اخبار، مطالب و رویدادهای مرتبط با توسعه نرم افزار رادکام

ASP.NET Core به روش های مختلف میزبانی می شود که در این مطلب به بررسی آنها می پردازیم.


نوشته شده در برنامه نویسی
کلیدواژه ها: ASP.NET Core Web Server، Kestrel Web Server، Reverse Proxy Server

یک Middleware چیزی نیست جز یک کامپوننت (و یا class) که در هر درخواست از برنامه ASP.NET Core اجرا می شود.


نوشته شده در برنامه نویسی
کلیدواژه ها: HttpModules ،HttpHandlers ،ASP.NET Core Middleware

امروزه اهمیت در دسترس بودن دائمی سرویس ها بر کسی پوشیده نیست، تنها چند ساعت از دسترس خارج شدن دیتابیس می تواند هزینه های زیادی را برای صاحبان سرویس ایجاد کند و باعث از دست دادن دیتا و نارضایتی مشتریانشان شود.

ساده ترین راه برای اینکه مطمئن باشیم در صورت fail کردن سرور و یا دچار مشکل شدن دیتابیس می توانیم اطلاعات را دوباره برگردانیم ایجاد نسخه پشتیبان (Backup ) است. این روش اگر چه مطمئن و کم هزینه است اما عدم دسترسی به سرویس  (downtime) ایجاد می کند.

همین امر باعث می‌شود به این سوال بیاندیشیم که 

" بهترین روش برای ایجاد بالاترین سطح در دسترس بودن (High Availability) دیتابیس، چیست؟ "

در این مقاله به بررسی روشهای موجود در Microsoft SQL Server می پردازیم و مزیت ها و معایب هر یک را بیان میکنیم تا بتوانید بهترین و مناسب ترین روش را انتخاب کنید.

نوشته شده در پایگاه داده
در این مقاله خواهیم دید که چگونه یک Web API را از داخل برنامه دات نت با استفاده از System.Net.Http.HttpClient فراخوانی کنیم.
نوشته شده در برنامه نویسی
message handler در حقیقت یک کلاس است که درخواست های Http را دریافت کرده و پاسخ های Http را برمی گرداند. کلاس های message handler از کلاس انتزاعی HttpMessageHanler مشتق می شوند
نوشته شده در برنامه نویسی
کلیدواژه ها: HTTP Message Handlers , HttpClient Message Handlers , Web API
در این مقاله ما خواهیم دید که چگونه می توانیم از طریق Web API یک فایل را آپلود کنیم و چگونه می توانیم دیتای multipart MIME را پردازش کنیم.
نوشته شده در برنامه نویسی
در این مطلب بررسی خواهیم کرد که چگونه می توانیم محتوای یک فرم ورود اطلاعات در قالب Html را به یک Web API ارسال کنیم.
نوشته شده در برنامه نویسی
کلیدواژه ها: Web API ، Complex Types ، simple type ، آژاکس
Large scale clustering
خوشه‌بندی یکی از تکنیک‌های مهم و پرکاربرد در داده‌کاوی به شمار می‌آید. الگوریتم‌های خوشه‌بندی سلسله مراتبی مانند Single-link به دلیل نمایش نتایج خوشه‌بندی در ساختاری معنادار و درختی دارای کاربردهای بسیاری هستند. بااین‌حال در سال‌های اخیر حجم داده‌های تولیدی در جهان به‌سرعت در حال افزایش است و استفاده از الگوریتم‌های رایج خوشه‌بندی در برنامه‌هایی که با داده‌های حجیم سروکار دارند امری چالش‌برانگیز به‌حساب می‌آید. نگاشت‌کاهش یکی از مشهورترین چارچوب‌ها برای پردازش حجم عظیمی از داده‌ها بر روی خوشه‌ی بزرگی از ماشین‌ها است که در سال‌های اخیر شایستگی و توانمندی خود را در زمینه‌ی بزرگ‌داده چه در مجامع علمی و چه در صنعت به اثبات رسانده است. امروزه موازی‌سازی الگوریتم‌های خوشه‌بندی با استفاده از این چارچوب موردتوجه بسیاری از محققان قرار گرفته است.
ما در این پروژه الگوریتم خوشه‌بندی موازی و مقیاس‌پذیری را به نام MapReduce Summarized Single-Link) MRSSL) با استفاده از چارچوب نگاشت‌کاهش ارائه می‌دهیم که می‌تواند بزرگ‌داده‌ها را به‌طور مؤثر و کارا خوشه‌بندی کند. الگوریتم پیشنهادی با تطبیق یک روش خلاصه‌سازی با چارچوب نگاشت‌کاهش، مجموعه داده‌ها را به‌طور موازی به مجموعه‌ای از نقاط نماینده که در داخل حافظه اصلی ماشین‌های خوشه جای می‌گیرند کاهش داده و سپس آن‌ها را خوشه‌بندی می‌کند. ما MRSSL را با استفاده از اسپارک که چارچوبی سریع و نوین برای پردازش بزرگ‌داده‌ها محسوب می‌شود توسعه دادیم. استفاده از این چارچوب و توانایی بالای آن در پردازش درون حافظه‌ای این امکان را فراهم می‌کند تا بر روی خوشه‌ای با تعداد زیادی ماشین خوشه‌بندی با سرعت و مقیاس‌پذیری بالا انجام گیرد. ما همچنین راهکاری کارآمد برای موازی‌سازی ماتریس فاصله در الگوریتم‌های سلسله مراتبی با استفاده از چارچوب اسپارک ارائه دادیم. نتایج آزمایش‌های ما با مجموعه داده‌های متنوع و حجیم شامل میلیون‌ها نقطه داده با ابعاد بالا تأکید می‌کند که MRSSL از توانایی لازم برای خوشه‌بندی بزرگ‌داده‌ها با مقیاس‌پذیری و سرعت بالا برخوردار است.
در زیر برخی از مجموعه‌داده‌های مورد استفاده در این پروژه نشان داده شده است.
تجزیه تحلیل داده های پزشکی
 چند سالی است که داده های پزشکی اهمیت بسیار زیادی یافته اند. این اهمیت زمانی ملموس تر شد که کمپانی های بسیار بزرگی مانند اپل و سامسونگ سنسورهایی برروی گوشی های موبایل قرار دادند که بتواند علایم حیاتی افراد را به شکل مداوم مورد بررسی قرار دهد. به عنوان مثال، اپل با کمک پردازنده حرکتی خود قدم بزرگی در این راستا برداشت و یا معرفی اپلیکیشن iHealth. سامسونگ نیز از حسگر ضربان قلب برای اینکار کمک گرفت. و حال شاهد رشد سریع این تکنولوژی ها در ابزارهای متعددی هستیم. این ابزارها امروزه در ساعت های هوشمند نیز گنجانده شده اند.
داده های پزشکی تنها به اینجا ختم نمیشود. تمام کشور ها به این نتیجه رسیده اند که باید داده هایی که در بیمارستان ها و شرکت های بیمه تولید میشوند مورد پردازش قرار گیرند چرا که این داده ها میتوانند ضامن سلامتی انسان ها باشند. این داده ها میتوانند از رکوردهایی که در نسخه بیماران نوشته میشوند تا عکس های رادیولوژی و… را شامل شوند.
حجم، سرعت و تنوع در این داده ها بسیار زیاد است و هرگز نمیتوان آنها را با قدرت انسان یا حتی سیستم های عادی موجود تحلیل کرد. مخصوصا الگوریتم های داده کاوی که بسیار تکراری هستند نیاز به پردازش و سرعت بالایی دارند.
مقاله زیر در " ماهنامه علمی و فنی دانشمند، سال 29، شماره 8، سال 1370 - توسط استاد محمدرضا صیاد" نگاشته شده است. که در اینجا بدون هیچ دخل و تصرفی منتشر شده است.
کلیدواژه ها: تقویم، نام سال، نام سال براساس حیوان
« قبلی ۱ ۲ ۳ ۴ ۵ ۶ صفحه ۷ از ۸ ۸ بعدی »

برای نظر دادن ابتدا باید به سیستم وارد شوید. برای ورود به سیستم روی کلید زیر کلیک کنید.