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: 1st edition نویسندگان: Chen. Min, Chen. Shigang, Xiao. Qingjun سری: Wireless Networks ISBN (شابک) : 9783319473390, 3319837168 ناشر: Springer International Publishing سال نشر: 2017;2018 تعداد صفحات: 0 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 مگابایت
کلمات کلیدی مربوط به کتاب اندازه گیری ترافیک برای داده های شبکه بزرگ: (دسته موضوعی BIC)TJK،(رده موضوعی BIC)UKN،(رده موضوعی BIC)UNH،داده های بزرگ،داده های شبکه بزرگ،(عنوان موضوع BISAC)COM032000،(عنوان موضوع BISAC)COM075000،(عنوان موضوع BISAC)TEC041000،( عنوان موضوع BISAC)TJK، تخمین کاردینالیته، درخت شمارنده، چند بیت مپ مجازی، برنامه ریزی شبکه، اندازه گیری ترافیک شبکه، اندازه گیری ترافیک به ازای هر جریان، تخمین پخش مداوم، (فرم محصول) جلد شومیز/نرم افزار، (طبقه بندی بازاریابی طبیعت اسپرینگر) B، (Springer) Nature Subject Code)SC
در صورت تبدیل فایل کتاب Traffic Measurement for Big Network Data 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 اندازه گیری ترافیک برای داده های شبکه بزرگ 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 چندین روش فشرده و سریع را برای اندازهگیری ترافیک آنلاین دادههای شبکه بزرگ ارائه میکند. چالشهای اندازهگیری ترافیک آنلاین را تشریح میکند، وضعیت میدان را مورد بحث قرار میدهد و یک نمای کلی از راهحلهای بالقوه برای مشکلات عمده ارائه میدهد. نویسندگان مشکل اندازهگیری اندازه هر جریان را برای دادههای شبکه بزرگ معرفی میکنند و یک معماری شمارنده سریع و مقیاسپذیر به نام Counter Tree ارائه میکنند که از یک طرح اشتراک شمارنده دو بعدی برای دستیابی به کارایی حافظه بسیار بهتر و به طور قابلتوجهی دامنه تخمین را افزایش میدهد. برخلاف رویکردهای سنتی به مسائل تخمین کاردینالیتی که یک ساختار داده مجزا (به نام برآوردگر) برای هر جریان اختصاص میدهد، این کتاب با مشاهده همه جریانها با هم به عنوان یک کل مسیر طراحی متفاوتی را طی میکند: هر جریان با یک تخمینگر مجازی تخصیص داده میشود. برآوردگرها فضای حافظه مشترکی دارند. چارچوبی از برآوردگرهای مجازی طراحی شده است تا ایده اشتراکگذاری را در مجموعهای از راهحلهای تخمین کاردینالیتی اعمال کند و به کارایی حافظه بسیار بهتری نسبت به بهترین کار موجود دست یابد. برای نتیجه گیری، نویسندگان در مورد تخمین گسترش پایدار در شبکه های پرسرعت بحث می کنند. آنها یک ساختار داده فشرده به نام بیت مپ چند مجازی ارائه می دهند که می تواند کاردینالیته تقاطع تعداد دلخواه مجموعه را تخمین بزند. با استفاده از بیت مپهای چند مجازی، پیادهسازیای ارائه میشود که میتواند دقت تخمین بالایی را در فضای بسیار تنگ حافظه ارائه دهد. نتایج این آزمایش ها هم متخصصان این رشته و هم دانش آموزان سطح پیشرفته علاقه مند به این موضوع را شگفت زده خواهد کرد. این کتاب با ارائه یک نمای کلی و نتایج آزمایشهای خاص، برای کسانی که تازه وارد اندازهگیری ترافیک آنلاین هستند و متخصصان این موضوع مفید است.
This book presents several compact and fast methods for online traffic measurement of big network data. It describes challenges of online traffic measurement, discusses the state of the field, and provides an overview of the potential solutions to major problems. The authors introduce the problem of per-flow size measurement for big network data and present a fast and scalable counter architecture, called Counter Tree, which leverages a two-dimensional counter sharing scheme to achieve far better memory efficiency and significantly extend estimation range. Unlike traditional approaches to cardinality estimation problems that allocate a separated data structure (called estimator) for each flow, this book takes a different design path by viewing all the flows together as a whole: each flow is allocated with a virtual estimator, and these virtual estimators share a common memory space. A framework of virtual estimators is designed to apply the idea of sharing to an array of cardinality estimation solutions, achieving far better memory efficiency than the best existing work. To conclude, the authors discuss persistent spread estimation in high-speed networks. They offer a compact data structure called multi-virtual bitmap, which can estimate the cardinality of the intersection of an arbitrary number of sets. Using multi-virtual bitmaps, an implementation that can deliver high estimation accuracy under a very tight memory space is presented. The results of these experiments will surprise both professionals in the field and advanced-level students interested in the topic. By providing both an overview and the results of specific experiments, this book is useful for those new to online traffic measurement and experts on the topic.
Front Matter....Pages i-vii
Introduction....Pages 1-9
Per-Flow Size Measurement....Pages 11-45
Per-Flow Cardinality Measurement....Pages 47-76
Persistent Spread Measurement....Pages 77-104