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
- Random resistive memory-based deep extreme point learning machine for
unified visual processing [67.51600474104171]
ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。
我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
論文 参考訳(メタデータ) (2023-12-14T09:46:16Z) - Visual Prompting Upgrades Neural Network Sparsification: A Data-Model
Perspective [67.25782152459851]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳(メタデータ) (2023-12-03T13:50:24Z) - 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) - Exploring the Impact of Virtualization on the Usability of the Deep
Learning Applications [1.527276935569975]
本研究では,4種類のディープラーニングアプリケーションのE2E推論時間に及ぼす4つの一般的な実行プラットフォームの影響を計測する。
注目すべき発見は、ソリューションアーキテクトがDLアプリケーションの特性を認識しなければならないことである。
論文 参考訳(メタデータ) (2021-12-17T21:51:34Z) - 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) - Depth-Optimized Delay-Aware Tree (DO-DAT) for Virtual Network Function
Placement [3.5584529568201377]
ネットワーク機能(NFV)はソリューションとして認識されているが、その実現性を保証するためにはいくつかの課題に対処する必要がある。
本稿では,VNF(Virtual Network)配置問題に対する機械学習による解決策を提案する。
論文 参考訳(メタデータ) (2020-06-02T17:18:20Z) - 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。