AI네트워킹

Virtual circuit switching Frame-Relay를 생각해보자.circuit switching과 packet switching의 장점을 합침.setup - transfer - teardown 과정을 거친다. 패킷을 사용하지만, 지정된 경로로 갈 수 있

2계층의 역할은 두가지 존재. 윗 계층으로 넘겨주는 data link control sublayer와 1계층, media 데이터 송수신을 담당하는 multiple-access sublayer존재. Random access - 충돌가능. Multiple Access

아날로그 -> PCM -> 디지털디지털 -> QAM -> 아날로그 PCM? Pulse Code Modulation.아날로그 신호를 디지털 신호로 표현하기 위해서는 sampling을 수행한다. 어떤 위치에서, 몇개의 sampling을 수행할 것인가?\-> 가장 높은곳과

일단 생각해보자. 수많은 redundant bit를 추가하여 error correction 을 하는것이 과연 효율적인가? 데이터가 아주 많을때는 비효율적이다. 64bit 짜리 병렬 연산, 시리얼 통신, PCIe 등과 같이 매우 적은 데이터 송/수신하는 프로토콜에서는 그

단순 패킷 전달이라는 기능 이외에, 3계층에서의 역할은 어떤것이 있는가?\-> egress buffer가 꽉차서 더이상 패킷을 보낼 수 없을때, ingress부분에서 패킷을 drop해야한다. \-> RED(Random Early Detection) critical 한

딥러닝 학습시나 연산을 위한 교환을 수행시..parameter교환같은것을 할때 TCP의 영향이 매우 크다. Flow control시 처음부터 적절하게 잡으면 빠르지 않을까? 같은 질문이 있다. 이렇게 parameter전송같이 데이터센터에서의 대규모 전송시 필요한 con

ML and networking CNN은 이미지등을 구분하기 위해서 사용하는 기법, 네트워크 연관있는것은 시계열 데이터를 분석하고 구할 수 있게 해주는 RNN과 데이터간의 관계성을 중요시하는 Transform기법이 사용된다. Parallel learning AI 모

preprocess 전처리 - Missing data를 어떻게 처리할것인가 중간값을 집어넣을수도있고, 다른 열과의 상관관계에 가장 밀접한 애를 집어넣고 빠져있는 놈을 예측해볼 수 있음,노이즈를 어떻게 처리할것이냐 등을 처리하는 단계.하지만, KDD99 intructio

기말프로젝트.실습 자료에 있는거 외(다른 데이터셋이나 메커니즘) 공격 유형 파악까지만 하면 됨. discard는 라우터단에서라우터 시뮬레이션으로..트래픽데이터셋으로 path 최적화 시계열 분석. LSTN, Time-LLMaggregation(collective 통신)

메모리 폭발: GPT-3(175B)급 모델을 학습하려면 모델 파라미터, 옵티마이저 상태 등을 모았을 때 최소 800GB 이상의 초거대 메모리가 필요합니다. 단일 GPU나 단일 서버(Host)로는 물리적 탑재가 불가능하므로 GPU 클러스터링(Clustering)이 필수적

음 일단 문제점은 비글본블랙이 너무 저사양이라 노트북이랑 동일한 양의 데이터를 주면 sync를 맞춰야하므로 너무 느리단말이지.\-> 서로 다른 양의 데이터를 갖도록 해야겠다. 먼저 서버를 키고, 노드가 연결하고, 그 노드들이 데이터 비율을 정할 수 있는 metric을

기본적으로 이러한 Spine-Leaf, 2-tier system 구조를 사용한다. Fat-Tree 구조는 3-tier structure를 이용한다. Core-Aggreagtion-Edge 구조를 갖는다. 일반적으로 발생하는 병목을 해결하기 위해서 aggregation단

AI agent는 action이 있어야한다. knowledge를 수집해서 feedback, 그리고 그 환경에 맞는 action을 내려주는것이다. 단순 수집, 분석 module + action = Agent 센싱 -> 센싱된 환경에 맞는 동작을 결정.(rule, mode