✍🏻شبکه Virtual lan به یک شبکه مجازی گفته می شود که روی سوئیچ ایجاد می شود. هر VLAN که بر روی سوئیچ ایجاد می کنیم ،به عنوان یک شبکه مجزا عمل میکند . و بدین ترتیب برای هر vlan یک broadcast domain جداگانه ایجاد می شود .
➖برای مثال چند VLAN روی یک سوئیچ ایجاد کنیم و به هر کدام شماره پورت هایی اختصاص میدیم وبنابراین هر کدام از این Vlan ها یک Broadcast Domain جداگانه دارند.
✅مزایای Vlan
🔹با Vlan می توان شبکه هایی ایجاد کرد که Broadcast Domain جداگانه دارند. با این کار پهنای باند شبکه افزایش می یابد و در نتیجه شبکه بازدهی و کارایی بالاتری دارد.
🔹با Vlan شبکه ها از امنیت بالاتری برخوردار می شوند.می توان شبکه ها و کاربرانی که اطلاعات حساس تری دارند و نیاز به امنیت بیشتری دارند را از دسترس عموم خارج کنیم.به عنوان مثال آنها را درون یک VLAN مجزا تعریف کرد و مدیریت کردنUser ها اسان میشود.
🔹شبکه سازی کردن با Vlan باعث افزایش امنیت وکارآیی شبکه بدون استفاده ازتجهیزات گرانقیمت می شود.
🔹با VLAN کاربران از لحاظ Physical می توانند بدون اینکه محدود به محدوده جغرافیایی خاصی باشند درهر جایی از شبکه قرار گیرند.
#Network
➖برای مثال چند VLAN روی یک سوئیچ ایجاد کنیم و به هر کدام شماره پورت هایی اختصاص میدیم وبنابراین هر کدام از این Vlan ها یک Broadcast Domain جداگانه دارند.
✅مزایای Vlan
🔹با Vlan می توان شبکه هایی ایجاد کرد که Broadcast Domain جداگانه دارند. با این کار پهنای باند شبکه افزایش می یابد و در نتیجه شبکه بازدهی و کارایی بالاتری دارد.
🔹با Vlan شبکه ها از امنیت بالاتری برخوردار می شوند.می توان شبکه ها و کاربرانی که اطلاعات حساس تری دارند و نیاز به امنیت بیشتری دارند را از دسترس عموم خارج کنیم.به عنوان مثال آنها را درون یک VLAN مجزا تعریف کرد و مدیریت کردنUser ها اسان میشود.
🔹شبکه سازی کردن با Vlan باعث افزایش امنیت وکارآیی شبکه بدون استفاده ازتجهیزات گرانقیمت می شود.
🔹با VLAN کاربران از لحاظ Physical می توانند بدون اینکه محدود به محدوده جغرافیایی خاصی باشند درهر جایی از شبکه قرار گیرند.
#Network
Pythonic AI
Photo
مرکز عملیات شبکه چیست و چگونه دسترس‌پذیری مراکز داده را بهبود می‌بخشد
مرکز عملیات شبکه که در محاوره فنی "اِن اُ سی" یا "ناک" نیز نامیده میشود، یک مقر کنترلی است که سازمان‌ها و شرکت‌های بزرگ، برای مدیریت شبکه‌های کامپیوتری و نظارت بر کارکرد صحیح زیرساخت ارتباطی خود ایجاد میکنند. این مراکز با نظارت بدون وقفه بر فعالیت‌ها، مشکلات فنی ایجاد شده را به محض وقوع شناسایی نموده و آنها را با عکس‌العمل سریع و به موقع برطرف می‌نمایند. معمولا ناک‌ها برای تامین بالاترین پهنای باند ممکن با سرعتی بسیار بالا به اینترنت متصل هستند.
.
بدین ترتیب و با کمک ناک‌ها، زمینه دسترس‌پذیری حداکثری مراکز داده فراهم شده و تضمین و کنترل کیفیت این مراکز به بهترین شکل ممکن انجام میشود. دسترس‌پذیری یک مرکز داده، به مدت زمانی گفته میشود که آن مرکز در شرایط عملیاتی قرار داشته باشد. .
بسیاری از مراکز داده بزرگ مانند دیتاسنتر پارس آنلاین، برای مدیریت، نظارت لحظه‌ای، عیب‌یابی و رفع سریع مشکلات احتمالی شبکه خود، دارای سالن ناک می‌باشند. وسعت ناک معمولا به وسعت مرکز داده و حساسیت داده‌های مستقر در این مرکز وابسته است. مراکز داده کوچکتر اغلب از سیستم‌های مانیتورینگ و نرم‌افزارهای خودکار رفع عیوب استفاده میکنند و معمولا نیروی انسانی در روند کاری آنها دخالت یا نظارت چندانی ندارد.
.
صرف نظر از فرایندها، هدف اصلی ناک‌ها، تامین پایداری شبکه در تمام ساعات شبانه روز و تضمین حداکثری دسترس پذیری مراکز داده است. اگر هزینه‌ها مطرح نباشد، این هدف همیشه دست‌یافتنی است. اما مشکلات زمانی نمایان میشوند که سازمان‌ها سعی میکنند تا با رویکردی مقرون به صرفه، مرکز عملیات شبکه خود را پیاده‌سازی نمایند.
.
برای تحقق اهداف اصلی ناک‌ها، بکارگیری نیروی انسانی مجرب و خبره که به اصطلاح "مهندس ناک" نامیده میشوند یکی از ضروریات مهم است.
برخی از وظایف و مسئولیت‌های مهندس ناک عبارتند از:
Network Monitoring
نظارت بر کارکرد صحیح شبکه
Incident Response
واکنش سریع به وقایع پیش‌بینی نشده
Troubleshooting Problems
شناسایی و برطرف نمودن مشکلات
Reporting & Tracking All Issues
مستندسازی و پیگیری تمام وقایع، مشکلات و راهکارها
#NOC
#Network
@pythonicAI
مرکز عملیات شبکه که در محاوره فنی "اِن اُ سی" یا "ناک" نیز نامیده میشود، یک مقر کنترلی است که سازمان‌ها و شرکت‌های بزرگ، برای مدیریت شبکه‌های کامپیوتری و نظارت بر کارکرد صحیح زیرساخت ارتباطی خود ایجاد میکنند. این مراکز با نظارت بدون وقفه بر فعالیت‌ها، مشکلات فنی ایجاد شده را به محض وقوع شناسایی نموده و آنها را با عکس‌العمل سریع و به موقع برطرف می‌نمایند. معمولا ناک‌ها برای تامین بالاترین پهنای باند ممکن با سرعتی بسیار بالا به اینترنت متصل هستند.
.
بدین ترتیب و با کمک ناک‌ها، زمینه دسترس‌پذیری حداکثری مراکز داده فراهم شده و تضمین و کنترل کیفیت این مراکز به بهترین شکل ممکن انجام میشود. دسترس‌پذیری یک مرکز داده، به مدت زمانی گفته میشود که آن مرکز در شرایط عملیاتی قرار داشته باشد. .
بسیاری از مراکز داده بزرگ مانند دیتاسنتر پارس آنلاین، برای مدیریت، نظارت لحظه‌ای، عیب‌یابی و رفع سریع مشکلات احتمالی شبکه خود، دارای سالن ناک می‌باشند. وسعت ناک معمولا به وسعت مرکز داده و حساسیت داده‌های مستقر در این مرکز وابسته است. مراکز داده کوچکتر اغلب از سیستم‌های مانیتورینگ و نرم‌افزارهای خودکار رفع عیوب استفاده میکنند و معمولا نیروی انسانی در روند کاری آنها دخالت یا نظارت چندانی ندارد.
.
صرف نظر از فرایندها، هدف اصلی ناک‌ها، تامین پایداری شبکه در تمام ساعات شبانه روز و تضمین حداکثری دسترس پذیری مراکز داده است. اگر هزینه‌ها مطرح نباشد، این هدف همیشه دست‌یافتنی است. اما مشکلات زمانی نمایان میشوند که سازمان‌ها سعی میکنند تا با رویکردی مقرون به صرفه، مرکز عملیات شبکه خود را پیاده‌سازی نمایند.
.
برای تحقق اهداف اصلی ناک‌ها، بکارگیری نیروی انسانی مجرب و خبره که به اصطلاح "مهندس ناک" نامیده میشوند یکی از ضروریات مهم است.
برخی از وظایف و مسئولیت‌های مهندس ناک عبارتند از:
Network Monitoring
نظارت بر کارکرد صحیح شبکه
Incident Response
واکنش سریع به وقایع پیش‌بینی نشده
Troubleshooting Problems
شناسایی و برطرف نمودن مشکلات
Reporting & Tracking All Issues
مستندسازی و پیگیری تمام وقایع، مشکلات و راهکارها
#NOC
#Network
@pythonicAI
شبکه های عصبی، رفتار و عملکرد مغز انسان را تقلید میکنند. این شبکه ها شامل الگوریتم هایی هستند که می توانند یاد بگیرند که به طور مثال رفتار مغز را در شناسایی گفتار و تصاویر تقلید کنند. با این حال، باید دانست که راه اندازی یک شبکه عصبی مصنوعی به زمان و انرژی زیادی احتیاج دارد.
محققان مرکز ملی تحقیقات علمی در پاریس، دانشگاه Bordeaux و کمپانی Evry، یک سیناپس مصنوعی به نام memristor را طراحی و ساخته اند و آن را مستقیما روی یک chip قرار داده اند. این نوع آوری راه را برای سیستم های هوشمند هموار خواهد کرد؛ سیستم هایی که نیاز به انرژی و زمان کمتری برای یادگیری داشته و میتوانند به صورت خودکار یاد بگیرند.
این سیناپس مصنوعی چطور کار میکند؟
در مغز انسان، سیناپس ها به عنوان پایانه های ارتباطی بین نورون ها عمل میکنند. هر چه بیشتر از این سیناپس ها استفاده شوند (مورد تحریک بیشتری قرار بگیرند)، ارتباطات قوی تر شده و یادگیری سریعتر میشود. memristor نیز به همین شیوه کار میکند. این سیناپس مصنوعی از یک لایه ی نازک فِروالکتریک ساخته شده است که میتواند خود به خود باردار شود و بین دو الکترود قرار گرفته است. میزان مقاومت آنها میتواند با استفاده از پالس های ولتاژ تنظیم شود (مانند آنچه در نورون های طبیعی رخ میدهد). ارتباط سیناپسی، زمانی که مقاومت پایین باشد، قوی خواهد بود و بالعکس. در واقع، ظرفیت یادگیری memristor بر اساس همین مقاومتِ قابل تنظیم، تعیین میشود.
شبکه های عصبی کنونی که با الگوریتم های یادگیری ساخته میشوند، در حال حاضر توانایی اجرای وظایفی را دارند که سیستم های قبلی نداشتند. برای مثال، سیستم های هوشمند کنونی توانایی ساخت موسیقی، بازی کردن، شکست بازیکنان انسانی و حتی می توانند مالیات های شما را پرداخت کنند. برخی از آنها قادرند تا رفتارهای مرتبط با افکار خودکشی در انسان ها را تشخیص دهند یا تشخیص دهند انجام چه کاری قانونی یا غیر قانونی است.
تمامی پیشرفت های ذکر شده را مدیون قابلیت یادگیری سیستم های هوش مصنوعی هستیم. تنها محدودیت موجود زمان و میزان داده ای است که باید برای یک سیستم هوشمند صرف شود تا به بهره برداری مناسبی برسد. با وجود طراحی memristor فرآیند یادگیری به طور چشم گیری افزایش خواهد یافت. البته کار بر روی این سیناپس ادامه دارد و هدف بعدی، ارتقاء آن برای عملکرد سریعتر و بهتر خواهد بود. نتایج تحقیقات این تیم تحقیقاتی در ژورنال Nature Communication به چاپ رسیده است.
#machinelearning #artificialintelligence #neural #network #memristor #brain
@pythonicAI
محققان مرکز ملی تحقیقات علمی در پاریس، دانشگاه Bordeaux و کمپانی Evry، یک سیناپس مصنوعی به نام memristor را طراحی و ساخته اند و آن را مستقیما روی یک chip قرار داده اند. این نوع آوری راه را برای سیستم های هوشمند هموار خواهد کرد؛ سیستم هایی که نیاز به انرژی و زمان کمتری برای یادگیری داشته و میتوانند به صورت خودکار یاد بگیرند.
این سیناپس مصنوعی چطور کار میکند؟
در مغز انسان، سیناپس ها به عنوان پایانه های ارتباطی بین نورون ها عمل میکنند. هر چه بیشتر از این سیناپس ها استفاده شوند (مورد تحریک بیشتری قرار بگیرند)، ارتباطات قوی تر شده و یادگیری سریعتر میشود. memristor نیز به همین شیوه کار میکند. این سیناپس مصنوعی از یک لایه ی نازک فِروالکتریک ساخته شده است که میتواند خود به خود باردار شود و بین دو الکترود قرار گرفته است. میزان مقاومت آنها میتواند با استفاده از پالس های ولتاژ تنظیم شود (مانند آنچه در نورون های طبیعی رخ میدهد). ارتباط سیناپسی، زمانی که مقاومت پایین باشد، قوی خواهد بود و بالعکس. در واقع، ظرفیت یادگیری memristor بر اساس همین مقاومتِ قابل تنظیم، تعیین میشود.
شبکه های عصبی کنونی که با الگوریتم های یادگیری ساخته میشوند، در حال حاضر توانایی اجرای وظایفی را دارند که سیستم های قبلی نداشتند. برای مثال، سیستم های هوشمند کنونی توانایی ساخت موسیقی، بازی کردن، شکست بازیکنان انسانی و حتی می توانند مالیات های شما را پرداخت کنند. برخی از آنها قادرند تا رفتارهای مرتبط با افکار خودکشی در انسان ها را تشخیص دهند یا تشخیص دهند انجام چه کاری قانونی یا غیر قانونی است.
تمامی پیشرفت های ذکر شده را مدیون قابلیت یادگیری سیستم های هوش مصنوعی هستیم. تنها محدودیت موجود زمان و میزان داده ای است که باید برای یک سیستم هوشمند صرف شود تا به بهره برداری مناسبی برسد. با وجود طراحی memristor فرآیند یادگیری به طور چشم گیری افزایش خواهد یافت. البته کار بر روی این سیناپس ادامه دارد و هدف بعدی، ارتقاء آن برای عملکرد سریعتر و بهتر خواهد بود. نتایج تحقیقات این تیم تحقیقاتی در ژورنال Nature Communication به چاپ رسیده است.
#machinelearning #artificialintelligence #neural #network #memristor #brain
@pythonicAI
Keras for Beginners: Building Your First Neural Network
A beginner-friendly guide on using Keras to implement a simple neural network in python.
لینک
#python #keras #machinelearning #neural #network #deeplearning
@pythonicAI
A beginner-friendly guide on using Keras to implement a simple neural network in python.
لینک
#python #keras #machinelearning #neural #network #deeplearning
@pythonicAI
یه نفر با کمک شبکه های عصبی چهره بازیکن بازی خاطره انگیز Doom رو بازسازی کرده، اونم با کیفیت HD :)
چهره بدست آمده شبیه به Nathan Fillion بوده و خروجی چندین سیستم ai بوده است.
تصویر اصلی ابتدا به خورد بخش هوش مصنوعی نرم افزارهایی از جمله gimp ، faceApp و waifu2x داده شده که تصویر خروجی همچنان کیفیت مناسبی نداشته. سپس خروجی آنها به خورد styleGAN (سیستم هوش مصنوعی nvidia) داده شده. که تصویر خروجی آن کیفیت بهتری نسبت به قبل داشت. اما به دلیل وجود بخشهای unrealistic در تصویر اصلی، تصویر خروجی بصورت دستی کمی تغییر یافته و تصویر بالا بدست آمده است.
لینک
#artificialintelligence #doom #guy #nvidia #neural #network
@pythonicAI
چهره بدست آمده شبیه به Nathan Fillion بوده و خروجی چندین سیستم ai بوده است.
تصویر اصلی ابتدا به خورد بخش هوش مصنوعی نرم افزارهایی از جمله gimp ، faceApp و waifu2x داده شده که تصویر خروجی همچنان کیفیت مناسبی نداشته. سپس خروجی آنها به خورد styleGAN (سیستم هوش مصنوعی nvidia) داده شده. که تصویر خروجی آن کیفیت بهتری نسبت به قبل داشت. اما به دلیل وجود بخشهای unrealistic در تصویر اصلی، تصویر خروجی بصورت دستی کمی تغییر یافته و تصویر بالا بدست آمده است.
لینک
#artificialintelligence #doom #guy #nvidia #neural #network
@pythonicAI
A Gentle Introduction to Generative Adversarial Networks (GANs)
لینک
#machinelearning #gan #generative #network
@pythonicAI
لینک
#machinelearning #gan #generative #network
@pythonicAI
Forwarded from Pythonic AI (Soroush Hashemi Far)
Keras for Beginners: Building Your First Neural Network
A beginner-friendly guide on using Keras to implement a simple neural network in python.
لینک
#python #keras #machinelearning #neural #network #deeplearning
@pythonicAI
A beginner-friendly guide on using Keras to implement a simple neural network in python.
لینک
#python #keras #machinelearning #neural #network #deeplearning
@pythonicAI