論文の概要: Design And Develop Network Storage Virtualization By Using GNS3
- arxiv url: http://arxiv.org/abs/2006.14074v1
- Date: Wed, 24 Jun 2020 22:15:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-12 22:07:43.528436
- Title: Design And Develop Network Storage Virtualization By Using GNS3
- Title（参考訳）: GNS3を用いたネットワークストレージ仮想化の設計と開発
- Authors: Abdul Ahad Abro, Ufaque Shaikh
- Abstract要約: 我々は, RAID-Zファイルシステムを用いたプール記憶方式を提案し, サイトの複製, 圧縮青写真, 適切なバックアップ方法, エラー訂正手法の拡張, リアルタイムネットワーク上のテスト手順を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Virtualization is an emerging and optimistic prospect in the IT industry. Its
impact has a footprint widely in digital infrastructure. Many innovativeness
sectors utilized the concept of virtualization to reduce the cost of
frameworks. In this paper, we have designed and developed storage
virtualization for physical functional solutions. It is an auspicious type of
virtualization that is accessible, secure, scalable, and manageable. In the
paper, we have proposed the pool storage method used the RAID-Z file system
with the ZFS model which provides the duplication of site approach, compression
blueprint, adequate backup methods, expansion in error-correcting techniques,
and tested procedure on the real-time network location. Therefore, this study
provides useful guidelines to design and develop optimized storage
virtualization.
- Abstract（参考訳）: 仮想化はIT業界において、新しくて楽観的な見通しだ。
その影響はデジタルインフラストラクチャに広く及んでいる。
多くの革新性部門は、フレームワークのコスト削減のために仮想化の概念を利用した。
本稿では,物理機能ソリューションのためのストレージ仮想化を設計,開発する。
これは、アクセスしやすく、セキュアで、スケーラブルで、管理しやすい仮想化の一種です。
そこで本稿では,ZFSモデルを用いたRAID-Zファイルシステムを用いたプール記憶方式を提案し,サイトアプローチの重複,圧縮青写真,適切なバックアップ方法,エラー訂正手法の拡張,リアルタイムネットワーク上でのテスト手順を提案する。
そこで本研究では,最適化ストレージ仮想化の設計と開発に有用なガイドラインを提供する。
関連論文リスト
- Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - Building Castles in the Cloud: Architecting Resilient and Scalable Infrastructure [0.0]
本論文では,クラウド環境内におけるコンテキスト設計に必要な重要な対策について考察する。
レプリケーションサーバ、フォールトトレランス、ディザスタバックアップ、高可用性のためのロードバランシングの必要性について検討している。
論文 参考訳（メタデータ） (2024-10-29T04:56:34Z) - Fine-Tuning and Deploying Large Language Models Over Edges: Issues and Approaches [64.42735183056062]
大規模言語モデル(LLM)は、特殊モデルから多目的基礎モデルへと移行してきた。
LLMは印象的なゼロショット能力を示すが、ローカルデータセットとデプロイメントのための重要なリソースを微調整する必要がある。
論文 参考訳（メタデータ） (2024-08-20T09:42:17Z) - Haina Storage: A Decentralized Secure Storage Framework Based on Improved Blockchain Structure [8.876894626151797]
ブロックチェーンに基づく分散ストレージは、クラウドサービス上のセキュアなデータストレージを効果的に実現することができる。
しかし、ストレージ容量の低下や効率の低下など、既存のスキームにはまだいくつかの問題がある。
主に4つの側面を含む分散ストレージフレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-02T02:56:27Z) - Digital Twin-Enhanced Deep Reinforcement Learning for Resource
Management in Networks Slicing [46.65030115953947]
本稿では,デジタルツインと強化学習エージェントからなるフレームワークを提案する。
具体的には、歴史的データとニューラルネットワークを用いて、実環境の状態変動則をシミュレートするデジタルツインモデルを構築することを提案する。
また、このフレームワークをオフラインで強化学習に拡張し、歴史的データのみに基づいたインテリジェントな意思決定にソリューションを利用できるようにします。
論文 参考訳（メタデータ） (2023-11-28T15:25:14Z) - Towards Learned Predictability of Storage Systems [0.0]
ストレージシステムは、データセンターの基本的なビルディングブロックになっている。
ストレージの普及と関心にもかかわらず、信頼性のあるストレージシステムの設計と実装は依然として困難である。
ストレージシステムの予測可能性に向けて、近年様々なメカニズムとフィールド研究が提案されている。
3つの代表的な研究成果に基づき、この分野で機械学習をどのように適用すべきかを論じる。
論文 参考訳（メタデータ） (2023-07-30T17:53:08Z) - Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。
本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。
本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
論文 参考訳（メタデータ） (2023-03-16T21:06:13Z) - Neural Network Compression for Noisy Storage Devices [71.4102472611862]
従来、モデル圧縮と物理ストレージは分離される。
このアプローチでは、ストレージは圧縮されたモデルの各ビットを等しく扱い、各ビットに同じ量のリソースを割り当てるように強制される。
i) 各メモリセルの容量を最大化するためにアナログメモリを使用し, (ii) モデル圧縮と物理ストレージを共同で最適化し, メモリの有用性を最大化する。
論文 参考訳（メタデータ） (2021-02-15T18:19:07Z) - A Privacy-Preserving Distributed Architecture for
Deep-Learning-as-a-Service [68.84245063902908]
本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。
クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
論文 参考訳（メタデータ） (2020-03-30T15:12:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。