Простийпошук |
Розширенийпошук |
Покажчики
|
Професійний пошук |
Рубрикатор НБУВ |
Розподілений пошук |
Бази даних
Наукова періодика України - результати пошуку
Книжкові видання та компакт-дискиЖурнали та продовжувані виданняАвтореферати дисертаційРеферативна база данихНаукова періодика УкраїниТематичний навігаторАвторитетний файл імен осіб
 |
Для швидкої роботи та реалізації всіх функціональних можливостей пошукової системи використовуйте браузер "Mozilla Firefox" |
|
|
Повнотекстовий пошук
| Знайдено в інших БД: | Реферативна база даних (1) |
Список видань за алфавітом назв: Авторський покажчик Покажчик назв публікацій  |
Пошуковий запит: (<.>A=Kalnauz D$<.>) | |||
|
Загальна кількість знайдених документів : 1 |
|||
| 1. | 
Kalnauz D. V. Productivity Estimation of Serverless Computing [Електронний ресурс] / D. V. Kalnauz, V. A. Speranskyy // Applied aspects of information technology. - 2019. - Vol. 2, no 1. - С. 20-28. - Режим доступу: http://nbuv.gov.ua/UJRN/aait_2019_2_1_4 Хмарні обчислення надали можливість організаціям менше зосередитися на своїй ІТ-інфраструктурі та більше на своїх основних продуктах і послугах. Serverless - це технологія, також відома як функція-як-послуга, яка за необхідності надає постачальнику послуг хмарних обчислень повний контроль над контейнером для обслуговування запитів, на якому виконується функція. Як наслідок, архітектури виключають необхідність постійно працюючих систем і слугують обчислювальним процесом, керованим подіями. Serverless-обчислення відкривають нові можливості для архітекторів і розробників, орієнтованих на хмарні обчислення. Вона забезпечує спрощену модель програмування для розробки розподілених Cloud-систем, із відстороненою інфраструктурою. Serverless-обчислення все ще перебувають у зародковому стані та з подальшим розвитком моделі будуть створені інструменти, що надають можливість розробникам та архітекторам створювати моделі та процеси, щоб більш повно використовувати переваги моделі Serverless. Розглянуто профіль продуктивності Serverless екосистеми за умов низьких затримок і високої доступності. Наведено результати застосування та тести продуктивності для розпізнавання образів із використанням нейронних мереж. У реалізації використовуються відкриті бібліотеки та інструменти: Tensor Flow для вивчення машинного навчання та LabelImg для підготовки даних. Показано кореляцію між кількістю експериментальних навчальних даних і точністю розпізнавання. Для експериментів розроблено програмний пакет із використанням скрипкової мови програмування Python і технології .Net. Розроблене програмне забезпечення показало відмінну точність розпізнавання, використовуючи звичайний комп'ютер із недорогим обладнанням. Взаємодія клієнтської сторони з "сервером" здійснюється за допомогою HTTP-запитів. | ||
Попередній перегляд: 
Реферативна БД
 |
| Відділ наукової організації електронних інформаційних ресурсів |
 Пам`ятка користувача |