک ساختار مرجع برای شبکه ی ارائه دهنده سرویس های B-ISDN معرفی و به یک حالت استاندارد تبدیل شد. B-ISDN به عنوان یک شبکه ی پر سرعت که قرار است در آینده نزدیک جایگزین شبکه ی تلفن و سایر شبکه های  داده شود, در نظز گرفته می شود. در واقع این شبکه شبکه ای واحد را برای انتقال صدا , تصویر , و داده فراهم می آورد.شبکه های با ساختار انتقال غیر همزمان در تضاد با شبکه های انتقال همزمان (STM) ( شبکه هایی که پیش از استاندارد سازی ATM مطرح شده اند) هستند و بر اساس سلسله مراتب SONET/SDH ایجاد شده اند.به طور کلی حالت انتقال به معنی تکنیک انتقال اطلاعات از راه دور می باشد.

علی رغم پیشرفت های زیاد فناوری در طراحی و ساخت شبکه های کامپیوتری , اما همچنان انجام عملیاتی ازط قبیل یکپارچه کردن صدا,تصویر,و داده در یک شبکه ی مشترک ,میسر نیست. اخیرا شبکه های ATM که به عنوان یک فناوری کامل شناخته می شوند تا حدی توانسته اند مشکلات موجود را مرتفع کنند. اما لازم به ذکر است که این شبکه ها اساسا در بخش ستوان فقرات این سرویس ها ,مورد استفاده قرار می گیرند.

 

برای دانلود کتاب بر روی لینک کلیک کنید.

bigdata

کاربرد bigdata

در گوشه کنار وب چندوقتی است که در کنار دنیای فناوری اطلاعات داده بزرگ(big data) به چشم میخورد و روز به روز پررنگ نر میشود و کاربردهای بیشتری پیدا می کند.  بیگ دیتا نیروی محرکه اصلی در ظهور تکنولوژی های جدید مانند علم داده و اینترنت اشیا (iot) در عصر دگرگونی دیجیتالی است.

Big Data اصطلاحی رایج است که رشد و در دسترس بودن داده، چه ساختارمند و چه غیرساختارمند، را توصیف می ­کند. Big Data ممکن است به اندازه اینترنت برای کسب ­و­کار – و جامعه – مهم باشد. چرا؟ داده ­های بیشتر به تحلیل ­های دقیق ­تر می ­انجامد. تحلیل ­های دقیق ­تر منجر به تصمیم­ گیری­ های مطمئن بیشتری شده و تصمیمات بهتر، می ­تواند معنای کارایی بیشتر عملیات، کاهش هزینه ­ها و کاهش ریسک­ ها باشد.

در سال ۲۰۰۱، تحلیلگر صنعت، داگ لنی (که اکنون با گارتنر کار می­ کند)، Big Data را به صورت سه V تعریف کرد: حجم (Volume)، سرعت (Velocity) و تنوع (Variety).

کتاب کاربرد داده های بزرگ به شما نشان می دهد که چگونه از شیوه هایی که شرکت های پیشگام برای دستیابی به ابعاد جدید سودآوری به کار میگیرند، استفاده کنید.

 

بیشتر بدانید…

 

 

NoSQL Systems for Big Data Management[taliem.ir]

NoSQL Systems for Big Data Management

ABSTRACT

The advent of Big Data created a need for out-of-the-box horizontal scalability for data management systems. This ushered in an array of  choices for Big Data management under the umbrella term NoSQL. In this paper, we provide a taxonomy and unified perspective on NoSQL systems. Using this perspective, we compare and contrast various NoSQL systems using multiple facets including system architecture, data model, query language,  client API, scalability, and availability. We group current NoSQL systems into seven broad categories: Key-Value,Table-type/Column, Document, Graph, Native XML, Native Object, and Hybrid databases. We also describe application scenarios for each category to help the reader in choosing an appropriate NoSQL system for a given application. We conclude the paper by indicating future research directions.

INTRODUCTION

Until recently, relational database management systems (RDBMS) were the mainstay for managing all types of data irrespective of their  naturally fit to the relational data model. The emergence of Big Data and mobile computing necessitated new database functionality to support applications such as real-time logfile analysis, cross-selling in eCommerce, location based services, and micro-blogging. Many of these applications exhibit a preponderance of insert and retrieve operations on a very large scale. Relational databases were found to be inadequate in handling the scale and varied structure of data. The above requirements ushered in an array of choices for Big Data management under the umbrella term NoSQL . NoSQL (meaning ‘not only SQL’) has come to describe a large class of databases which do not have properties of  traditional relational databases and are generally not queried with SQL (structured query language). NoSQL systems provide data partitioning and replication as built-in features. They typically run on cluster computers made from commodity hardware and provide horizontal scalability.Developing applications using NoSQL systems is quite different from the process used with RDBMS . NoSQL databases require developer-centric approach from the application inception to completion. For example, data modeling is done by the application architector developer, whereas in RDBMS based applications, data architects and data modelers complete the data modeling tasks. They begin by constructing conceptual and logical data models.

چکیده

ظهور داده های بزرگ نیاز به مقیاس پذیری افقی خارج از جعبه برای سیستم های مدیریت داده ایجاد کرد. این در مجموعه ای از گزینه های برای مدیریت داده های بزرگ در زیر اصطلاح NoSQL معرفی شده است. در این مقاله، ما یک طبقه بندی و دیدگاه یکپارچه در سیستم های NoSQL ارائه می دهیم. با استفاده از این دیدگاه، ما سیستم های NoSQL مختلفی را با استفاده از چندین جنبه از جمله معماری سیستم، مدل داده، زبان پرس و جو، API سرویس گیرنده، مقیاس پذیری و قابلیت دسترسی مقایسه می کنیم. ما سیستم های NoSQL فعلی را به ۷ مجموعه گسترده ای تقسیم می کنیم: Key-Value، Table-Type / Column، Document، Graph، XML Bative، Object Native، and Hybrid Databases. ما همچنین سناریوهای کاربردی را برای هر دسته توصیف می کنیم تا به خواننده در انتخاب سیستم مناسب NoSQL برای یک برنامه کاربردی داده شود. مقاله را با نشان دادن مسیرهای تحقیقاتی آینده نتیجه می گیریم.

مقدمه

تا همین اواخر، سیستم های مدیریت پایگاه داده ارتباطی (RDBMS) اصلی برای مدیریت انواع داده ها بود، صرف نظر از اینکه آنها به طور طبیعی به مدل داده های رابطه ای مرتبط بودند. ظهور داده های بزرگ و رایانه های کامپیوتری نیازمند قابلیت پایگاه داده جدید برای پشتیبانی از برنامه های کاربردی مانند تجزیه و تحلیل منطقی در زمان واقعی، فروش متقابل در تجارت الکترونیک، خدمات مبتنی بر مکان، و میکرو وبلاگ نویسی است. بسیاری از این برنامه ها دارای غلبه بر عملیات درج و بازیابی در مقیاس بسیار بزرگ هستند. در ارتباط با مقیاس و ساختار متنوع داده ها، پایگاه های ارتباطی به اندازه کافی ناکافی بودند. الزامات فوق در مجموعه ای از گزینه ها برای مدیریت داده های بزرگ در زیر اصطلاح NoSQL ارائه شده است. NoSQL (به معنی نه تنها SQL) برای توصیف یک کلاس بزرگ از پایگاه های داده ای است که دارای خواص پایگاه های داده های روابط سنتی نیستند و معمولا با SQL query (زبان پرس و جو ساختار یافته) مورد سوال قرار نمی گیرند. سیستم های NoSQL پارتیشن بندی و تکرار داده ها را به عنوان ویژگی های داخلی ارائه می دهند. آنها به طور معمول در کامپیوترهای خوشه ای ساخته شده از سخت افزار کالا اجرا می شوند و مقیاس پذیری افقی را فراهم می کنند. برنامه های توسعه با استفاده از سیستم های NoSQL کاملا متفاوت از فرآیند مورد استفاده با RDBMS هستند. پایگاه داده های NoSQL نیاز به رویکرد توسعه محور از زمان شروع برنامه تا اتمام دارد. به عنوان مثال، مدل سازی داده ها توسط توسعه دهنده نرم افزار معماری انجام می شود، در حالی که در برنامه های مبتنی بر RDBMS، معماران داده ها و مدل سازان داده، وظایف مدل سازی داده را تکمیل می کنند. آنها با ساخت مدل های داده های مفهومی و منطقی شروع می شوند.

Year: ۲۰۱۴

Publisher : IEEE

By :  Venkat N Gudivada, Dhana Rao, Vijay V. Raghavan

File Information: English Language/ 8 Page / size: 163 KB

Download

سال : ۱۳۹۳

ناشر : IEEE

کاری از : Venkat N Gudivada, Dhana Rao, Vijay V. Raghavan

اطلاعات فایل : زبان انگلیسی / ۸ صفحه / حجم : KB 163

 

لینک دانلود

 

Computational Models for Social Network Analysis[taliem.ir]

Computational Models for Social Network Analysis: A Brief Survey

ABSTRACT

With the exponential growth of online social network services such as Facebook and Twitter, social networks and social medias become more and more important, directly influencing politics, economics, and our daily life. Mining big social networks aims to collect and analyze web-scale social data to reveal patterns of individual and group behaviors. It is an inherently interdisciplinary academic field which emerged from  sociology, psychology, statistics, and graph theory. In this article, I briefly survey recent progress on social network mining with an emphasis on understanding the interactions among users in the large dynamic social networks. I will start with some basic knowledge for social network analysis, including methodologies and tools for macro-level, meso-level and microlevel social network analysis. Then I will give an overall  roadmap of social network mining. After that, I will describe methodologies for modeling user behavior including state-of-the-art methods for
learning user profiles, and introduce recent progress on modeling dynamics of user behaviors using deep learning. Then I will present models and algorithms for quantitative analysis on social interactions including homophily and social influence.Finally, I will introduce network structure model including social group formation, and network topology generation. We will introduce recent developed network embedding algorithms for modeling social networks with the embedding techniques. Finally, I will use several concrete examples from Alibaba, the largest online  shopping website in the world, and WeChat, the largest social messaging service in China, to explain how online social networks influence our offline world.

INTRODUCTION

The emergence and rapid proliferation of online social applications and media, such as instant messaging (e.g., Snapchat, WeChat, IRC, AIM, Jabber, Skype), sharing sites (e.g., Flickr, Picassa, YouTube, Plaxo), blogs (e.g., Blogger, WordPress, LiveJournal), wikis (e.g., Wikipedia,  PBWiki), microblogs (e.g., Twitter, Jaiku, Weibo), social networks (e.g., Facebook, MySpace, Ning), scientific networks (e.g., DBLP, ArnetMiner), bring many opportunities for studying very large social networks, at the same time also pose a number of new challenges. From the social perspective, the online social networks already become a bridge to connect our physical daily life with the virtual Web space. Facebook has more than 1.65 billion users and Tencent (the largest social networking service in China) has attracted more than 800 million monthly active QQ users and 700 monthly active WeChat users in 2016.

چکیده

با رشد چشمگیر خدمات آنلاین شبکه اجتماعی مانند فیس بوک و توییتر، شبکه های اجتماعی و رسانه های اجتماعی بیشتر و بیشتر می شود و به طور مستقیم بر سیاست، اقتصاد و زندگی روزمره ما تاثیر می گذارد. معادن بزرگ شبکه های اجتماعی با هدف جمع آوری و تجزیه و تحلیل داده های اجتماعی در شبکه های وب به منظور نشان دادن الگوهای رفتار فردی و گروهی. این یک زمینه علمی بین رشته ای است که از جامعه شناسی، روانشناسی، آمار و نظریه گراف به وجود آمده است. در این مقاله، من به طور خلاصه پیشرفت های اخیر در زمینه معدن شبکه های اجتماعی را با تاکید بر درک تعاملات کاربران در شبکه های اجتماعی پویا بزرگ به طور خلاصه. من با برخی از دانش پایه برای تجزیه و تحلیل شبکه های اجتماعی، از جمله روش ها و ابزار برای تجزیه و تحلیل شبکه های اجتماعی در سطح کلان، مزو و سطح میکرولی، شروع خواهم کرد. سپس یک نقشه کلی از معدن شبکه اجتماعی ارائه خواهم داد. پس از آن، روش هایی برای مدل سازی رفتار کاربر از جمله روش های پیشرفته تر برای یادگیری پروفایل کاربر توصیف خواهم کرد و پیشرفت های اخیر در مدل سازی پویایی رفتارهای کاربر با استفاده از یادگیری عمیق را معرفی خواهم کرد. سپس من مدل ها و الگوریتم های برای تجزیه و تحلیل کمی در تعاملات اجتماعی از جمله homophily و نفوذ اجتماعی را ارائه خواهم کرد. در نهایت، من مدل ساختار شبکه را از جمله تشکیل گروه اجتماعی و تولید توپولوژی توپولوژی معرفی خواهم کرد. ما الگوریتم های تعبیه شده شبکه توسعه یافته اخیر را برای مدل سازی شبکه های اجتماعی با تکنیک های جاسازی معرفی خواهیم کرد. در نهایت، از چندین مثال بنیادی از Alibaba، بزرگترین وب سایت خرید آنلاین در جهان استفاده خواهم کرد و WeChat، بزرگترین سرویس پیام رسانی اجتماعی در چین، برای توضیح اینکه چگونه شبکه های اجتماعی آنلاین در جهان آفلاین ما را تحت تاثیر قرار می دهند.

مقدمه

ظهور و گسترش سریع برنامه های کاربردی و رسانه های آنلاین مانند پیام های فوری (مانند Snapchat، WeChat، IRC، AIM، Jabber، Skype)، به اشتراک گذاری سایت ها (مانند Flickr، Picassa، YouTube، Plaxo)، وبلاگ ها (به عنوان مثال شبکه های اجتماعی (مانند فیس بوک، مای اسپیس، نینگ)، شبکه های علمی (به عنوان مثال، DBLP، ArnetMiner)، بسیاری از فرصت ها برای مطالعه شبکه های اجتماعی بسیار بزرگ، در عین حال، چندین چالش جدید را نیز بوجود می آورند. از دیدگاه اجتماعی، شبکه های اجتماعی آنلاین در حال حاضر تبدیل به یک پل برای ارتباط زندگی روزمره فیزیکی ما با فضای وب مجازی است. فیس بوک بیش از ۱٫۶۵ میلیارد کاربر دارد و Tencent (بزرگترین سرویس شبکه های اجتماعی در چین) بیش از ۸۰۰ میلیون کاربر ماهانه فعال QQ و ۷۰۰ کاربر ماهانه فعال WeChat را در سال ۲۰۱۶ جذب کرده است.

Year: ۲۰۱۷

Publisher : IEEE

By :  Jie Tang

File Information: English Language/ 5 Page / size: 3.43 KB

Download

سال : ۱۳۹۶

ناشر : IEEE

کاری از : Jie Tang

اطلاعات فایل : زبان انگلیسی / ۵ صفحه / حجم : KB 3.43

لینک دانلود