
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Waandishi: 
 
 
 
 
 
 Thomas Feltin Léo Marchó Juan-Antonio Cordero-Fuertes Frank Brockners Thomas H. Clausen Muhtasari: Utendaji wa akili bandia (DNN) kwenye data zinazotiririka huhitaji rasilimali za kompyuta ili kukidhi mahitaji ya utendaji. Hata hivyo, programu za kujifunza kwa kina ambazo huhitaji muda mfupi na usiri haziwezi kuhamisha kompyuta kwenye mawingu ya mbali kwa sababu ya gharama ya usafirishaji na ukosefu wa imani kwa watoa huduma wa mawingu wa wahusika wengine. Miongoni mwa suluhisho za kuongeza utendaji huku zikihifadhi kompyuta katika mazingira yenye vizuizi, kuongeza kasi kwa maunzi kunaweza kuwa mzigo, na uboreshaji wa modeli huhitaji juhudi kubwa za kubuni huku ukizuia usahihi. Mgawanyo wa DNN ni njia ya tatu inayosaidia, na inahusisha usambazaji wa kazi ya utendaji kwenye vifaa kadhaa vya makali vinavyopatikana, ikizingatiwa sifa za mtandao wa makali na muundo wa DNN, kwa lengo la kuongeza utendaji wa utendaji (idadi ya utendaji kwa sekunde). Karatasi hii inatoa njia ya kutabiri utendaji na ucheleweshaji wa usafirishaji kwa matumizi ya DNN yaliyosambazwa yenye nyuzi nyingi, na inafafanua mchakato wa uboreshaji ili kuongeza utendaji wa utendaji. Kisha mchanganuzi wa tawi na mpaka unawasilishwa na kuchanganuliwa ili kuhesabu utendaji uliopatikana na utata. Uchanganuzi huu umesababisha ufafanuzi wa eneo la kuongeza kasi, ambalo linaelezea hali za uhakika kuhusu DNN na sifa za mtandao ambapo mgawanyo wa DNN una manufaa. Mwishowe, matokeo ya majaribio yanathibitisha simulizi na kuonyesha maboresho ya utendaji wa utendaji katika matumizi ya mfano ya makali. Mgawanyo wa DNN kwenye makali huwezesha kuongeza kasi ya utendaji huku ukipunguza matumizi ya kipimo data na ucheleweshaji kwa seva zilizojikita, kwa mfano, kwenye wingu. Utangulizi Vifaa vilivyounganishwa vilitoa takriban baiti trilioni 2.5 kila siku mwaka 2020.  Katika muktadha huu, akili bandia (AI) ni mojawapo ya teknolojia zinazoweza kukabiliana na kiasi kinachoongezeka cha data inayozalishwa, katika nyanja mbalimbali kama vile utambuzi wa vitu katika maono ya kompyuta, utambuzi wa uso, utambuzi wa sauti, uchakataji wa lugha asilia, au kuendesha gari kwa uhuru. AI, na haswa Kujifunza kwa Kina (DL), inahitaji, pamoja na kiasi kikubwa cha data, uwezo mkubwa wa kuchakata na kumbukumbu, ambayo huifanya kompyuta ya mawingu kuwa suluhisho la kawaida la kuhifadhi kazi za AI. Kwa hivyo, mwaka 2019, 96% ya kazi za AI zilifanyika katika wingu. 1 2 Programu za AI zinaweza kuwa na vizuizi vikali vya ucheleweshaji, kwa mfano, katika kuendesha gari kwa uhuru, ufuatiliaji wa utengenezaji, au utendaji wowote wa wakati halisi unaohusisha mwingiliano na ulimwengu halisi. Kwa mfano, muda wa wastani wa kujibu katika kuendesha gari kwa uhuru unahitajika kuwa chini ya milisekunde 100 , na kufanya muda wa safari ya kwenda na kurudi kwenye wingu kuwa mrefu sana kwa programu hizo. Vile vile, programu zingine zinaweza kusababisha matumizi makubwa ya kiungo kwenye mtandao, kwa mfano, katika kesi ya usindikaji wa video wa ubora wa juu katika maono ya kompyuta, ambayo inazuia kuzitumia kwenye wingu. Sera za usiri wa data au kanuni za ulinzi wa data pia zinaweza kukataza data kutoka nje ya mazingira maalum. Hii inahimiza matumizi ya AI katika kompyuta ya makali, ambayo inajumuisha kuhamisha kazi za kompyuta kutoka vituo vya data karibu na vifaa vya makali, yaani, karibu na vyanzo vya data. [](javascript:void()) Ikilinganishwa na mawingu ya umma, makali ni mazingira yenye vizuizi vya rasilimali na mapungufu muhimu , na kuendeleza AI kwa ajili ya makali kwa hiyo ni tofauti na kuendeleza AI kwa ajili ya wingu. Kuchanganua data karibu na chanzo chake kunaweza kuwa changamoto kwa sababu ya uwezo mdogo wa kifaa, ukosefu wa ubadilikaji wa rasilimali zinazopatikana, na utofauti wa mitandao ya makali. Kupunguza uwezo wa kompyuta hu maanisha kupunguza utendaji wa utendaji unaowezekana, na hivyo kuongeza ugumu wa kuhamisha kazi nzito kutoka wingu hadi makali. Katika baadhi ya programu, utendaji wa utendaji, yaani, utendaji unaowezekana kwa sekunde wa DNN, unaweza kuunganishwa na usahihi wa DNN, kwa mfano, na utambuzi wa vitu katika mito ya video, ambapo kupunguza kiwango cha utendaji kutoka 15 hadi 5 utendaji kwa sekunde kumeonyeshwa kupunguza alama ya F1__3__ya kitambulisho cha kitu kwa 10% . Kwa maneno mengine, matumizi yenye utendaji mdogo wa utendaji yanaweza kusababisha upotezaji muhimu wa habari, kwa mfano, upotezaji wa utambuzi katika programu za ufuatiliaji wa video. [](javascript:void()) [](javascript:void()) Kuna mbinu mbili kuu zinazopatikana ili kukidhi mahitaji ya utendaji kwenye mitandao ya makali yenye vizuizi: ukandamizaji wa modeli au kuongeza kasi kwa maunzi. *Ukandamizaji wa modeli* unahusisha kupunguza na kuboresha mitandao ya neural kuwa toleo la nyepesi, mara nyingi lenye utendaji mdogo, la modeli. Mbinu za kawaida za ukandamizaji wa modeli ni pamoja na upunguzaji , yaani, kuondoa vigezo visivyo vya lazima katika modeli, kiasi , yaani, kupunguza kumbukumbu iliyotengwa kuhifadhi modeli, na uhamishaji wa maarifa , yaani, kufundisha mtandao mdogo wa neural na maarifa yaliyotolewa kutoka kwa mtandao mkubwa zaidi. Uboreshaji wa modeli huhitaji juhudi kubwa za kubuni na unaweza kuwa kizuizi kwa usahihi wa modeli. *Kuongeza kasi kwa maunzi* kwenye vifaa vya makali inahusisha kutafuta maunzi ambayo yanaweza kuwa na ufanisi wa nishati na nyepesi, huku bado yanaweza kutekeleza utendaji kwa utendaji wa kutosha. Kuna aina kadhaa za maunzi yanayoweza kutumika kwa kuongeza kasi kwenye makali, zinazotofautiana kwa ufanisi na maalum, lakini vitengo vya kawaida vya usindikaji havikidhi matarajio na maunzi maalum kama vile ASICs yamepatikana kuwa hayafai na ghali . [](javascript:void()) [](javascript:void()) [](javascript:void()) [](javascript:void()) Mgawanyo wa DNN ni njia ya ziada ya kuongeza kasi ya utendaji kwa kutumia wingi wa vifaa vilivyopo kwenye mitandao ya makali kusambaza kompyuta ya utendaji - ambayo inaweza kutumika peke yake, au pamoja na mbinu zingine mbili. Mgawanyo wa DNN unahusisha kuzingatia mtandao wa neural kama njia ya bomba kugawanywa katika sehemu, na kusambaza sehemu hizi kwenye vifaa vya makali. Uwekaji wa sehemu hizi unategemea sifa zote za DNN na mtandao wa msingi. Mgawanyo wa DNN unategemea utambulisho wa pointi za kugawanya, ambazo ni pointi katika grafu ya modeli ambapo modeli imegawanywa katika sehemu. Wakati wa utendaji, sehemu hufanywa kwa mlolongo, kila moja ikituma matokeo ya utendaji wa kati kwa sehemu inayofuata. Hii inaruhusu kila sehemu kuanza kuhesabu data ya pembejeo inayofuata wakati vifaa vingine vinaendelea kuchakata ile iliyohamishwa, hivyo kuongeza utendaji wa utendaji, kama inavyoonyeshwa kwenye *takwimu 1*. Katika mabaki ya karatasi hii, mgawanyo wa DNN unaonyeshwa kupitia mfano wa utendaji wa wakati halisi kwenye mito ya video. A. Kazi Zinazohusiana Njia za mgawanyo wa DNN, zilizotokana na uhamishaji wa mawingu ya makali ya simu, zinatafuta kuboresha viashirio mbalimbali vya utendaji, kama vile ucheleweshaji wa kompyuta, matumizi ya nishati, matumizi ya rasilimali, gharama, au utendaji. Mgawanyo wa DNN unategemea ushirika wa mojawapo au zaidi ya vipimo hivi kufafanua lengo la uboreshaji, na njia inayotangamana na kipimo hiki kutafuta mipango ya mgawanyo. Kwa mfano, Neurosurgeon   inatafuta kipengele kimoja cha kugawanya, ikihifadhi sehemu ya kwanza kwenye makali na kuhamisha sehemu ya pili kwenye wingu, ili kupunguza ucheleweshaji na matumizi ya nishati. Programu katika IoT pia zimezingatia mgawanyo wa pamoja na uhamishaji wa DNN kadhaa ili kuboresha nishati, ucheleweshaji, na/au gharama, kwa kutumia wachanganuzi mbalimbali kama vile SPSO-GA   inayochanganya Suluhisho la Ndege ya Chembe (PSO) na Algorithm ya Jenetiki (GA), au DDPQN   ambayo hutumia Kujifunza kwa Njia ya Nyimbo Kina ili kutafuta mipango ya mgawanyo. Mifano mingine ni pamoja na DINA  , ambayo inafafanua tatizo la Upangaji wa Nambari Kamili Isiyo ya Laini (INLP), na hutumia mchanganuzi anayetegemea nadharia ya mechi, kuboresha ucheleweshaji na matumizi ya rasilimali katika mitandao ya ukungu. Njia za kuboresha utendaji wa utendaji ni pamoja na upasuaji wa DNN  , ambayo hutumia ukubwa mdogo wa matokeo ya tabaka za DNN za kati kugawanya kompyuta ya utendaji kati ya makali na wingu. Algorithms zote mbili huunda sehemu mbili, moja kwenye makali na nyingine kwenye wingu. Utafiti mwingine katika nyanja ya mawingu ya makali ya simu  pia unajumuisha kompyuta yenye nyuzi nyingi katika wingu ili kuongeza kasi ya utendaji wa jumla wa utendaji. Kutegemea wingu kwa kompyuta ya sehemu ya pili ya utendaji kunadhania muunganisho mzuri wa mtandao, ambao unaweza kuwa na uhakika na muunganisho duni wa baadhi ya matumizi ya makali yaliyotengwa. Edgent   inarekebisha mbinu ya awali kwa vifaa vya rununu na seva za makali zinazopatikana, ikilegeza kizuizi cha uhamishaji kwa wingu. Njia hii inahusishwa na mafunzo maalum na muundo wa modeli, na bado inazuia mgawanyo kwa sehemu mbili. Njia zingine zimezingatia pointi nyingi za kugawanya, kwa mfano, IONN  , ambayo inaelezea tatizo la mgawanyo ili kupunguza ucheleweshaji na matumizi ya nishati, pia ikizingatia muda wa kupakia modeli kwa seva za makali. [](javascript:void()) [](javascript:void()) [](javascript:void()) [](javascript:void()) [](javascript:void()) [](javascript:void()) [](javascript:void()) [](javascript:void()) Njia hizi zinahusika na mawingu ya mbali, au zimezuiwa katika asili ya mgawanyo, kwa mfano, zinahitajika kugawanyika katika sehemu mbili tu, na au bila nyuzi nyingi. Hakuna hata moja ya masomo ya mgawanyo wa DNN yaliyoorodheshwa yanayozingatia pointi nyingi za kugawanya na nyuzi nyingi. B. Michango Karatasi hii inatoa mfumo wa utendaji uliosambazwa ili kuongeza utendaji wa utendaji wa kompyuta ya DNN ya wakati halisi kwenye data zinazotiririka, na pointi nyingi za kugawanya na mgawanyo wenye nyuzi nyingi. Michango ya karatasi hii ni kama ifuatavyo: 
 
 
 
 
 
 Mfumo wa kuhesabu na muda wa usafirishaji wa DNN iliyosambazwa, ambayo kupitia hiyo utendaji wa utendaji uliotarajiwa wa mpango wa mgawanyo unaweza kukadiriwa. Uundaji wa tatizo la uboreshaji wa mgawanyo wa DNN, utekelezaji wa mchanganuzi wa tawi na mpaka kwa tatizo hili, na tathmini ya utata wake. Simulizi za kuchunguza maboresho yanayowezekana ya utendaji na sifa tofauti za mtandao na DNN. Utambulisho wa maeneo halisi katika sifa za mtandao na DNN zinazopelekea kuwepo kwa mgawanyo bora na gharama ya kuhesabu suluhisho hizo, yaani, hali ambazo mgawanyo wa DNN una manufaa. Matokeo ya majaribio yanayoonyesha maeneo yaliyofafanuliwa katika simulizi, pamoja na usahihi wa utabiri na kuongeza kasi ya mwisho ya utendaji wa utendaji kwa mazingira yenye usawa na yasiyo na usawa. Kwa mabaki ya karatasi hii, ili kuepuka machafuko, mtandao wa neural wa kina uliogawanywa utarejelewa kama *DNN*, na neno *mtandao* litamaanisha mtandao wa mawasiliano wa kimwili. C. Muhtasari wa Karatasi Mabaki ya karatasi hii yamepangwa kama ifuatavyo. *Sehemu II* inatoa usuli wa Kujifunza kwa Kina na jinsi DNN zinavyowakilishwa katika utafiti huu. *Sehemu III* inaelezea njia za utabiri wa utendaji na usafirishaji zinazohitajika kwa *Sehemu IV* ambayo inafafanua tatizo la uboreshaji, pamoja na algorithm ya tawi na mpaka wa kufanya maamuzi ya mgawanyo. *Sehemu V* inatoa matokeo ya simulizi ili kuhesabu utendaji na utata wa algorithm ya tawi na mpaka, pamoja na hali zinazopelekea kuwepo kwa mgawanyo unaoboresha utendaji wa utendaji katika mtandao wenye usawa. *Sehemu VI* inatoa matokeo ya majaribio yanayothibitisha simulizi za *Sehemu V*, na inaonyesha maboresho ya utendaji wa utendaji kwenye mpangilio wa majaribio yenye usawa. Mwishowe, *Sehemu VII* inajadili matokeo na kupanuka kwa uhalali mpana wa njia hii. SEHEMU II. Usuli: Kujifunza kwa Kina Ndani ya uwanja wa Kujifunza kwa Mashine, Kujifunza kwa Kina (DL) kunarejelea mbinu zinazotegemea matumizi ya DNN, yaani, mitandao ya neural bandia (au mbinu zinazohusiana za kujifunza kwa mashine) zenye tabaka zaidi ya moja ya siri. Moja ya marejeleo ya mapema zaidi ya miundo ya kujifunza kwa kina ilichapishwa mwaka 1967 , lakini haikuwa hadi miaka ya 2010 ndipo DL ilipopata msukumo, kwanza katika utambuzi wa sauti, kisha katika utambuzi wa vitu katika picha, kwa uwezo wa kukamata mahusiano magumu katika data yenye vipimo vingi. Inakadiriwa kuwa Kujifunza kwa Kina kunawakilisha idadi kubwa ya programu za AI mwaka 2022, na zaidi ya 75% ya mashirika yanayotumia DNN kwa programu ambazo zinaweza kutumia mbinu za kawaida.  Mbinu za DL zimefafanuliwa kama “*mbinu za kujifunza kwa mashine ambapo nadharia huchukua fomu ya mizunguko tata ya aljebra na nguvu za muunganisho zinazoweza kurekebishwa*” . Mizunguko hii ya aljebra kawaida hupangwa katika tabaka, ambazo huunda hatua katika kompyuta. Neno *kina* linarejelea algorithms zinazojumuisha zaidi ya tabaka moja. [](javascript:void()) 4 [](javascript:void()) Kuna miundo miwili mikuu ya DNN: mitandao ya neural ya kulisha mbele na mitandao ya neural inayojirudia. Aina zote mbili za DNN zinaweza kuwakilishwa kama grafu za kompyuta, na tofauti kuu ni kwamba mitandao ya kulisha mbele inaweza kuwakilishwa kama grafu za moja kwa moja zisizo na mizunguko (DAGs), wakati mitandao ya neural inayojirudia inaweza kuwa na mizunguko. Mitandao ya neural inayojirudia imeundwa kwa ajili ya safu za data, ambapo kila kipengele cha data kinaweza kutegemea vipengele vya awali vya data katika safu, wakati mitandao ya kulisha mbele haizingatii mwingiliano kati ya vipengele katika safu ya data. Mabaki ya karatasi hii yatazingatia kesi ya mitandao ya neural ya kulisha mbele. 5 SEHEMU III. Uundaji wa Utendaji Uliosambazwa Sehemu hii inatoa mfumo wa kuwakilisha sifa za DNN na mtandao ili kutabiri muda wa kompyuta, muda wa usafirishaji, na utendaji wa mwisho wa utendaji wa suluhisho lolote la mgawanyo. A. Uwakilishi wa DNN na Mtandao DNN ya kulisha mbele ya tabaka N inafanywa kama DAG GA=(L,E) na L=(L1,…,LL) ni tabaka za DNN. Viungo (Li,Lj)∈E ni miunganisho kati ya tabaka Li na Lj . Kila tabaka Li ina matumizi ya kompyuta yanayohusiana ci , kipimo kwa idadi ya operesheni za floating-point zinazohitajika kwa kompyuta ya mbele kupitia tabaka. Viungo (Li,Lj) vinapewa uzito si,j unaolingana na ukubwa wa data inayopita kati ya tabaka Li na Lj kwa baiti. Mtandao wa kimwili unafanywa kama grafu kamili ya muunganisho G=(N,V) ambapo N=(N1,…,NN) ni seti ya nodi za kompyuta na V ni seti ya viungo kati ya nodi. Inadhaniwa kuwa nodi za kompyuta N1,…,NN zina viwango vya usindikaji η1,…,ηN , mtawalia, kipimo kwa operesheni za floating-point kwa sekunde. Mwishowe, kiwango cha juu cha muunganisho kati ya nodi mbili zinazopakana Na na Nb kinamaanisha θa,b , kipimo kwa baiti kwa sekunde. Kila nodi Ni imeunganishwa na yenyewe kwa kiwango cha juu cha muunganisho ili kuwakilisha kiungo cha kurudia, na viungo vinadhaniwa kuwa vya ulinganifu, yaani, θa,b=θb,a . Mgawanyo hufafanuliwa kama ramani P:L→N , yaani, mgawanyo unatoa nambari ya nodi kwa kila tabaka katika DNN. Mgawanyo unaweza kuelezewa kama matrix P ya pande (N×L) , N ikiwa ni idadi ya nodi kwenye mtandao na L idadi ya tabaka za DNN na, na Pa,i=1 ikiwa tabaka Li iko kwenye nodi Na , 0 vinginevyo. Kwa mfano uliotolewa kwenye  , L=7 tabaka na N=2 nodi za kompyuta, mgawanyo ulioonyeshwa na tabaka {L1,L2,L3,L6,L7} kwenye nodi N1 , na tabaka {L4,L5} kwenye nodi N2 , unawakilishwa kama: takwimu 2 Kutokana na mgawanyo, *thread* hufafanuliwa kama kundi la tabaka mfululizo kati ya pointi mbili za kugawanya, zinazofanya kazi kwa mlolongo kwenye nodi sawa. Katika mfano hapo juu, nodi N1 italeta nyuzi mbili, ya kwanza ikiwa na tabaka {L1,L2,L3} na ya pili ikiwa na {L6,L7} . Na noti hizi zikifafanuliwa, mabaki ya Sehemu hii yanaelezea usemi kamili wa utendaji wa utendaji uliopatikana na mgawanyo wowote, kama kazi ya muda wa utendaji ( ) na muda wa usafirishaji ( ). sehemu ya III-B sehemu ya III-C B. Utabiri wa Muda wa Utendaji Kutokana na mgawanyo, Sehemu hii inachunguza utabiri wa muda wa utendaji kwenye nodi iliyotengwa. Muda unaosababishwa na kompyuta ya tabaka Li na matumizi ci , utafanywa kwenye nodi Na , na kiwango cha usindikaji ηa unaelezewa kama Tci(Na)=ci/ηa . Kutokana na seti ya tabaka L′⊂L katika nyuzi zote zinazofanya kazi kwenye nodi Na na kiwango cha usindikaji ηa , muda wa utendaji unaweza kuelezewa kama: Usemi huu ni makadirio ya awali ya utabiri wa muda wa utendaji kulingana na idadi ya operesheni za floating-point (FLOPs) zinazohitajika kwa kuchakata DNN, yaani, idadi ya operesheni za kuzidisha-kuongeza katika modeli. Makadirio ya muda wa utendaji kwenye vifaa vya makali yanachangiwa na uboreshaji wa wakati halisi. Suluhisho zilizopo kama vile nn-Meter   hutabiri muda wa utendaji kulingana na FLOPs. Suluhisho zingine hutegemea jedwali la utafutaji na nyakati za utendaji zilizokadiriwa awali kwa utabiri wa muda. Kwa mfano, BRP-NAS   hutumia mtandao wa neural wa utoaji wa grafu uliofunzwa awali kutabiri muda wa utendaji, huku ukizingatia uboreshaji wa modeli wa wakati halisi. [](javascript:void()) [](javascript:void()) Katika  , pia inadhaniwa kuwa wasindikaji hutumia uwezo wao kamili, ambayo inamaanisha kuwa wasindikaji wa kiini-nyingi wanafanywa kama wasindikaji wa kiini-moja na kiwango cha usindikaji sawa na jumla ya viwango vyao vya usindikaji wa kiini. Pia inadhaniwa kuwa rasilimali ya kompyuta inashirikiwa sawasawa kati ya nyuzi, yaani, mchakataji hutenga sehemu sawa ya muda wake kwa kila nyuzi. equation 1 Katika nodi zote, nyuzi yenye muda mrefu zaidi huweka utendaji wa utendaji kwa DNN iliyosambazwa. Bila kujumuisha muda wa usafirishaji, hii inamaanisha kuwa mara tu nyuzi hii inayozuia ikimaliza kuhesabu fremu ya data, inaanza kuchakata inayofuata mara moja. Nyuzi zingine zitakuwa na muda wa kusubiri kabla ya kuchakata fremu inayofuata ya data kwa sababu muda wao wa utendaji ni mfupi kuliko muda huu wa juu, kama inavyoonekana kwenye *takwimu 1*. Kutokana na matrix ya mgawanyo P , muda wa utendaji unaweza kuelezewa kama vector moja Tc ya ukubwa N ambapo kiungo cha a -th ni muda wa juu zaidi wa utendaji wa nyuzi kwenye nodi Na , yaani, Tca=Tc(Na) : ambapo H ni matrix ya diagonal ya viwango vya inverse vya nodi diag(η−11,…,η−1N) na c ni vector ya nguzo ya matumizi ya kila tabaka (c1,…,cL) . C. Utabiri wa Muda wa Usafirishaji Muda wa usafirishaji unaweza kutabiriwa kama ifuatavyo: muda unaochukua kutuma kiasi cha data si,j kati ya tabaka Li na Lj kwenye makali (Na,Nb) juu ya kiungo chenye kiwango cha juu cha muunganisho kilichopimwa θa,b ni Tti,j(Na,Nb)=si,j/θa,b . Muda wa kufikia uhamishaji wa data si,j∈E′⊂E juu ya kiungo (Na,Nb) ni: Sawa na utabiri wa muda wa utendaji, hii inamaanisha kuwa viungo vinashirikiwa sawasawa kati ya uhamishaji wa data kutoka Na hadi Nb . Utabiri wa muda wa usafirishaji unategemea makadirio ya kiwango cha juu cha muunganisho wa kiungo, haswa *goodput*, yaani, kiasi cha data muhimu kinachotumwa kwa sekunde. Sawa na makadirio ya muda wa utendaji, hii ni makadirio ya awali, ambayo kwa ufanisi hutoa matokeo mazuri ya utabiri, kama inavyoonekana kwenye *takwimu 3* c, na mgawo wa uhusiano wa R2=0.9998 . Ubaya wa njia hii ni hitaji lake la kujaa viungo kupata makadirio ya kiwango cha juu cha muunganisho. Kutokana na matrix

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Read My Stories

Cisco Systems

Sauti hii imetolewa katika lugha asilia ya hadithi!

Kwa nini AI Yako Haileti Tena Kompyuta ya Wingu Ili Kuendesha Haraka

About Author

MAONI

HANG TAGS

MAKALA HII ILIWASILISHWA NDANI

Related Stories

Details of the Aerial Voyage.—Kennedy silenced

A PENDENT WORLD

#ellenBrain Turns a Long Weekend Into: HackerNoon Swag Around the World

Sweet Security Unveils First Unified Detection And Response Platform

Details of the Aerial Voyage.—Kennedy silenced

A PENDENT WORLD

#ellenBrain Turns a Long Weekend Into: HackerNoon Swag Around the World

Sweet Security Unveils First Unified Detection And Response Platform

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps