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…
dade dar DOS-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 زیربرخی از مشخصه های DOS آمده است: 1) تخصیص منعطف پهنای باند را با میزان دقت 50-Mbps فراهم می آورد. 2) برای گره های میانه به اصلاح نیازی نیست. 3) با استفاده از GFP ، طرح فریم بندی موثری با سربار کم فراهم می آورد. 4) 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. 5) وجود همزمان خدمات صوتی قدیمی و خدمات داده ی جدید در یم فریم SONET/SDH یکسان. 6) مدیریت شبکه از طریق SONET/SDH موجود و مدیریت شبکه ی با کیفیت اثبات شده.
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: 1) تخصیص منعطف پهنای باند را با میزان دقت 50-Mbps فراهم می آورد. 2) برای گره های میانه به اصلاح نیازی نیست. 3) با استفاده از GFP ، طرح فریم بندی موثری با سربار کم فراهم می آورد. 4) 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. 5) وجود همزمان خدمات صوتی قدیمی وخدمات داده ی جدید در یک فریم SONET/SDH یکسان. 6) مدیریت شبکه از طریق SONET/SDH موجود و مدیریت شبکه ی با کیفیت اثبات شده.
SHABAKEHAYE ATM-taliem-ir

شبکه های ATM

شبکه های ATM برای اولین بار توسط ITU-T و در سال 1987 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.
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 گیر ی­های مطمئن بیشتری شده و تصمیمات بهتر، می ­تواند معنای کارایی بیشتر عملیات، کاهش هزینه ­ها و کاهش ریسک­ ها باشد. در سال 2001، 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.
NoSQL Systems for Big Data Management[taliem.ir]

NoSQL Systems for Big Data Management

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.
Computational Models for Social Network Analysis[taliem.ir]

Computational Models for Social Network Analysis: A Brief Survey

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 forlearning 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.