دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Raghunath Nambiar. Meikel Poess
سری: Lecture Notes in Computer Science, 13860
ISBN (شابک) : 3031295757, 9783031295751
ناشر: Springer
سال نشر: 2023
تعداد صفحات: 158
[159]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 10 Mb
در صورت تبدیل فایل کتاب Performance Evaluation and Benchmarking: 14th TPC Technology Conference, TPCTC 2022, Sydney, NSW, Australia, September 5, 2022, Revised Selected Papers به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب ارزیابی عملکرد و معیار: چهاردهمین کنفرانس فناوری TPC، TPCTC 2022، سیدنی، NSW، استرالیا، 5 سپتامبر 2022، مقالات منتخب اصلاح شده نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این کتاب مجموعه مقالات داوری پس از کنفرانس چهاردهمین کنفرانس فناوری TPC در ارزیابی عملکرد و محک زدن، TPCTC 2022 است که در سیدنی، NSW، استرالیا، در 5 سپتامبر 2022 برگزار شد. 5 مقاله کامل اصلاح شده ارائه شده با دقت از 12 مقاله انتخاب شدند. ارسالی ها این کنفرانس بر روی سطوح جداسازی Pick and Mix تمرکز دارد. ملاحظات معیار برای هوش مصنوعی قابل اعتماد و مسئولیت پذیر (پانل)؛ ویژگیهای مقیاسبندی اولیه با TPCx-AI و ابتکارات جدید.
This book constitutes the refereed post-conference proceedings the 14th TPC Technology Conference on Performance Evaluation and Benchmarking, TPCTC 2022, which was held in Sydney, NSW, Australia, on September 5, 2022. The 5 revised full papers presented were carefully selected from 12 submissions. The conference focuses on Pick and Mix Isolation Levels; Benchmarking considerations for Trustworthy and Responsible AI (Panel); Preliminary Scaling Characterization with TPCx-AI and New Initiatives.
Preface TPCTC 2022 Organization Contents Pick & Mix Isolation Levels: Mixed Serialization Graph Testing 1 Introduction 2 Serialization Graph Testing 2.1 Protocol Description 2.2 Algorithmic Adjustments 2.3 Many-Core Optimizations 3 Mixing in the Wild 4 Mixing Theory 4.1 System Model 4.2 Weak Isolation Levels 4.3 Mixing of Isolation Levels 5 Mixed Serialization Graph Testing 5.1 Protocol Design 5.2 Discussion 5.3 Implementation Details 6 Evaluation 6.1 Isolation 6.2 Contention 6.3 Update Rate 6.4 Scalability 7 Conclusion References BoDS: A Benchmark on Data Sortedness 1 Introduction 2 Data Sortedness Metrics 3 Generating (K,L)-Sorted Data 4 The Benchmark on Data Sortedness 5 BoDS in Action 5.1 Raw Ingestion Performance 5.2 Mixed Workload Performance 6 Toward Sortedness Awareness 7 Conclusion References Disaggregated Database Management Systems 1 Introduction 2 Hardware Disaggregation 2.1 Fungible's DPU-Based Disaggregation 2.2 Liqid's Composable Disaggregated Infrastructure (CDI) 3 Memory Disaggregation 4 Disaggregated Database Management Systems 4.1 AlloyDB 4.2 Rockset 4.3 Nova-LSM 5 Future Research Directions References TPCx-AI on NVIDIA Jetsons 1 Introduction 2 Background 2.1 Resource-Aware Machine Learning 2.2 System-on-Chip Devices 2.3 TPCx-AI Benchmark 3 Related Work 4 Experimental Methodology and Setup 4.1 Systems 4.2 Metrics 4.3 Benchmark Suite Modifications 5 Results 5.1 Whole Benchmark Run 5.2 Time-Breakdown per Use Case 5.3 Use Case 8 6 Discussion 6.1 Machine Learning on Jetsons 6.2 TPCx-AI Benchmark for Edge Devices 7 Conclusion References More the Merrier: Comparative Evaluation of TPCx-AI and MLPerf Benchmarks for AI 1 Introduction 2 AI Benchmarking Tools 3 MLPerf AI Benchmarks 3.1 MLPerf Training 3.2 MLPerf Inference 4 TPCx-AI Benchmark 4.1 TPCx-AI Metric 4.2 TPCx-AI Metric Analysis 5 MLPerf vs TPCx-AI 5.1 Scope and Scoring 5.2 Results Review 5.3 Code License 5.4 Cost 5.5 Efficiency Scores 5.6 Accelerators 5.7 When to Use Each Tool 6 Summary and Conclusions References Preliminary Scaling Characterization of TPCx-AI 1 Introduction 2 Related Work 3 TPCx-AI Kit 3.1 Licensing and Setup 3.2 Configuration 3.3 Benchmark Execution 4 Performance Results 4.1 System Under Test (SUT) 4.2 Single-node Implementation 4.3 Multinode Implementation 5 Conclusions and Future Work References 4mbench: Performance Benchmark of Manufacturing Business Database 1 Introduction 2 Description of the Manufacturing Business Based on the 4m Model 3 4mbench 3.1 Database Schema 3.2 Business Case and Dataset Generation 3.3 Test Queries 4 Experimental Study 4.1 Dataset Generation and Loading 4.2 Test Queries 4.3 4mQ.3 on Different Settings 5 Related Work 6 Conclusion A Experiment Configuration A.1 SQL Description of Test Query (4mQ.3) A.2 [DATE] Variable Substitution A.3 Configuration Parameters of PostgreSQL References Benchmarking Considerations for Trustworthy and Responsible AI (Panel) 1 Introduction 2 Current State of AI Benchmarking 3 Deconstructing Trust and Responsibility in AI 4 Metrics for Trust and Responsibility 5 Challenges and Opportunities for Benchmarking Trust and Interpretability 6 Summary and Conclusions References TPCx-AI: First Adopter’s Experience Report 1 TTA 1.1 Background of TTA 1.2 Test Description References New Initiatives in the TPC 1 Introduction 1.1 Venturing into New Benchmark Domains 1.2 TPC's Benchmark Development Model Until 2013 1.3 Express BenchmarksTM, a Benchmark Model for Rapid Benchmark Development 2 TPC Express BenchmarksTM Becoming Reality 3 Big Data Benchmarks 3.1 Virtualization Benchmarks, TPCx-V and TPCx-HCI 3.2 TPCx-IoT 3.3 Enterprise and Express Class Publications 4 TPC Derived Benchmarks 4.1 Initiative to Allow the Use of TPC Benchmark Material in Non-TPC Benchmarks 4.2 TPC's Open Source Initiative 5 TPCx-AITM, First End-To-End AI benchmark Standard 5.1 Allowing Cloud Based Benchmark Publications 6 Conclusion References Author Index