مدیریت حرفه ای

#Cache_Server
#Network
@pythonicAI

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

لیست پورت های tcp
#Network

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

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

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

A Gentle Introduction to Generative Adversarial Networks (GANs)

لینک


#machinelearning #gan #generative #network

@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

#network #linux #book
#منبع

@pythonicAI

#network #virtualizing #book
#منبع

@pythonicAI

#network #vsan #vmware #book
#منبع

@pythonicAI

#Magazine #Network

مجله "شبکه IEEE"، جولای/ آگوست ۲۰۱۹، دوره‌ی ۳۳، شماره‌ی ۴

IF = 7.503

@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

وب سایتی را مشاهده خواهید کرد که به تفکیک هر کشور محدوده های آدرس IP تخصیص داده شده به آنها را به شما نمایش می دهد.

🌐 http://ipdeny.com/ipblocks/

#معرفی_سایت
#network
@pythonicAI

💻 آشنایی با سرور HPE ProLiant ML30 Gen9

سرور hpe proliant ml30 gen9 یک سرور ایستاده و تک سوکته با قیمت مناسب می باشد که نصب، راه اندازی و ارتقاء آن بسیار آسان است. اگر برای کسب و کار کوچک خود نیاز به یک سرور ارزان قیمت دارید که کارآیی مناسبی داشته باشد این سرور به شما پیشنهاد می شود.

🔗 مشاهده ی مشخصات و قابلیت های سرور
🔽🔽🔽
https://bit.ly/2KkTKkq
#network #server

#fun
وقتی هیچ راهی دیگه جواب نمیده... 😄

#network #servers

@pythonicAI

جدول آدرس IP و Subnetmask
#network
#شبکه

#network #شبکه #Fun

🔹پورت فورواردینگ
➖عملیات port forwarding با تغییر ادرس پورت Invalid شبکه داخلی به Valid خارجی ،به شما این امکان را می‌دهد که سیستم های شبکه داخلی شما از بیرون شبکه برای مثال از طریق اینترنت قابل دسترس باشند حتی اگر سیستم‌های داخل شبکه دارای آدرسهای Private می‌باشند.

✍️برای مثال: داخل یک #شبکه داخلی هستید و قصد دارید که از طریق اینترنت به یک سرویس دهنده به عنوان مثال یک دوربین مدار بسته متصل شوید و دسترسی داشته باشید ،برای اینکار باید از port forwarding استفاده کنید.
➖با کمک Port forwarding شما می توانید درون شبکه داخلی خود(خانه یا محل کار )پورت های خاصی را که اغلب توسط روتر بسته شده است و اجازه دسترسی به اینترنت و یا شبکه بیرونی را به شما نمی دهند،باز کنید.
#network
#port_forwarding

@pythonicAi

sagsibil, [23.07.20 16:57]
#Magazine #Network

مجله "شبکه IEEE"، جولای/آگوست ۲۰۲۰، دوره‌ی ۳۴، شماره‌ی ۴

IEEE Network, July - August 2020, Vol. 34 , No. 4

IF = 8.808
@pythonicAi

#Book #Network

مهندسی ترافیک شبکه: مدل‌های تصادفی و کاربردها

Network Traffic Engineering: Stochastic Models and Applications
By Andrea Baiocchi
انتشارات Wiley
سال ۲۰۲۰