یافتن خوشه هایی با اندازه ها، شکل ها و چگالی های مختلف در داده های نویزدار و با ابعاد بالا

Finding Clusters of Different Sizes, Shapes, and Densities in Noisy, High Dimensional Data

چکیده
1- مقدمه
2- یک تعریف بهتر از شباهت
3- یک تعریف بهتر از چگالی
4- یک الگوریتم خوشه بندی نزدیک ترین همسایه مشترک
5- مطالعات تجربی
6- تحلیل پیچیدگی
7- نتیجه گیری و کار آینده
منابع

چکیده
مساله یافتن خوشه ها در داده ها هنگامیکه خوشه ها با اندازه، شکل و چگالی های مختلف وجود دارند و هنگامیکه داده ها شامل میزان زیادی از داده های آشفته و پرت هستند چالش برانگیز می باشد. بسیاری از این مشکلات مخصوصا هنگامیکه داده ها با ابعاد بسیار بالا، مانند داده های متنی و سری زمانی وجود دارند، حتی قابل توجه تر می شوند. در این مقاله، ما یک تکنیک خوشه بندی جدید را ارائه می کنیم که این مشکلات را حل می کند. الگوریتم ما درابتدا نزدیکترین همسایه های هر نقطه داده را پیدا می کند و سپس شباهت بین هر جفت از نقاط را برحسب تعداد نزدیکترین همسایه ای که در دو نقطه مشترک هستند مجددا تعریف می کند. با استفاده از این تعریف شباهت، ما داده های آشفته و پرت را حذف می کنیم، نقاط محوری را شناسایی می کنیم و سپس خوشه ها را حول نقاط محوری می سازیم. استفاده از یک تعریف نزدیکترین همسایه مشترک شباهت مشکل چگالی متغیر را حل می کند، درحالیکه استفاده از نقاط مرکزی مشکل مربوط به شکل و اندازه را برطرف می کند. به طور تجربی نشان می دهیم که الگوریتم ما بهتر از روش های سنتی (مانند K-میانگین) در انواع مجموعه داده ها، مانند داده های نفوذ شبکه KDD Cup ’99، داده سری های زمانی علوم زمینی NASA و مجموعه نقاط دوبعدی، عمل می کند. درحالیکه الگوریتم ما می تواند خوشه هایی با چگالی بالا را همانند الگوریتم های خوشه بندی دیگر پیدا کند، می-تواند خوشه هایی را که این روش ها نادیده می گیرند، یعنی خوشه هایی با چگالی پایین و متوسط را نیز پیدا کند، که این خوشه ها مهم هستند چونکه آن ها نواحی نسبتا یکنواخت احاطه شده توسط ناحیه های غیریکنواخت یا با چگالی بالاتر را ارائه می کنند. پیچیدگی زمان اجرای تکنیک ما است چونکه ماتریس شباهت باید ساخته شود. اما، تعدادی از بهینه سازی ها را بحث می کنیم که به الگوریتم کنترل مجموعه داده های بزرگ به طور موثر اجازه می دهند. برای مثال، 100000 سند از مجموعه TREC می توانند در یک ساعت در یک کامپیوتر رومیزی خوشه بندی شوند.

3- یک تعریف بهتر از چگالی
در مجموعه داده ها با ابعاد بالا، مفهوم اقلیدسی سنتی چگالی، که تعداد نقاط بر واحد حجم است، بی معنی می باشد. برای دیدن این، فرض کنید که با افزایش تعداد ابعاد، حجم به سرعت افزایش می یابد، و مگر اینکه تعداد نقاط به طور نمایی با تعداد ابعاد افزایش یابد، چگالی به صفر میل می کند. بنابراین، در ابعاد بالا، استفاده از یک روش مبتنی بر چگالی (سنتی) مانند DBSCAN که نقاط محوری را به صورت نقاط در نواحی چگالی بالا و نقاط آشفته را به صورت نقاط در نواحی چگالی پایین تعریف می کند، امکان پذیر نیست (استفاده از DBSCAN امکان پذیر است اگر از چگالی اقلیدسی صرف نظر کنید، یعنی از معیار شباهت مانند معیار کسینوسی به جای فاصله اقلیدسی استفاده کنید).

اما، مفهوم دیگری از چگالی وجود دارد که این مشکل را ندارد، یعنی چگالی احتمال یک نقطه. در روش k نزدیکترین همسایه برای برآورد چگالی چندمتغیره ]2[، اگر یک نقطه همسایه های نزدیک زیادی داشته باشد، آنگاه با احتمال بیشتر در ناحیه ای است که یک چگالی احتمال نسبتا بالایی دارد. بنابراین، هنگامیکه به نزدیکترین همسایه های یک نقطه نگاه می کنیم، نقاطی با تعداد همسایه های نزدیک بیشتر (شباهت بالاتر) در نواحی چگال تری نسبت به نقاطی با همسایه های دورتر (شباهت پایین تر) قرار دارند.

در عمل، ما جمع شباهت های نزدیکترین همسایه های یک نقطه را به صورت یک معیار از این چگالی در نظر می گیریم. هرچه این چگالی بالاتر باشد، احتمال بیشتری دارد که این نقطه یک نقطه محوری یا یک نقطه نماینده باشد. هرچه چگالی پایین تر باشد، احتمال بیشتری دارد که این نقطه یک نقطه آشفته یا پرت باشد. توجه کنید که درحالیکه انگیزه ما شناسایی نقاطی است که بالاترین چگالی احتمال را دارند، از نقطه نظر نموداری، ما در حال شناسایی نقاطی هستیم که قوی ترین پیوندها را دارند. همچنین توجه کنید که چونکه در حال استفاده از یک نمودار SNN به عنوان نقطه شروع هستیم، چگالی های ما متناظر با یک چگالی احتمال دقیق یا قدرت پیوند نیستند، بلکه درعوض متناظر با مقادیری هستند که به یک همسایگی محلی بهنجار شده-اند.

نظارت بر زیرساخت مرکز داده

Data Centre Infrastructure Monitoring

چکیده
مقدمه
1- نتایج بررسی از PRACE
2- حالت پیشرفته
3- تبادل اطلاعات
4- یکپارچه سازی زیرساخت و سیستم های مدیریت منابع HPC
5- توصیه ها
6- نتیجه گیری
منابع

چکیده
هر مرکز داده، مخصوصا یک مرکز HPC، به یک زیرساخت پیشرفته احتیاج دارد که از کار موثر محاسبه و منابع داده پشتیبانی کند. معمولا، محیط پشتیبانی به همان پیچیدگی بخش های دیگر مرکز داده HPC می باشد. محیط پشتیبانی شامل چیلرها، خنک کننده ها، پمپ ها، شیرها، پمپ های حرارتی، سیستم های توزیع برق، UPSها، سیستم-های ولتاژ بالا و پایین، خشک کننده ها و سیستم های تهویه هوا می باشد. تنوع تجهیزات پشتیبانی بسیار زیاد است، حتی زیادتر از زیرساخت IT. این لزوم به جمع آوری، یکپارچه سازی و پایش ابزارها را دیکته می کند. علاوه بر پایش، سیستم های کنترل موجودی باید بخشی از هر مرکز داده باشند. این گزارش خلاصه ای از یک بررسی DCIM جمع-آوری شده از مهمترین مراکز HPC در اروپا، با تحلیل کنترل و پایش پلتفرم های نرم افزاری موجود در بازار با یک ارزیابی از مهمترین کارایی های مدنظر کاربران را فراهم می کند. تحلیل نیازمندی ها و عملکرد بالقوه موجود بوسیله یک مجموعه از توصیه ها خلاصه سازی شد. موضوع حیاتی دیگر سیاست و تعریف رویکردهایی که باید بوسیله مالک و فراهم کننده سرویس مرکز داده برای حفظ توافق نامه سطح خدمات (SLA) اجرا شوند می باشد. قسمت هایی از SLA باید در مدیریت زیرساخت مرکز داده منعکس شوند. جدا از قابلیت اطمینان و دسترس پذیری بالایی که شما برای در نظر گرفتن کمینه سازی هزینه های نگهداری و عملیات احتیاج دارید، سیستم های DCI نیز برای این منظور بسیار مفید هستند. بهترین اطلاعات اقداماتی در هفتیمن کارگاه اروپایی در زمینه زیرساخت های مرکز HPC در گارچینگ آلمان در آپریل 2016 ارائه شد. فهرست توصیه ها و فصل های نتیجه گیری چیزی که باید از سیستم DCIM به خوبی طراحی شذه انتظار داشت را توصیف می کنند.

1- نتایج بررسی از PRACE
پیشرفته ترین فناوری های HPC و نگهداری DC فعلی توسط شرکای PRACE در اروپا ارائه می شوند. این در نتایج جمع آوری شده از یک بررسی پراکنده در سه ماه ابتدایی سال 2016 منعکس شد. نتایج بررسی در هفتمین کارگاه اروپایی در زیرساخت مرکز HPC]1[ در آپریل 2016 ارائه شدند. فناوری مرکز داده استفاده شده در موسسات آکادمیک حداقل در زمینه های اندازه منابع محاسباتی، استفاده انرژی و چگالی و بسیار پیشرفته است. اما اندازه مراکز داده و ظرفیت منابع به نرم افزار پایش اضافی احتیاج دارند.

این بخش شامل اطلاعاتی براساس گزارشات دریافت شده از مراکز داده بزرگ (شرکای میزبان PRACE) و زیرساخت های بزرگ شرکای عمومی PRACE می باشد، که خلاصه خوبی از عملکرد مراکز داده را ارائه می کند. هدف این پرسشنامه جمع آوری اطلاعاتی درباره وضعیت فعلی سیستم های پایش زیرساخت پشتیبانی کننده از کار روزانه در مراکز داده PRACE بود.

در حال حاضر، در مراکز داده HPC، پلتفرم های زیادی وجود دارند که می توانند انتخاب شوند از جمله:
• سیستم تریدیوم JACE- نیاگارا
• سیمنس دسیگو
• گرافیت/گرافانا
• پرونیکس POC (مرکز عملیات قدرت)
• مسداس
• UGM 2040
• دسیگو اینساید
• جانسون کنترولز متاسیس
• سیمنس WinCC
• اسکادا پانوراما
• ویکتور وب IT
• نسخه مرکز داده پایش قدرت خبره استراکشروار

اما، چنین انتخاب سیستم های مدیریت زیادی به این معنی نیست که هر سیستم مدیریت تمام خدمات را فراهم می کند. هر پلتفرم غالبا تنها مسئول قسمتی از زیرساخت های مراکز داده نظارت شده و عملکردهای آن است، برای مثال، ابزارهای مجزایی برای تاسیسات برق و خنک کننده استفاده می شوند. واحدهای سخت افزاری مجزا غالبا توسط زیرساخت های پایش جداگانه ای نظارت می شوند. رایج ترین راه حل سه یا چهار پلتفرم نرم افزاری مستقل استفاده شده برای انواع مختلف تجهیزات می باشد. برای مثال، یک پلتفرم مسئول مبادله گرهای حرارتی (HxB)، تهویه هوا (چیلرها و CRAHها) و ژنراتورها است؛ دیگری مسئول وبکم ها، تلویزیون، حفاظت دربرابر آتش سوزی، کدهای دسترسی در و دیگر امکات امنیتی نصب شده در ساختمان می باشد؛ و پلتفرم سوم مسئول وضعیت حاضر، گزارشات رویدادها، فعالسازی هشدارها و تولید تیکت های مشکل می باشد.

طراحی اکتشاف فضایی شتاب دهنده های FPGA برای شبکه های عصبی کانولوشن

Design Space Exploration of FPGA Accelerators for Convolutional Neural Networks

چکیده
1- مقدمه
2- چارچوب جستجوی ما
3- ارزیابی یک نقطه طراحی
4-آزمایشات
5- کار مرتبط
6-نتیجه گیری
منابع

چکیده
افزایش استفاده از الگوریتم های یادگیری ماشین، مانند شبکه های عصبی پیچشی (CNNها)، باعث می شود که روش شتابدهنده های سخت افزاری بسیار جالب باشد. اما، به سوالی در مورد چگونه طراحی بهتر یک شتابدهنده برای یک CNN مورد نظر، حتی در یک سطح بنیادی هنوز پاسخ داده نشده است. این مقاله این چالش را با فراهم کردن یک چارچوب جدید که می تواند بطور جهانی و دقیق انتخاب های معماری مختلف برای شتابدهنده-های CNN در FPGAها را ارزیابی و جستجو کند رفع می کند. چارچوب جستجوی ما گسترده تر از هر کار قبلی برحسب فضای طراحی است و منابع FPGA مختلف را برای بیشینه سازی عملکرد شامل منابع DSP، پهنای باند حافظه درون تراشه و حافظه بیرون تراشه درنظر می گیرد. نتایج تجربی ما با استفاده از بزرگترین مدل های CNN شامل مدلی که 16 لایه پیچشی دارد کارآمدی چارچوب ما و همچنین نیاز به چنین روش جستجوی معماری سطح بالا برای یافتن بهترین معماری برای یک مدل CNN را نشان می دهد.

2 – چارچوب جستجوی ما
A. مرور شتابدهنده
مدل شتابدهنده ما شامل یک آرایه محاسبه و سه بافر درون تراشه بصورت نشان داده شده در شکل 2 است. یک آرایه محاسبه یک آرایه از عناصر محاسبه است که کم و بیش بلوک های همگن شامل ضرب کننده ها و جمع کننده ها هستند. در این مقاله، از جملات آرایه محاسبه و آرایه MAC استفاده می کنیم. یک آرایه محاسبه محاسبه بدنه حلقه کرنل تعمیم یافته درامتداد برخی ابعاد فضای تکرار را اجرا می کند. مجموعه این ابعاد شکل یک آرایه محاسبه نامیده می شود، که ساختار داخلی آرایه محاسبه را دیکته می کند.

بافرها حافظه های چرک نویس هستند که بطور جزیی یا کامل آرایه های ورودی/خروجی و پارامترهای وزن را ذخیره می کند. اگر بطور جزیی ذخیره شوند، توسط حافظه خارجی پشتیبانی شده (مانند DRAM) و داده ها باید بین بافرها و حافظه خارجی منتقل شوند، که بطور همزمان با محاسبه با توجه به بافرینگ مضاعف اتفاق می افتد. بنابراین یک بافر باید بافردهی مضاعف شود مگر اینکه به پشتیبانی توسط حافظه خارجی نیاز نداشته باشد.

فرض می کنیم که ضرب کننده ها و جمع کننده ها مورد نیاز برای اجرای عملیات بدنه حلقه کرنل با استفاده از بلوک های DSP اجرا می شوند. به همین ترتیب بافرها فرض می شود که با استفاده از بلوک های RAM اجرا می شوند. فرض می کنیم که پهنای باند حافظه بادوام ماکزیمم داده می شود که می تواند بطور تجربی توسط شبیه سازی کنترل کننده حافظه برای زمان کافی طولانی بدست آید.

استخراج و شناسایی بدافزار اندروید بر اساس مجوزها

Mining and Detection of Android Malware Based on Permissions

چکیده
1. مقدمه
2. آثار مرتبط
3. بررسی سیستم
4. طبقه بندی و ارزیابی
5. نتیجه گیری ها
منابع

چکیده
با توجه به توزیع باز اپلیکیشن و وجود بیش از 2 میلیارد کاربر فعال، پلتفرم اندروید کماکان به شکل خام توسط توسعه دهندگان بدافزار به کار گرفته می شود. با توجه به گزارش تهدیداتی McAfee، تعداد گروه های بدافزاری یافت شده در گوگل پلی در سال 2017 تا 30 درصد افزایش داشته است. یکی از مهمترین مکانیزم های محافظتی در برابر بدافزا مدل کنترل دسترسی مبتنی بر مجوز ر است. در این مقاله، مدل جدیدی را که مبتنی بر مجوز را ارائه می کنیم که از مزایای مدل می توان به کارایی و دقت بالا در تشخیص و آنالیز بدافزار اندروید اشاره نمود، همچنین قابلیت بالقوه در شناسایی بدافزار ناشناس قبلی را دارد. در این مدل، انتخاب مشخصه را با معرفی یک روش وزنی جدید به نام TF-IDFCF بهبود می بخشیم که مبتنی بر فرکانس کلاس مشخصه است. نتایج آزمایشات نشان می-دهد که روش ارائه شده دارای نرخ تشخیص بیش از 95.3% با نرخ مثبت کاذب پایین در زمان تست و بررسی با طبقه بندی کننده ها است.

2. آثار مرتبط
با استفاده از ویژگی های مربوط به مجوز تحقیقات زیادی در مورد طبقه بندی بدافزار اندروید انجام می شود. برخی از آثار مربوط به تشخیص بدافزار مبتنی بر مجوز اشاره می شود.

X. Lin و J.Lin چارچوبی را ارائه می کنند که هر دو مجوز درخواست شده و استفاده شده در اپلیکیشن های اندروید را در نظر می گیرد [4]. چارچوب دو تشخیص لایه بندی شده بدافزار است و تکنیک های یادگیری ماشین را به منظور رسیدن به دقت بالا استفاده می کند که این با پتانسیل تشخیص اپلیکیشن های بدافزار اندروید مبتنی بر مجوز همراه است. پ. روولی بهمراه وای ویگفاسن یک معماری ساده سرور- مشتری از سیستم تشخیص بدافزار مبتنی بر مجوز را ارائه می کنند که مجوزهای درخواست شده را چون نشانگرهای رفتاری می بیند [5]. سیستم دارای بخش های بررسی کننده مجوز جانب- مشتری و جانب- سرور است. بخش سمت – مشتری مجوزها را از اپلیکیشن های اندروید استخراج می کند و آنها را به بخش سمت- مشتری ارسال می کند. بخش جانب- مشتری اپلیکیشن ها را همچون بدافزار یا بی خطر طبقه بندی می کند. زد. آنگ و و. ژاو ماشین یادگیری مبتنی بر چارچوب را برای تشخیص اپلیکیشن های مخرب و بهبود امنیت در اندروید مبتنی بر کاربران دستگاهای تلفن همراه ارائه می کنند. این چارچوب مشخصات مختلف مبتنی بر مجوز استخراج شده از اپلیکیشن های اندروید را مونیتور می-کند و یادگیری ماشین را استفاده می کند تا اپلیکیشن ها را در دسته های مخرب و بی خطر طبقه بندی کند. سیستم بهره اطلاعاتی را بعنوان روش انتخاب مشخصه استفاده می کند. آنها مجوزهای بیشتری از اپلیکیشن های مختلف دانلود شده از نشانگرهای اندروید استخراج می کنند تا مدل را تولید کنند. زد. ژیائویان و اف. ژوان سیستم شناسایی بدافزار را ارائه می کنند که فعالیت اپلیکیشن دستگاه تلفن همراه را آنالیز می کند [7]. ویژگی ها استخراج شده روش آنالیز جزء اصلی را چون انتخاب مشخصه استفاده می کند و روش ماشین بردار پشتیبان به منظور آموزش و ساخت طبقه بندی کننده برای تشخیص بدافزار به کار گرفته می شود. با مشارکت کاربران دستگاه های تلفن همراه مبتنی بر اندروید، این چارچوب قادر به طبقه بندی کردن اپلیکیشن های اندروید در دسته های مخرب و بی خطر است. د. آرپ، ام. اشپریزنبارث، ام. هابنر، اچ. گاسکون، ک. ریک، و سی. سایمنز تاکید بر استفاده از روش تشخیص بدافزار اندروید دارند که قابلیت تشخیص اپلیکیشن های بدافزار در گوشی های هوشمند را اجرا می کند [8]. رویکرد از طریق جمع آوری تمامی ویژگی های احتمالی APK اندروید، آنالیز مربوط به استاتیک صفحه را انجام می دهد. این روش کل مشخصات را در فضای برداری مشترک جاسازی می کند و اپلیکیشن های مخرب را بطور خودکار شناسایی می کند. از مزیت های این رویکرد می توان به بهره وری زمان در آنالیز اپلیکیشن های ناشناخته اشاره کرد. روش را می توان بصورت مستقیم روی دستگاه های تلفن همراه استفاده کرد، و عمل محفاظت از راه-اندازی در برابر منابع غیرمطمئن اجرا می شود. عافر و همکاران مطالعه را از طریق آنالیز بدافزار برای استخراج مشخصات مربوط به بدافزار و رفتار انجام شده در سطح API انجام می دهند، آنها طبقه بندی کننده های یادگیری ماشین سبک- وزن و قدرتمند را با استفاده از مجموعه داده ها آموزش می دهند، داده ها از مجموعه ویژگی های بهره برداری شده حاصل می شود [9]. نتایج تجربی آنها به کمک طبقه بندی کننده KNN نشان از یک TPR با 99% و 2.2% است.

تاب خوردگی زمانی پویا عمیق کننده تکراری برای سری های زمانی

Iterative Deepening Dynamic Time Warping for Time Series

1. مقدمه
2. پس‌زمینه
3. روش جدید: انحراف زمانی پویای عمیق تکراری
3-1. کاهش ابعاد
4. ارزیابی تجربی
5. کارهای مربوطه
6. نتایج و کار آتی
منابع

1. مقدمه
سری‌های زمانی، شکل فراگیری از داده‌ها هستند که تقریباً در هر رشته علمی و کاربردهای تجاری اتفاق می‌افتد. اخیراً کارهای بسیاری در زمینه سازگاری الگوریتم‌های داده‌کاوی با پایگاه داده‌های سری زمانی انجام شده است. به عنوان مثال، داس و همکاران برای نشان دادن چگونگی آموختن قوانین ترکیبی سری زمانی تلاش کردند [7]. دبرگاس و هبریل در [8]، تکنیکی برای مقیاس‌گذاری الگوریتم‌های خوشه‌بندی سری زمانی در مجموعه داده‌های گسترده ارائه کردند. کغ و پازانی الگوریتم طبقه‌بندی سری زمانی جدید مقیاس‌پذیر را معرفی کردند [16]. تقریباً همه الگوریتم‌هایی که بر روی داده‌های سری زمانی کار می‌کنند، باید شباهت بین آنها را محاسبه کنند. فاصله اقلیدسی یا برخی از پسوندها یا اصلاحات آن به طور معمول مورد استفاده قرار می‌گیرد. با این وجود، همان‌طور که در بخش 2-1 نشان خواهیم داد، فاصله اقلیدسی ممکن است در اندازه‌گیری فاصله بسیار ناپایدار باشد.

دلیل اینکه فاصله اقلیدسی ممکن است نتواند ارزیابی بصری صحیحی از شباهت بین دو بخش ایجاد کند، این است که به انحرافات کوچک در محور زمان بسیار حساس است. شکل 1-A را در نظر بگیرید، دو دنباله تقریباً شکل کلی یکسانی دارند اما اشکال در محور زمان تراز نیستند. تراز غیرخطی نشان داده شده در شکل 1-B باعث میشود که اندازه فاصله بصری بیشتری محاسبه شود.

روشی که این امکان را برای تغییر الاستیک محور X فراهم می‌کند به منظور تشخیص اشکال مشابه با فازهای مختلف می‌باشد. چنین روشی مدتهاست که در جامعه پردازش گفتار شناخته‌شده است [26 و 29]. روش انحراف زمان پویا (DTW) توسط برند و کلیفورد به جامعه داده‌کاوی معرفی شد [4]. اگرچه آنها کاربرد این روش را نشان دادند اما اذعان کردند که پیچیدگی زمانی الگوریتم یک مشکل است و «… ممکن است عملکرد آن در بانک‌های اطلاعاتی بسیار بزرگ محدودیت باشد». با وجود ایراد روش انحراف زمان پویا، هنوز هم در زمینه‌های مختلف مورد استفاده گسترده قرار می‌گیرد. در بیوانفورماتیک، آچ و چورچ با موفقیت از روش انحراف زمان پویا در بیان داده‌های RNA استفاده کردند [1]. در مهندسی شیمی از آن برای هماهنگ‌سازی و نظارت بر فرآیندهای دسته‌ای در پلیمریزاسیون استفاده شد [14]. از روش انحراف زمان پویا با موفقیت برای تراز کردن داده‌های بیومتریک، مانند راه رفتن، امضاها و حتی اثر انگشت استفاده شد [11، 14، 22، 19]. محققان متعددی از جمله وولینگز و همکاران [30] و کیانی و همکاران [5]، استفاده از روش انحراف زمان پویا را برای تطبیق الگوی ECG نشان دادند. سرانجام در رباتیک، اوتس و همکاران نشان دادند كه روش انحراف زمان پویا را می‌توان براي خوشه‌بندي خروجي‌هاي حسي عامل مورد استفاده قرار داد [23].

2. پس‌زمینه
در این بخش با سه تجربه داده‌کاوی اصلی بر کاربرد انحراف زمان پویا متمرکز می‌شویم. برای تکمیل، الگوریتم انحراف زمان پویا کلاسیک را مرور می‌کنیم.

2-1. انحراف زمان پویا با فاصله اقلیدسی
اگرچه کاربرد انحراف زمان پویا به طور گسترده در بسیاری از حوزه‌ها نشان داده شده است [1، 5، 11، 14، 22، 23، 29 و 30]، برای تکمیل مثال‌های جالب مختصری در اینجا ارائه می‌دهیم. به طور خاص، متداول‌ترین سه وظیفه داده‌کاوی، دسته‌بندی، خوشه‌بندی و کشف قواعد متناظر، را در نظر می‌گیریم. در هر مثال، انحراف زمان پویا را با فاصله اقلیدسی که معمولاً بیشتر برای مقایسه اندازه فاصله برای سری‌های زمانی استفاده می‌شود، مقایسه می‌کنیم [2، 7، 8، 10 و 15].

2-1-1. دسته‌بندی
کارهای زیادی درباره دسته‌بندی سری‌های زمانی وجود دارد. چارچوب متداول پایگاه داده، سیلندر- بل- فونل است، این پایگاه داده ترکیبی در [28] معرفی و در [21، 13 و 9] و غیره مورد استفاده قرار گرفت. پایگاه داده شامل 3 دسته مسأله است، با دسته‌هایی که با استفاده از معادلات زیر تولید می‌شوند

راز به دست آوردن قلب مشتریان با هوش مصنوعی: هوش انسانی را اضافه کنید

The Secret to Winning Customers’ Hearts With Artificial Intelligence: Add Human Intelligence

مقدمه
هوش مصنوعی دیگر برای مشتریان بیگانه نیست
مزایای انسان مانند هوش مصنوعی برای مشتریان مفید است
مصرف کنندگان در طراحی هوش مصنوعی خواهان شفافیت هستند
مشتریان می خواهند از حضور انسان اطمینان داشته باشند
نکات ظریف در رابطه با ترجیحات مشتریان در بسیاری از سازمان مورد توجه قرار نگرفته است
اطمینان از رفع نگرانی های اساسی مشتریان برای نوآوری های هوش مصنوعی
تبدیل کردن هوش مصنوعی به یک اولویت راهکاری
مقیاس کردن ارتباطات حاصل از هوش مصنوعی به صورت جهانی
آگاه نگاه داشتن مشتریان
ایجاد انگیزه برای تشویق به استفاده بیشتر از ارتباطات حاصل از هوش مصنوعی
نتیجه گیری
بحث گروه تمرکز
منابع

مقدمه
هوش مصنوعی (AI) برای مشتریان تجربه ای خوشایند را فراهم نمی کند. سازمان ها به صورت فزاینده ای ربات های گفتگویی را به منظور فراهم کردن خدمات برای مشتریان مورد استفاده قرار می دهند. فرودگاه های سراسر جهان در اندرویدهای موبایلی سرمایه گذاری می کنند که در زمینه مسیرها به مسافران یاری می رسانند. هتل ها در کنترل های اتاق ها از دستیارهای صوتی استفاده می کنند. روبات گفتگوی اجتماعی مایکروسافت در چین، Xaiolce، در حال حاضر بیش از 200 میلیون کاربر دارد، که پس از گذشت 10 ماه از راه اندازه ای آن 600.000 تماس انجام شده است.

چگونگی مشارکت مصرف کنندگان با کسب و کارها بطور چشمگیری در حال تکامل است. همانطور که در تحقیقات پیشین در مورد پرونده های استفاده از AI مشاهده کردیم، سازمان ها از این فناوری برای دستیابی به مجموعه ای از اهداف کاری استفاده می کنند، شامل: تاثیر گذاشتن روی فروش، سرعت بخشیدن به عملیات ها، ایجاد تعامل با مشتری ، و جمع آوری دیدگاه ها. به طور خاص به منظور درک اثر AI روی تجربه مشتریان، این تحقیق جهانی را انجام داده ایم:

• هدف: کشف چگونگی درک مشتریان از AI و اینکه تصور می کنند کدامیک از تعاملات از سوی انسان ها نسبت به AI و ترکیبی از AI و انسان ها، بهتر انجام خواهند شد.

• رویکرد: ممکن است که مصرف کنندگان از چگونگی استفاده از اطلاعاتشان برای AI و هنگامی که به جای یک انسان با یک رباط گفتگو ارتباط برقرار می کنند آگاهی نداشته باشند. بنابراین، به منظور اطمینان، ما اطلاعات دریافتی از سوی 10.000 مشتری را مورد بررسی قرار داده، و اطمینان حاصل کردیم که تعاریف ما بسیار شفاف بوده و مشتریان موقعیت های متفاوتی را درک کرده که در آن AI به عنوان یک مورد تعاملاتی و یا به عنوان یک وسیله مورد استفاده قرار گرفته است. ما همچنین بیش از 500 نفر از مدیران سازمان های پیشرو را علاوه بر انجام بحث های گروه متمرکز با مصرف کنندگان ، و مصاحبه با کارشناسان صنعت و دانشگاهیان بررسی کردیم. روش تحقیق در انتهای این گزارش جزئیات بیشتری را ارائه می کند. ما متوجه شدیم مشتریان به صورت فزاینده ای در حال آگاهی پیدا کردن از استفاده از AI توسط سازمان ها هستند، مشتریان آن را دوست داشته و به درک بیشتری از زمان و چگونه استفاده از آن در کنار انسان ها دست یافته اندن. در این گزارش، ما:

1. به بررسی دیدگاه مشتریان در رابطه با AI و انتظارات آن ها از سازمان در زمان ارتباط از طریق یک AI پرداختیم.
2. به ارزیابی چگونگی استفاده از AI توسط سازمان ها در زمینه تجربه مشتریان پرداخته و هنگامی به هدف و انتظارات مشتریان درست پیدا نمی کنند.
3. راهکارهای پیشنهادی برای تقویت تجربه مشتری در جهان AI.
55 درصد از مشتریان ترجیح می دهند تا با ترکیبی از AI و انسان گفتگو کنند.

مزایای انسان مانند هوش مصنوعی برای مشتریان مفید است
آنچه که مشتریان از هوش مصنوعی می خواهند به صورت فزاینده ای در حال مشخص تر شدن است. مشتریانی که از ویژگی های انسانی اطمینان دارند 64 درصد بوده و تمایل دارند که هوش مصنوعی بیشتر مانند انسان ها باشد، و 62 درصد با صدای انسان مانند و هوش آن احساس راحتی می کنند، به بیان دیگر، توانایی انجام یک مکالمه منطقی، پاسخ دادن به سوالات بعدی، ارائه اطلاعات اضافی، و غیره (شکل 2). با این حال، مشتریان همچنین نگران بوده و می خواهند سازمان ها هنگامی که آن ها با یک ماشین ارتباط برقرار می کنند شفاف سازی کنند.

یک شرکت کننده در گروه تمرکز ایالات متحده ما عنوان کرد: «من تصور می کنم اگر صدای آن اندکی بیشتر انسانی و واقعی بود بهتر بود . . . [اما] هنوز هم می خواهم زمانی که با یک ماشین صحبت می کند آگاه شوم».

انریکو ماریا باگناسکو ، رئیس نوآوری های فناوری در تلکام ایتالیا اظهار می کند: «یک ترس منطقی وجود دارد که اگر مکالمه به اندازه کافی طبیعی نباشد، مردم همواره عوامل مجازی را کنار گذاشته و به دنبال یک عامل انسانی خواهند گشت. این برای پروژه یک شکست خواهد بود. بنابراین، انتظارات برای یک ارتباط خوب و طبیعی نسبتاً بالا هستند، تا مشتریان با ربات احساس راحتی کنند.»

آینده بلاک چین برای امنیت اینترنت اشیا: یک مقاله موقعیت

A blockchain future for internet of things security: a position paper

چکیده
1. مقدمه
3. بحث و بررسی
4. زنجیره‌ی بلوکی برای IoT
5. آینده‌ای با زنجیره‌ی بلوکی؟
منابع

چکیده
دستگاه‌های اینترنت اشیا به‌طور فزاینده‌ای در زمینه‌های غیرنظامی و نظامی، از شهرهای هوشمند و شبکه‌های هوشمند گرفته تا اینترنت پزشکی اشیا ، اینترنت رسانگرها ، اینترنت نظامی اشیا ، اینترنت میدان نبرد اشیا و غیره، دیده می‌شوند. در این مقاله به بررسی و مرور مقالاتی در زمینه‌ی راه‌حل‌های امنیتی IoT پرداخته‌ایم که از ژانویه‌ی سال 2016 به زبان انگلیسی چاپ شده‌اند. از مشاهدات ما، عدم وجود مجموعه‌داده‌های IoT با دسترسی عمومی، جهت استفاده در جوامع تحقیقاتی و شغلی است. با توجه به ماهیت حساس بالقوه‌ی مجموعه‌داده‌های IoT، نیاز به تدوین و توسعه‌ی استاندارد اشتراک‌گذاری مجموعه‌داده‌های IoT میان جوامع تحقیقاتی و شغلی و سایر ذینفعان احساس می‌شود. بنابراین، ابتدا به پتانسیل فن‌آوری زنجیره‌ی بلوکی در تسهیل امنیت اشتراک‌گذاری مجموعه‌داده‌های IoT (مثلاً استفاده از زنجیره‌ی بلوکی برای اطمینان از یکپارچگی مجموعه‌‌داده‌های به اشتراک گذاشته شده) و امن کردن سیستم‌های IoT، قبل از ارائه‌ی دو روش مفهومی مبتنی بر زنجیره‌ی بلوکی پرداخته‌ایم. در انتهای این مقاله، 9 سوال تحقیقاتی بالقوه ارائه کرده‌ایم.

2. بررسی و مرور IoT موجود و روش‌های امنیتی مربوطه
2.1. روش‌های شناسایی و پیشگیری از نفوذ
طراحان بدافزار امروزی و مهاجمین سایبری خلاق و نوآور بوده و به‌طور مداوم به‌دنبال دور زدن اقدامات موجود هستند (برای مثال، تولید نسخه‌های مختلف بدافزار با استفاده از جهش ). اکثر روش‌های IDS و IPS موجود برای شناسایی تلاش‌های دسترسی غیرمجاز و حملات محروم‌سازی از سرویس توزیع‌شده طراحی شده‌اند. به‌عنوان مثال، آل‌سونبول و همکاران [11] یک سیستم دفاعی شبکه برای شناسایی و پیشگیری از تلاش‌های دسترسی غیرمجاز، با تولید پویای پروتکل جدید جهت جایگزینی پروتکل استاندارد ارائه کرده‌اند. هدف این امر، مغشوش کردن تلاش‌های پویش است. همچنین مسیر شبکه متناوباً برای جلوگیری از دسترسی غیرمجاز و پویش ترافیک تغییر می‌کند. با این حال، تعداد بسته‌های تولیدی می‌تواند بیش از حد باشد. در روش زیتا ، نرودا و وویتک [19]، از رزپری ‌پای 3 برای امن کردن بازخوان‌های سامانه‌ی بازشناسایی با امواج رادیویی فرکانس‌ فرابالایی استفاده شده که از پروتکل بازخوان سطح‌پایین استفاده می‌کنند. به‌طور خاص، دو نرم‌افزار Fail2ban و سوریکاتا به‌دلیل عملکرد و مقیاس‌پذیری بالا به‌عنوان راه‌حل انتخاب شدند. Fail2ban از معماری پیچیده پشتیبانی می‌کند؛ بنابراین، مناسب پیاده‌سازی در محیط ابری با حسگرها و سرورهای متعدد است. عملکرد سوریکاتا بهتر از اسنورت بوده و پردازش چندریسمانی مورد نیاز CPU چندهسته‌ای رزبری پای 3 را فراهم می‌کند. پارک و آن [50] شناسایی و عملکرد اسنورت و سوریکاتا را هنگام مواجهه با حملات DoS را تحلیل و مقایسه کرده و نتیجه گرفتند مصرف CPU اسنورت کمتر است. هرچند، سوریکاتای چندریسمانی عملکرد شناسایی تک‌هسته‌ای و چندهسته‌ای بهتری دارد.

در ادامه به بررسی سامانه‌های شناسایی و/یا پیشگیری از نفوذ پرداخته‌ایم. برای سادگی از IDPS جهت ارجاع به سامانه‌های شناسایی و/یا پیشگیری از نفوذ استفاده شده است.

2.1.1. طبقه‌بندی بر اساس روش‌ها
رمزنگاری یک روش رایج است که برای تامین محرمانگی و یکپارچگی داده، همانند روش‌های امنیتی چندلایه‌ای گزارش شده در [27، 32]، استفاده می‌شود. به‌طور خاص، چانگ و راماچاندران [27] یک راه‌حل امنیتی چندلایه برای محاسبات ابری پیشنهاد داده‌اند. اولین لایه‌ی امنیتی، دیوار آتش و کنترل دسترسی است که برای اطمینان از دسترسیِ تنها کابران مجاز و معتبر به سیستم‌ها و داده‌ها، طراحی شده است. وظیفه‌ی لایه‌ی دوم، مدیریت هویت و پیشگیری از نفوذ، جهت شناسایی مجدد کاربران و حذف تمامی پرونده‌های مخرب شناسایی شده، است. لایه‌ی سوم رمزنگاری همگرا است که یک خط‌مشی امنیتی از بالا به پایین را ارائه می‌دهد. برای ارزیابی روش پیشنهادی، نویسندگان آزمایش نفوذ روی 10 پتا‌بایت داده از مراکز داده انجام داده‌اند. با توجه به نتایج آزمایش، زمان مورد نیاز برای بازیابی بعد از تلاش دسترسی غیرمجاز حداقل 125 ساعت است. مککائوئی و همکاران [32] یک مدل امنیتی و حفظ حریم شخصی ابری چندلایه ارائه کرده‌اند که شامل پنج لایه است: لایه‌ی امنیت فیزیکی و محیطی ، لایه‌ی امنیتی زیرساخت ابری ، لایه‌ی امنیتی شبکه ، لایه‌ی داده و لایه‌ی کنترل دسترسی و مدیریت امتیاز .

بهینه سازی چند هدفه با استفاده از الگوریتم های تکاملی: مطالعه موردی مقایسه ای

Multiobjective Optimization Using Evolutionary Algorithms A Comparative Case Study

چکیده
1- مقدمه
2- الگوریتم‌های تکاملی چندهدفه
3- مسئله کوله‌پشتی
4- آزمایش‌ها
5- نتیجه‌گیری و چشم‌انداز آتی
منابع

چکیده
از سال 1985 چند روش تکاملی برای بهینه‌سازی چندهدفه توسعه یافته است که قادر به یافتن چند راه‌حل در یک دور اجرا (run) هستند. با این حال، اکثر مطالعاتِ مقایسه‌ای که در دسترس هستند، به صورت کیفی بوده و محدود به دو روش اصلی می‌شوند. در این مقاله یک مقایسه گسترده و کمّی عرضه شده است که از 4 الگوریتم‌ تکاملی چندهدفه برای مسئله 1/0 کوله‌پشتی (knapsack problem) استفاده می‌کند.

2- الگوریتم‌های تکاملی چندهدفه
مروری جامع بر الگوریتم‌های تکاملی در بهینه‌سازی چندهدفه در مقاله‌ای از فونسکا و فلمینگ صورت گرفته‌ است. نویسندگان این مقاله چند روش تکاملی را بررسی کرده‌اند که شامل روش‌های انباشت ساده، روش‌های جمعیتی غیرپارتو و روش‌های مبتنی بر پارتو می‌شود. همچنین روش‌های استفاده از القای همسایگی (niche) نیز آورده شده‌اند.

روش‌های انباشتی به ترکیب‌کردن اهداف درون یک تابع نردبانی بالاتر مشغول‌اند که برای محاسبات شایستگی (fitness) از آنها استفاده می‌شود. این روش‌ها یک راه‌حل منفرد (single) فراهم می‌آورند و نیازمند داشتن دانش عمیقی هستند که معمولاً دردسترس نیست. روش‌های جمعیتی غیرپارتو قادر هستند تا راه‌حل‌های غیرمغلوبی را به صورت موازی پیدا کرده و بنابراین جمعیت اساساً برای راه‌حل‌های غیرمغلوب کنترل می‌شود. اما برعکس روش‌های پارتو، روش‌های جمعیتی غیرپارتو از مفهومِ غلبه (dominance) پارتو به طور مستقیم استفاده نمی‌کنند. الگوریتم‌های تکاملی پارتو، راه‌حل‌ها را بر اساس رابطه > مقایسه می‌کنند تا احتمالِ تولیدمثل هر فرد را محاسبه کنند. اولین بار این نوع مسئله شایستگی را گلدبرگ پیشنهاد داد.

از آنجایی که حفظ‌کردن تنوع موضوع مهمی در حوزه بهینه‌سازی چندحالته است، بسیاری از الگوریتم‌های تکاملی چندهدفه شامل تکنیک‌های نیچینگ (قرارگرفتن در همسایگی) می‌شود و بیش از همه از روشِ اشتراک‌گذاریِ شایستگی استفاده می‌شود. به اشتراک‌گذاشتن شایستگی (Fitness sharing) بر مبنای این ایده است که افراد حاضر در یک محیط خاص، باید منابع دردسترس را با یکدیگر شریک شوند. همانطور که در طبیعت نیز چنین است. بنابراین، شایستگی یک فرد معین به این نحو تعیین می‌شود که هرچه آن فرد بیشتر تضعیف شود، افراد بیشتری در همسایگی او قرار می‌گیرند. همسایگی بر اساس معیار فاصله سنجیده می‌شود و با شعاع همسایگی σshare نشان داده می‌شود. به اشتراک‌گذاشتن هم می‌تواند در فضای ژنوتیپ و هم در فضای فنوتیپ (شرایط محیطی) روی دهد.

خانواده مدل Oracle Database Appliance X7-2: مدیریت پایگاه داده ORACLE با یک سیستم ساخته شده برای هدف

Oracle Database Appliance X7-2 Model Family: MANAGING ORACLE DATABASE WITH A PURPOSE BUILT SYSTEM

مقدمه
تجهیزات پایگاه داده اوراکل – تاریخچه‌ای از موفقیت‌های اثبات شده
خانواده مدل X7-2 از تجهیزات پایگاه داده اوراکل- سیستم‌های مهندسی شده اوراکل در دسترس برای هر سازمانی است
سهولت در پیاده‌سازی، مدیریت و پشتیبانی
سهولت در پیاده‌سازی
سهولت در مدیریت و پشتیبانی
یک راه‌حل پایگاه داده مهندسی شده، بهینه‌سازی شده
سرور
شبکه‌سازی
دخیره‌سازی یا انباره
نرم افزار
نرم‌افزار مدیر تجهیزات و سیستم عامل اوراکل
مجوز‌دهی نرم‌افزار پایگاه داده اوراکل
مجازی‌سازی
یکی از مزایای استفاده از تجهیزات پایگاه داده اوراکل مقرون به صرفه بودن آن است
صرفه‌جویی در هزینه های عملیاتی
موارد استفاده رایج
سیستم پایگاه داده ساده، بهینه‌سازی شده و مقرون به صرفه
پلت‌فرم پایگاه‌داده برای محیط‌های رو به رشد
تقویت پلت‌فرم برای پایگاه داده و برنامه‌های کاربردی
استقرار شعب دفتری از راه دور
تدارک سریع محیط‌های آزمایش و توسعه
ادغام با ابر اوراکل
نتیجه‌گیری

مقدمه:
تجهیزات پایگاه داده اوراکل در سال 2011 معرفی شد که در حقیقت یک سیستم مهندسی شده از سوی اوراکل است که ساده‌سازی و بهینه‌سازی شده است و همچنین مقرون به صرفه است. از آغاز تا انتهای پنج نسل از تجهیزات پایگاه داده اوراکل، استقرار پایگاه داده اوراکل در انواع مختلف سناریوها برای مشتریان بسیار محبوب بوده است.

آخرین نسل از مجموعه تجهیزات پایگاه داده اوراکل با X7-2S و X7-2M و X7-2-HA به‌روزرسانی شده است. خانواده مدل X7-2 از تجهیزات پایگاه داده اوراکل پایین‌ترین قیمت سخت‌افزاری برای یک سیستم مهندسی شده اوراکل را پیشنهاد می‌دهد و X7-2S دارای قیمتی در حدود یک چهارم قیمت X7-2-HA است. در ترکیب با مجوزدهی نرم‌افزاری پایگاه داده اوراکل انعطاف‌پذیر، خانواده مدل X7-S از تجهیزات پایگاه داده اوراکل سیستم‌های مهندسی شده اوراکل را در هر سازمانی در دسترس قرار می‌دهد.

تجهیزات پایگاه داده اوراکل با اسامی X7-2S و X7-2M و X7-2-HA سبب گسترش دسترسی به تجهیزات پایگاه داده برای پشتیبانی از سناریوهای استقرار و نسخه‌های پایگاه داده‌های مختلف شده است. آنها برای مشتریانی طراحی شده‌اند که نیاز به پایگاه داده‌های تک نمونه‌ای دارند. در حالیکه X7-2-HA به منظور اجرای پایگاه داده‌های خوشه‌ای با خوشه‌های کاربردی حقیقی اوراکل بهینه‌سازی شده است که در آن دسترس‌پذیری بالا مورد نیاز است.

خانواده مدل X7-2 از تجهیزات پایگاه داده اوراکل برای مشتریانی ایده‌آل است که به دنبال اجتناب از پیچیدگی، تنظیم نیازمندی‌ها و هزینه‌های بالاتر از راه‌حل‌های پایگاه داده «خودتان بسازید» هستند. مشتریان هم اکنون می‌توانند از مزایای سیستم‌های مهندسی شده اوراکل استفاده کنند تا بدین شکل هم بودجه مد نظر خود را رعایت کنند و هم نیازمندی‌های خود را برطرف سازند و در عین حال نیز از مزایای یک راه‌حل بهینه‌سازی پایگاه داده با بهترین شیوه‌ها نیز بهره‌مند شوند و از خرده‌فروشان نیز حمایت کنند.

سهولت در پیاده‌سازی، مدیریت و پشتیبانی
سهولت در پیاده‌سازی
مشخصه اصلی تجهیزات پایگاه داده اوراکل سادگی آن است. هر کدام از تجهیزات سیستمی کامل با درنظرگیری نرم‌افزار و سخت‌افزاری هستند که ادغام شده‌اند تا بدین شکل با یکدیگر برای حفظ زمان و بودجه مشتریان کار کنند. برای راه اندازی و استفاده از تجهیزات پایگاه داده اوراکل به سادگی آن را باز کنید، سیم‌های برق را وصل کنید، کابل‌های شبکه را وصل کنید، و به اجرای نصب مدیر تجهیزات اوراکل (Oracle Appliance Manage) بپردازید تا بدین شکل سیستم پایگاه داده کاملا بهینه‌ای داشته باشید. تجهیزات پایگاه داده اوراکل سبب سرعت‌بخشی به زمان به ارزش به عنوان یک مدیر پایگاه داده تکی (DBA) می‌شود و می‌تواند یک پایگاه داده اوراکل به شدت بهینه‌سازی شده را در کمتر از 1 ساعت مستقر سازد.

سهولت در مدیریت و پشتیبانی
تعمیر و نگهداری سیستم‌ها‌ و حفظ به‌روزرسانی تمامی المان‌های نرم‌افزاری مرتبط با آخرین پچ‌ها اغلب یکی از وظایف زمان‌بر و مستعد خطا است که اغلب مدیران با آن مواجه می‌شوند. تجهیزات پایگاه‌داده اوراکل و پچ‌ سازی ساده نرم‌افزار مهندسی شده برای تمامی عناصر فرم‌ویر ، سیستم عامل، مدیریت فضای ذخیره‌سازی و نرم‌افزار پایگاه‌داده از طریق بسته‌های پچ برنامه‌های کاربردی صورت می‌گیرد. این مهم سبب جذف کار حدسی ترکیب و تطابق پچ‌ها برای عناصر مختلف پشته‌های نرم‌افزاری و سخت‌افزاری می‌شود. این مهم خطاهای انسانی را کاهش می‌دهد و در نهایت منجر به مدت از کار افتادگی برنامه ریزی شده کمتر و قابلیت اطمینان بیشتر سیستم می‌شود، علت آن نیز بسته پچ کاملا تست شده‌ای است که می‌تواند به سرعت و با خیالی راحت اعمال شود.

محاسبات ابری

Network Computing

7 1 اصول شبکه های کامپیوتری
7 2 سیستم های کلاینت/سرور
7 3 خوشه ها
7 4 شبکه های ارتباط داخلی
7 5 مثال های خوشه
7 6 رایانش شبکه
7 7 خلاصه فصل
منابع

رشد اینترنت موجب افزایش توجه به رایانش شبکه مقیاس بزرگ شده است که می تواند کل جهان را پوشش دهد. اینترنت گسترده ترین سیستم توزیع شده در جهان است. گره ها در اینترنت ممکن است ایستگاه های کاری تک-پردازنده، ماشین های MIMD حافظه مشترک، ماشین های SIMD موازی حجیم، یا انواع دیگر باشند. لینک ها اتصالات بسته سوئیچ شده TCP/IP و تغییرات پهنای باند با بار، تعداد هاپ ها و فناوری ارتباط اساسی می باشند. هنگامیکه یک گره با گره دیگر ارتباط برقرار می کند، بسته های داده ممکن است از طریق یک لینک بیسیم، کابل فیبر نوری، کابل کواکسیال، خط تلفن دیجیتالی، و غیره ارسال شوند. این لایه های فیزیکی موجب تاخیر و خطا شده که می توانند بوسیله بازانتقال و پیکربندی مجدد دینامیکی لینک های اینترنت تصحیح شوند.

در فصل های قبل، ما سیستم های رایانش شامل واحدهای پردازش چندگانه متصل شده از طریق برخی شبکه های ارتباط داخلی را مطالعه کردیم. دو عامل اصلی وجود دارند که چنین سیستم هایی را متمایز می کنند: واحدهای پردازش و شبکه ارتباط داخلی که آن ها را بهم متصل می کند. یاد گرفتیم که واحدهای پردازش می توانند با استفاده از حافظه مشترک یا روش های تبادل پیام با یکدیگر ارتباط برقرار کنند. در این فصل، ما رایانش شبکه را بحث می کنیم که در آن گره ها کامپیوتر های مستقلی هستند که می توانند از طریق یک سوییچ، شبکه محلی، یا اینترنت بهم متصل شوند. ایده اصلی تقسیم برنامه کاربردی به چندین قسمت نیمه مستقل براساس نوع پردازش مورد نیاز می باشد. گره های مختلف در شبکه می توانند به بخش های متفاوتی از برنامه کاربردی اختصاص داده شوند. این شکل از رایانش شبکه از قابلیت های منحصربه فرد معماری های سیستم متنوع استفاده می کند. برای مثال، بخش SIMD ریزدانه برنامه کاربردی به ماشین SIMD و نمایش گرافیکی و بخش های I/O به یک یا چند ایستگاه کاری تک پردازنده فرستاده خواهند شد. هماهنگی کلی توسط کامپیوتری رومیزی یک شخص انجام می-شود. این همچنین تاحدزیادی منابع بیهوده بالقوه در یک سازمان بزرگ را پوشش می دهد. بنابراین، چرخه های CPU استفاده نشده ممکن است درطول دوره های کوتاه زمانی استفاده شده و منجر به قطاری از فعالیت ها بعد از یک دوره عدم فعالیت می شوند. در ادامه، ما استفاده از فناوری شبکه به منظور ایجاد یک زیرساخت رایانش با استفاده از کامپیوتر های کومودیتی را بحث می کنیم.

7-1-2 اینترنت
اینترنت مجموعه ای از شبکه ها و روترهایی است که یک شبکه مجازی مشارکتی واحد را تشکیل داده و کل جهان را پوشش می دهند. اینترنت متکی بر ترکیب پروتکل هدایت انتقال و پروتکل اینترنت یا TCP/IP می باشد. اکثر ترافیک شبکه با استفاده از بسته های TCP/IP حمل می شود. اینترنت از یک نمونه تحقیقاتی اولیه به بزرگترین محیط ارتباطی در جهان تکامل یافته است. استفاده بسیار زیاد از اینترنت و شبکه جهانی وب (WWW) موجب رشد سریع اینترنت در رایانش انتشار، جستجو و توزیع شده الکترونیکی شده است. جدول 7-1 برخی آمارها درباره 10 کشور اول با بالاترین تعداد کاربران اینترنت توسط آمار جهانی اینترنت (www.internetworldstats.com) را نشان می دهد. همانطور که می توان دید، تنها در ایالات متحده، 71درصد از جمعیت از اینترنت استفاده می کنند. همچنین، نزدیک به 12درصد از مردم جهان از اینترنت استفاده می کنند. با ادعای گلیدر و متکالف، انتطار می رود که تعداد کاربران حتی زیادتر شود.

7-1-3 فناوری های شبکه دیگر
علاوه بر پروتکل TCP/IP رایج، پروتکل ها و ترکیب های پروتکل بسیار بیشتری وجود دارند. برخی از این پروتکل ها بطور خلاصه در زیر ارائه می شوند. شکل 7-1 فناوری های شبکه مختلف و سرعت آن ها در رابطه با طبقه بندی شبکه فراهم شده در بالا را نشان می دهد.

اترنت سریع و اترنت گیگابیت: اترنت سریع (100Base-T) یک LAN پرسرعت است که ارسال یا دریافت داده ها در 100 مگابیت بر ثانیه (100 Mbps) را برای یک کامیپوتر فراهم می کند. نیاز به پهنای باندی که حتی بالاتر از 100 Mbps است موجب توسعه اترنت به 1 Gbps شده است. اترنت گیگابیت (100Base-T) یک انتخاب جذاب برای شبکه های اصلی شرکتی و خوشه های ایستگاه های کاری با عملکرد بالا شده است.