Önszerveződő adatbázisok

Méret: px
Mutatás kezdődik a ... oldaltól:

Download "Önszerveződő adatbázisok"

Átírás

1 High Speed Networks Laboratory 1/40

2 Önszerveződő adatbázisok 1. Paradigmaváltás az adatbázisokban Megtervezett adatbázis Evolúció alkotta adatbázis 2. Önszerveződő adatbázis: struktúra, lekérdezés 3. Struktúra: a hálózatot meghatározó jellemzők Méret, átmérő Kisvilág tulajdonság Skálafüggetlen hálózatok Preferenciális kapcsolódás 4. Lekérdezés Lekérdezés önszerveződő adatbázisokban Internetes keresőmotorok működésének alapjai 2/40

3 Paradigmaváltás az adatbázisokban Mennyi zenét tárolsz a számítógépeden? Régen: rengeteg zene a számítógépen Hatalmas adatbázisban Viszonylag struktúrálva Most: Kevés zene a gépen, csak amire azonnal szükség van Túlnyomó részben: YouTube, Spotify, Tidal, Google, Egy struktúrálatlan halmazból keressük ki 3/40

4 Paradigmaváltás az adatbázisokban Eddig Relációs adatbázis Elosztott adatbázis Lekérdezés: erősen megnövelte a kommunikációs költségek részarányát az adatbázis-kezelés költségein belül Ötlet: próbáljuk meg az adatokat a felhasználás közelében elhelyezni. Osztott adatbázisok. Az osztott adatbázis egy fizikailag megosztott, de logikailag egységes adatbázis. 4/40

5 Amerre mozdul a világ: Megtervezett adatbázis evolúció alkotta adatbázis Elosztott adatbázisok: A kommunikációs költségek csökkenése. Mindenki a számára ismerős adatokat gondozza. Egy-egy csomópont kiesése esetén a többi adatai továbbra is elérhetőek. Lehetséges a moduláris tervezés, a rugalmas konfigurálás. Rugalmasabb adatstruktúra kell Önszerveződő adatbázisok: A kapcsolódást nem egy központi egység határozza meg A csomópontok saját maguk döntik el, hova kapcsolódnak 5/40

6 Önszerveződő adatbázisok 1. Paradigmaváltás az adatbázisokban Megtervezett adatbázis Evolúció alkotta adatbázis 2. Önszerveződő adatbázis: struktúra, lekérdezés 3. Struktúra: a hálózatot meghatározó jellemzők Méret, átmérő Kisvilág tulajdonság Skálafüggetlen hálózatok Preferenciális kapcsolódás 4. Lekérdezés Lekérdezés önszerveződő adatbázisokban Internetes keresőmotorok működésének alapjai 6/40

7 Mit az önszerveződő adatbázis? A szó tág értelmében Önszerveződő adatbázis = (struktúra,lekérdezés) Az adatbázis önszerevződő jellege meghatározza a kialakuló topológiát A topológia meghatározza, milyen a hatékony keresés Önszerveződő adatbázis példák: Internet Blogok Google Fordító Szocális hálózat P2P hálózat 7/40

8 Önszerveződő hálózat: Az Internet Általános értelemben: Nagy bonyolult hálózatok Hálózat komplexitása Sok csomópont Sok kapcsolat Heterogén csomópont típusok és kapcsolattípusok Tisztán kivehető tendencia: kommunikációs hálózatok egyre bonyolultabbakká válnak Az Internet fejlődési trendek Felhasználók számának drámai növekedése Kicsi mobil eszközök Szerteágazó szabványok, sok gyártó Heterogén eszközök Virtuális hálózatok fizikai hálózakon VPNs, virtual ISPs Milyen struktúra lakozik a komplexitás mögött? 8/40

9 Pillanatfelvételek A hálózatok dinamikusak Még jó, annyira gyorsan változnak az igények Jelenleg nincs lehetőség a dinamizmus vizsgálatára nagy léptékben Legtöbb adatbázis csak a pillanatnyi állapotot tárolja Ezért egy-egy elemzés csak egy pillanatfelvétel Előfordulnak statisztikai hibák Néha később módosított eredmények 9/40

10 Önszerveződő adatbázisok 1. Paradigmaváltás az adatbázisokban Megtervezett adatbázis Evolúció alkotta adatbázis 2. Önszerveződő adatbázis : struktúra, lekérdezés 3. Struktúra: a hálózatot meghatározó jellemzők Méret, átmérő Kisvilág tulajdonság Skálafüggetlen hálózatok Preferenciális kapcsolódás 4. Lekérdezés Lekérdezés önszerveződő adatbázisokban Internetes keresőmotorok működésének alapjai 10/40

11 Számunkra jelenleg lényeges paraméterek 1. Hálózat méret: Csomópontok száma Ezres, milliós, esetleg milliárdos méretek esetén lehet statisztikai adatokkal jól jellemezni egy hálózatot 2. Klaszterezettség: Csoportosulás mértéke A szomszéd node-jaim kapcsolódnak-e egymáshoz? Ha 1 akkor mindig, ha 0 akkor soha! 3. Átmérő: Kis átmérő, rövid utak, kisvilág jelleg Egy rácsban igen nagy átmérők lehetnek, míg pl. a teljes gráf átmérője Hasonlósági paraméter (γ): Mennyire hasonló a szerepük? (skálafüggetlen szerkezet) Ha a szám magas, akkor az egyének nagyon hasonlítanak, ha alacsony akkor (~ 2) akkor erősen eltérő szerepek vannak 5. Fokszámeloszlás: a csúcsok mekkora hányadának k a fokszáma? Egyenletes? Binomiális? Valami más? 11/40

12 Méret és átmérő Mekkora egy önszerveződő adatbázis? Csomópontok száma: néhány tíz milliárdok Mekkora az adatbázis átmérője? 1929: Karinthy Frigyes Láncszemek Hat lépés távolság 1967: Milgram kísérlet (a másik) Levélküldés nagy távolságra (szociológiai, földrajzi), véletlenszerűen választott emberek Információk a célszemélyről Személyes ismeretség esetén azonnal a célhoz Egyébként olyanhoz aki valószínűleg személyesen ismeri+levél a Harvardra 12/40

13 Milgram kísérlete (további részletek) Néha 1-2 lépés elég volt néha kilenc kellett 296 levélből 232 nem ért célba A maradékból az átlagos távolság 5.5-nek adódott (ellentmondott a tapasztalatokkal, és várakozásokkal) Az utolsó személy igen sokszor ugyanaz Legtöbbször gyorsan földrajzi közelbe értek, ahol köröztek, amíg rést nem találtak a célszemély belső köreibe Problémák Kevés célbeérkező levél Emiatt hosszabb láncok kevésbé vannak jelen (alábecslés) Többször ismételték 2002-ben verzió 2008, Microsoft.NET Messenger Service: 6.6 Hatlépésnyi távolság 13/40

14 Átmérő Példa: Rubik-kocka állapotai 14/40

15 Átmérő 15/40

16 The Anatomy of the Facebook Social Graph Ugander, Karrer, Backstrom, Marlow arxiv: v1 [cs.si] májusi állapot elemzése Aktív felhasználók: 1. Bejelentkezett a vizsgálatot megelőző 28 napban 2. Van legalább 1 ismerőse 721 millió aktív felhasználó (a Föld lakossága akkor 6.9 milliárd) 68.7 milliárd kapcsolat átlagosan 190 ismerős 16/40

17 Felhasználók közti átlagos távolság 4.7 lépés távolság USÁ-n belül: 4.3 Független tanulmány: átmérő ~40 Az átmérő önmagában megtévesztő 17/40

18 Csoportosulás mértéke A weboldalak jellemzően szoktak egymásra mutatni Minél több közös oldalra mutatnak, annál nagyobb valószínűséggel egymásra is Melyik tűnik hihetőbbnek mint weboldalak hálózata? Miért? 18/40

19 Klaszterezettségi együttható Globális: háromszögek száma C = tripletek száma a háromszögek számának aránya ahhoz képest, hogy mennyi lehetne C=1 Lokális: a kék csúcsra vonatkozóan c kék =1 c kék =1/3 c kék =0 C i = 2 szomszédok közötti élek N i (N i 1), ahol N(i) = #{i szomszédai} 19/40

20 Egy adatbázisban 20/40

21 Kisvilág-tulajdonság 21/40

22 Fokszámeloszlás A csúcsok mekkora hányadának k a fokszáma n k = hány k fokszámú csúcs van P(k) = n k, n a csúcsok száma n hisztogram 22/40

23 Fokszámeloszlás Binomiális Hatványfüggvény P k = n k pk (1 p) n k Véletlen hálózat Nyerőgép P k ~ k γ γ: Hasonlósági paraméter Önszerveződő hálózatok 23/40

24 Skálafüggetlenség A fokszámeloszlás hatványfüggvényt követ 24/40

25 Skálafüggetlenség szemléletesen 1. A hálózatra rázoomolva önhasonló szerkezet Pont így van a természetben is 2. Nem heterogén szerepű csomópontok Néhány központ, sok kis node 25/40

26 Valós hálózatok 26/40

27 Hogyan kapcsolódnak új pontok az adatbázishoz? Önszerveződő adatbázisok Egy már meglévő adatbázis melyik pontjához fogunk kapcsolódni? P2P hálózatban melyik fájlt töltöd le? Egy nemzetségen belül melyik fajok szaporodnak el? Minél népszerűbb Népszerűség ~ minél több kapcsolata van eddig 27/40

28 Preferenciális kapcsolódás Preferenciális kapcsolódás A kapcsolódáshoz a jelölt esélye arányos a fokszámmal Nagyobb fokszámú csúcshoz nagyobb eséllyel kapcsolódik i csúcsra: p i = fokszám 2 élek száma A gazdag egyre gazdagabb lesz Növekedéssel együtt: skálafüggetlen hálózat 28/40

29 Szűkebb értelemben vett önszerveződő hálózatok Speciális értelemben 1.Nem véletlenszerű kapcsolatok, csoportosuló 2.Kis átmérő, rövid utak, kisvilág 3.Skálafüggetlen szerkezet: erősen változó szerepek a hálózatban 29/40

30 Önszerveződő adatbázisok 1. Paradigmaváltás az adatbázisokban Megtervezett adatbázis Evolúció alkotta adatbázis 2. Önszerveződő adatbázis : struktúra, lekérdezés 3. Struktúra: a hálózatot meghatározó jellemzők Méret, átmérő Kisvilág tulajdonság Skálafüggetlen hálózatok Preferenciális kapcsolódás 4. Lekérdezés Lekérdezés önszerveződő adatbázisokban Internetes keresőmotorok működésének alapjai 30/40

31 Kisvilág-hálózat Kleinberg modellje Jon Kleinberg: Nem csak a topológia érdekes, hanem hogy gyorsan meg is lehet találni a célt, térkép nélkül Az optimális modell kereséshez Távolság: d(u,v) lépkedések száma a szomszédokon High Speed Networks Laboratory A rácson két pont között az kapcsolat valószínűsége ~ d(u,v) -r Mohó keresési algoritmus 31/40

32 Navigálás a Kleinberg-modellben Keresés egy kisvilág-adatbázisban A rácson két pont között az kapcsolat valószínűsége ~ d(u,v) -r gyorsan meg is lehet találni a célt, térkép nélkül = mohó keresés 32/40

33 Hogyan működnek a keresőmotorok? 33/40

34 Internetes keresőmotorok A keresőmotorok két fő funciója 1. Crawling és az oldalak térképének felépítése 2. Válasz a lekérdezésre 1. Crawling & Indexing A weben levő dokumentumok, fájlok, oldalak bejárása és indexelése Indexelés ~ tárgymutató egy könyv végén 2. Válaszadás a felhasználói lekérdezésre Releváns oldalak listája Sorrend 34/40

35 Honnan tud a keresőmotor egy oldalról? 1. Megmondjuk, hogy létezik Home page URL-je search.yahoo.com/info/submit.html search.live.com/docs/submit.aspx XML oldaltérkép 2. Ha egy másik oldal mutat rá: keresőrobotok beindexelik Struktúra miatt működik A kapcsolatok mentén a keresőmotor bejárja = crawling Ha találnak egy új oldalt: részleteket tárolnak 35/40

36 Egy Google keresés 36/40

37 Adjunk választ! A keresőmotor egy válaszadó gép Háromféle keresés: "Do" Tranzakciós keresés valami végrehajtása: repülőjegy vásárlás, zenehallgatás "Know" Információs keresés egy zenekar neve, a város legjobb étterme "Go" Navigációs keresés Kifejezetten egy weblap keresése: menj a Facebook-ra, az NFL homepage-re Csak az a válasz érdekel, ami relevéns Hasznosság remélt sorrendjében A relevancia több, mint hogy tartalmazza a jó szavakat A keresőmotorok első napjaiban ennyi volt Nem is működött jól AltaVista Google 37/40

38 Search Engine Optimization Egy weboldal láthatóságának befolyásolása egy keresőmotor találati listájában Nem a keresőmotorok kijátszása Jó felhasználói élmény Az oldal szándékainak közvetítése, hogy a releváns kereséseknél ajánlhassák robots.txt: amit a keresőrobotok ne járjanak be Bejelentkezés után látható oldalak Személyes információt tartalmazó oldalak: vásárlás Oldalon belüli keresési eredmények Korai algoritmusok: Szerepelnek-e a megadott szavak Kulcsszó-sűrűség Keyword meta-tag Könnyű volt kijátszani 38/40

39 Mennyire fontos egy oldal? A legtöbb keresőmotornál: fontosság = népszerűség Minél népszerűbb egy oldal, annál fontosabb kell legyen az infó, ami rajta van Algoritmusokkal szűrik és rangsorolják az oldalakat relevancia és népszerűség alapján Ranking faktorok Tartalom: Az oldal szövege, címek, ismertetők. Teljesitmény: Milyen gyors? Jól működik? Megbizhatóság: Elég jó a tartalom ahhoz, hogy más oldalak ide mutassanak? Más oldalak megjelölik referenciaként? Felhasználói élmény: Hogy néz ki? Könnyű eligazodni? Magas a bounce rate? 39/40

40 SEO Success Factors 40/40

41 Search Engine Optimization Oda-vissza ható folyamat Algoritmus helyezést javító trükkök új algoritmus új trükkök Hogy pontosan hogy működik, azt a tapsztalat alapján sejteni lehet On-the-page SEO Ami az oldal szerzőjének befolyása alá tartozik Tartalom HTML Felépítés Off-the-page SEO Az olvasókon, látogatókon és a többi oldal szerzőjén múlik Linkek Megbízhatóság Közösségi média Személyes paraméterek 41/40

42 Search Engine Optimization White Hat technikák A felhasználónak szóljon az oldal, ne a keresőnek A weboldal struktúráját tagolttá kell tenni, megfelelő header használattal. A <title> taget megfelelően kell kitölteni. Az oldalon elhelyezett szövegeket is érdemes optimalizálni. Helyezzünk el olyan linkeket, amik egyéb aloldalakra mutatnak. Hosszú távú eredmény Black Hat technikák Hogyan tévesszük meg a keresőt Láthatatlan tartalom Más oldal megjelenítése, ha a kereső kéri = cloaking Gyors eredmény, de: ha a kereső rájön: büntetés 42/40

43 Szervező erők adatbázisokban High Speed Networks Laboratory 43/40

44 Szervező erők az adatbázisokban 1. Bevezető Áttekintés: mi az önszerveződő adatbázis? Mi a szervező erő? 2. A folyamat mögötti dinamika: játékelmélet Bevezető példa: fogolydilemma Alapfogalmak, Nash-egyensúly 3. Az adatforgalom modellezése játékelmélettel Optimális átvitel vs. átvitel önszerveződő hálózatban 44/40

45 Paradigmaváltás az adatbázisokban Megtervezett adatbázis evolúció alkotta adatbázis Mennyi zene / film van a számítógépeden? Rugalmas adatstruktúra kell Önszerveződő adatbázisok: A kapcsolódást nem egy központi egység határozza meg A csomópontok saját maguk döntik el, hova kapcsolódnak Struktúra és lekérdezés Az adatbázis önszerevződő jellege meghatározza a kialakuló topológiát A topológia meghatározza, milyen a hatékony keresés Internet, Blogok Google Fordító Szocális hálózat P2P hálózat Folding@home 45/40

46 Struktúra és lekérdezés: hálózatparaméterek 1. Hálózat méret: Csomópontok száma Ezres, milliós, esetleg milliárdos méretek esetén lehet statisztikai adatokkal jól jellemezni egy hálózatot 2. Klaszterezettség: Csoportosulás mértéke A szomszéd node-jaim kapcsolódnak-e egymáshoz? Ha 1 akkor mindig, ha 0 akkor soha! 3. Átmérő: Kis átmérő, rövid utak, kisvilág jelleg Egy rácsban igen nagy átmérők lehetnek, míg pl. a teljes gráf átmérője Hasonlósági paraméter (γ): Mennyire hasonló a szerepük? (skálafüggetlen szerkezet) Ha a szám magas, akkor az egyének nagyon hasonlítanak, ha alacsony akkor (~ 2) akkor erősen eltérő szerepek vannak 5. Fokszámeloszlás: a csúcsok mekkora hányadának k a fokszáma? Egyenletes? Binomiális? Valami más? 46/40

47 Struktúra és lekérdezés Evolúció alkotta adatbázis 1.Nem véletlenszerű kapcsolatok, csoportosuló 2.Kis átmérő, rövid utak, kisvilág 3.Skálafüggetlen szerkezet: erősen változó szerepek a hálózatban 47/40

48 Preferenciális kapcsolódás Egy már meglévő adatbázis melyik pontjához fogunk kapcsolódni? Minél népszerűbb Népszerűség ~ minél több kapcsolata van eddig Preferenciális kapcsolódás A kapcsolódáshoz a jelölt esélye arányos a fokszámmal A gazdag egyre gazdagabb lesz Növekedéssel együtt: skálafüggetlen hálózat 48/40

49 Struktúra és lekérdezés Keresőmotorok 1. Feltérképezés: crawling & indexing 2. Adjunk releváns választ 3. Search Engine Optimization 49/40

50 Kisvilág-hálózat Kleinberg modellje Jon Kleinberg: Nem csak a topológia érdekes, hanem hogy gyorsan meg is lehet találni a célt, térkép nélkül Az optimális modell kereséshez Távolság: d(u,v) lépkedések száma a szomszédokon High Speed Networks Laboratory A rácson két pont között az kapcsolat valószínűsége ~ d(u,v) -r Mohó keresési algoritmus 50/40

51 Navigálás a Kleinberg-modellben Keresés egy kisvilág-adatbázisban A rácson két pont között az kapcsolat valószínűsége ~ d(u,v) -r gyorsan meg is lehet találni a célt, térkép nélkül = mohó keresés 51/40

52 Szervező erők az adatbázisokban 1. Bevezető Áttekintés: mi az önszerveződő adatbázis? Mi a szervező erő? 2. A folyamat mögötti dinamika: játékelmélet Bevezető példa: fogolydilemma Alapfogalmak, Nash-egyensúly 3. Az adatforgalom modellezése játékelmélettel Optimális átvitel vs. átvitel önszerveződő hálózatban 52/40

53 Játékelmélet, mint szervező erő Neumann János 1928 A fejszámológép :) A legyes feladat megoldója mi a racionális viselkedés olyan helyzetekben, ahol minden résztvevő döntéseinek eredményét befolyásolja a többiek lehetséges választása stratégiai problémák elmélete Hogyan jelentkezik az önszerveződő adatbázisokban? Milyen dinamikákban ismerhető fel? 53/40

54 Játékelmélet, mint szervező erő Egyensúly megtalálása Trade-off keresése gyors keresés vs. bonyolultság Evolúciós szerveződés vs. tervezett struktúra Mit csináljunk este? 54/40

55 Bevezető példa: fogolydilemma Egy bűncselekmény két gyanúsítottal Mindkettő hallgat: egyegy év Mindkettő bevallja: ötöt év Egyik hallgat, másik bevallja: hallgató 20 év, másik szabadul Mi fog történni? 55/40

56 Fogolydilemma folytatás Ugyanez a helyzet: Doppingolás sportversenyen Cigaretta-reklámozás két gyártó között Fegyverkezés a hidegháborúban 56/40

57 Alapfogalmak Játék, játékosok: A és B Stratégia: egy játékos lehetséges választási lehetőségei Lehetséges stratégiák halmaza 1. (confess,confess) 2. (confess, silent) 3. (silent, confess) 4. (silent, silent) Kifizetési (payoff) matrix cél: a kifizetést minimalizálni 57/40

58 Alapfogalmak: legjobbválasz-leképezés Egy játékos legjobbválasz-leképezése: az a stratégia, ami a többi játékos adott stratégiája esetén a legkedvezőbb eredményt adja, Attól kérjük a csomagot egy P2P hálózatban, akitől várhatóan a leggyorsabban tudjuk letölteni Arra megyünk, amerre a legrövidebb az út 58/40

59 Alapfogalmak: Nash-egyensúly John Nash Amerikai matematikus Közgazdasági Nobel-díj 1994 Egy csodálatos elme Nash-egyensúly Legjobbválasz-leképezés a többiek stratégiájára Olyan eleme a stratégiahalmaznak, ahonnan senkinek se éri meg elmozdulni, ha a többiek nem változtatnak ZH-n ha mindenki puskázik 59/40

60 Nash-egyensúly Mi lesz a Nash-egyensúlyi pont? (vall,vall) Ha A vall, B-nek nem éri meg hallgatni Ugyanígy fordítva Kívülálló szemszögéből nem mindig látszik racionálisnak Érezzük, hogy jobban járnának, ha mindketten hallgatnának De mégsem Ezért van egyáltalán a lehetőség, hogy valljanak 60/40

61 Nash-egyensúly megtalálása 1. Megsejtjük, és leellenőrizzük a definíciót. Ráérzünk, hogy a (vall,vall) a Nash-egyensúlyt adó stratégia A ráérzünk része felvet némi problémát, de ettől most eltekintünk Ellenőrizendő: feltéve, hogy a másik résztvevő nem mozdul el, nem éri meg változtatni 61/40

62 Nash-egyensúly megtalálása 2. Dominált stratégiák eliminálásával Dominált stratégia: A játékos s stratégiája dominált, ha van olyan s- től különböző s i stratégia, hogy B játékos minden választására jobban megéri s helyett s i -t választani Ha ezek sorozatos elhagyása után egyetlen stratégia-pár marad, akkor az Nash-egyensúly A-nál és B-nél is a remain silent dominált stratégia 62/40

63 Feladat: Nash-egyensúly megtalálása Dominált stratégiák elhagyásával keressük meg a Nash-egyensúlyi pontot az alábbi kifizetési mátrixban! 63/40

64 Feladat: Nash-egyensúly megtalálása Dominált stratégiák elhagyásával keressük meg a Nash-egyensúlyi pontot az alábbi kifizetési mátrixban! 64/40

65 Szervező erők az adatbázisokban 1. Bevezető Áttekintés: mi az önszerveződő adatbázis? Mi a szervező erő? 2. A folyamat mögötti dinamika: játékelmélet Bevezető példa: fogolydilemma Alapfogalmak, Nash-egyensúly 3. Az adatforgalom modellezése játékelmélettel Optimális átvitel vs. átvitel önszerveződő hálózatban 65/40

66 A játékelmélet önszerveződő adatbázisokban Játékelmélet: egyensúly megtalálása Trade-off Bonyolultság vs. gyorsaság Tervezés vs. Egy önszerveződő hálózatban: hogyan dől el, hogy ki mit merre küld? Evolúció alkotta hálózat: összekapcsolódtak: utána a struktúra már megvan, merre továbbítanak? Merre megy az adat? 66/40

67 Egyensúlyi forgalom x = 4000 csomagot küld PeerA a PeerB-nek Egy él súlya: az átviteli idő pay-off = az áltviteli idő ellentettje Mennyi idő alatt ér célba? 67/40

68 Nash-egyensúly az előző hálózatban Egy Nash-egyensúly: egyenlően elosztják egymást 1. Ez tényleg Nash-egyensúly Próbáljuk ki, ha valaki változtatni akar Amerre ő megy, 2001/ az átvitel ideje > 65 Jobban megéri nem váltani 2. Nincs másik Tegyük fel, hogy van valami más elosztás, ami egyensúly Aki a lassabb úton van, annak megéri átváltani a gyorsabbra Egyenlő elosztás jön ki 68/40

69 Braess paradoxon Mi a paradoxon? 69/40

70 Braess paradoxon Adjunk hozzá egy új élet a hálózathoz! 70/40

71 Braess paradoxon Azt várjuk, hogy ha javítunk a hálózaton, egyensúlyi helyzetben gyorsabb lesz az átvitel Naná, rövidítünk, csak nem romlik el De! a Nash-egyensúlyi pont hosszabb időt jelent Volt: fele A C B, fele A D B Mindenkinek megéri az A C D B-t választani Valóban Nash-egyensúly Összes idő = 80 Szemben az eddigi 65-tel 71/40

72 Braess-paradoxon: gyakorló feladat PeerA és PeerB két nagy csomagot küld, x=2000 és y=2000 méretűek Írjuk fel mátrix-alakban az átfutási időket! Mutassuk meg, hogy ha mindketten az A C D B-t választják, az Nash-egyensúly! 72/40

73 Braess-paradoxon: gyakorló feladat PeerA és PeerB két nagy csomagot küld, x=2000 és y=2000 méretűek Írjuk fel mátrix-alakban az átfutási időket! Mutassuk meg, hogy ha mindketten az A C D B-t választják, az Nash-egyensúly! 73/40

74 Braess-paradoxon: gyakorló feladat PeerA és PeerB két nagy csomagot küld, x=2000 és y=2000 méretűek Írjuk fel mátrix-alakban az átfutási időket! Mutassuk meg, hogy ha mindketten az A C D B-t választják, az Nash-egyensúly! x-nek az ACB és az ADB is dominált stratégia, mindkettő ACDB által y-nak szintén 74/40

75 Braess-paradoxon: megjegyzések Intuíció: ha upgrade-elünk valamit, akkor az jobb lesz Paradoxon: egy új kapcsolat hozzáadásával lassabb lett az átvitel Pl. fogolydilemmában a Vall opció hozzáadása a Hallgathoz Egyetlen él behúzásával mennyire romlik el a költség? Legfeljebb 4/3-szorosára nő Az előző példa a legrosszabb, ami előfordulhat Felmerülő kérdések: 1. Van-e egyensúlyi forgalomminta? 2. Ha igen, van-e olyan, aminek a költsége nincs túl messze a közösségi optimumtól? 3. Milyen az a hálózat, amiben beáll az optimum? 4. Hogyan tervezhető olyan hálózat, ami kivédi a rossz egyensúlyi helyzeteket? 5. Mennyivel lehet rosszabb az egyensúly az optimálisnál? 75/40

76 Egyensúly vs optimum Már láttuk: átviteli idő az egyensúlyban nem biztos, hogy optimális Mennyire lehetünk messze az optimumtól? Minden élre: travel-time függvény Lineáris, átmenő forgalom függvénye T e (x) = a e x+b e Forgalomminta: a küldött csomagok által választott útvonalak összessége 76/40

77 Egyensúly vs optimum Közösségi költség: a forgalommintához tartozó átviteli idők összege Egyensúlyi költség: közösségi költség a Nash-egyensúlyi állapotban Közösségi optimum: a lehető legkisebb közösségi költségű állapot Két fontos kérdés: 1. Van-e egyensúlyi állapotra vezető forgalomminta? 2. Ha igen, van-e olyan, aminek a költsége nincs túl messze a közösségi optimumtól? 77/40

78 Forgalmi minta megtalálása az egyensúlyban Adunk egy algoritmust, ami konkrétan talál egyet, majd megmutatjuk, hogy az helyes LEGJOBBVÁLASZ-ALGORITMUS 1. Kiidulás: egy tetszőleges forgalmi minta 2. Ha egyensúly KÉSZ 3. Egyébként: létezik legalább egy csomag, aminek a legjobbválasza a többire egy gyorsabb út Válasszunk egy tetszőleges ilyet; az váltson át erre 4. GOTO 2. Ha valaha is megáll: Mindenki olyan állapotban van, ami legjobbválasz-leképezés a helyzetre Azaz Nash-egyensúly Kell: egy idő után megáll Nem triviális, hogy megáll Pl. Matching Pennies játék 78/40

79 A javulás mértéke: mennyire jó az aktuális megoldás? Adódik: közösségi költség Van olyan legjobbválasz, amitől nő, és van olyan, amitől csökken Helyette: egy forgalomminta potenciális energiája A hálózat élein a potenciális energiák összege Egy él potenciális energiája x csomagot küld 79/40

80 Egyensúly beállása Legjobbválasz-leképezés lépésekkel a forgalomminta potenciális energiája csökken 80/40

81 Egyensúly beállása 81/40

82 Állítás: A Legjobbválasz-algoritmus megáll Bizonyítás: elég azt megmutatni, hogy a legjobbválasz-leképezések során a potenciális energia szigorúan csökken Mert: véges sok forgalomminta van csak véges sok különböző értéke lehet; mindig nemnegatív Ha minden lépés során szigorúan csökken: egy idő után nem csökkenhet tovább; mindenki legjobbválasz leképezést ad az adott helyzetre = egyensúly Pont azért csökken, mert legjobbválasz lépés történik Az e élen ha x1 csomag megy, a potenciális energia: Ha egy csomag elhagyja: Helyette átvált az f élre, ahol eddig x2 csomag volt, a potenciális energia: A rendszer energiájából levonódik: a régi útvonalon az átviteli idő: T e (x 1 ) Hozzáadódik: az új útvonal átviteli ideje: T e (x 2 +1) A változás mértéke pont a csomag átviteli idejének csökkenése: T e (x 1 )-T e (x 2 +1) Tehát a potenciális energia legjobbválasz lépés során szigorúan csökken 82/40

83 Egyensúly vs közösségi optimum? A potenciális energia és a travel time kapcsolata egyetlen élre Energy(e) = e él potenciális energiája x csomag esetén: Energy e = Te 1 + Te Te(x) Total Travel Time(e) = T e x + T e x + + T e x = x T e x tehát: Energy e Total Travel Time(e) Továbbá: 83/40

84 A potenciális energia legalább az átviteli idő fele Mivel, ezért Azaz a következő adódik: 84/40

85 Az egész rendszerre vonatkoztatva: Legyen Z egy forgalomminta Energy (Z) = az élek potenciális energiáinak összege, ha a csomagok a Z mintát követik Social-Cost(Z) = az átviteli idők összege Z forgalmi minta mellett Induljunk ki egy közösségileg optimális Z mintából legjobbválaszleképezések Z egyensúlyi minta A közösségi költség nőhet is, de a potenciális energia csak csökkenhet A közösségi költség a potenciális energia legfeljebb kétszerese Tehát a közösségi költség tetszőleges állapotban a kiindulási potenciális energiának is legfeljebb kétszerese Azaz az egyensúlyi költség a szociális optimum költségének is legfeljebb kétszerese 85/40

86 Állítás: Az egyensúlyi költség a szociális optimum költségének legfeljebb 2x-ese Bizonyítás: Legyen Z a közösségileg optimális minta, Z az egyensúlyi minta A legjobbválasz-leképezések során a potenciális energia csak csökkenhet Már korábban láttuk: Az eddigieket összerakva adódik: A potenciális energia módszerével egy egyensúlyi állapot költségére adható korlát. 86/40

87 Terjedés önszerveződő hálózatokban High Speed Networks Laboratory 87/40

88 Terjedés önszerveződő adatbázisokban 1. Bevezető és áttekintés Az előző rész tartalmából Forgalommonitorozás játékelmélettel Milyen terjedési folyamatokat vizsgálunk? 2. Önszerveződő adatbázis mérete Meddig nő egy adatbázis? 3. Vírusterjedés adatbázisokban 88/40

89 Múlt órai áttekintés: játékelmélet alapok Optimális stratégia keresése: kifizetés minimalizálása Legjobbválasz-leképezés, Nash-egyensúly beállása, dominált stratégiák eliminálása Braess-paradoxon: elmozdulás a közösségi optimumból 89/40

90 Múlt órai áttekintés: egyensúly vs optimum Optimálsi átviteli idő egyensúlyi átviteli idő Braess-paradoxon: upgrade ronthat az átviteli időn Legjobbválasz-leképezések Nash-egyensúly Az optimumnak legfeljebb kétszerese Analízis eszköze: potenciális energia Egy élre, ha x csomagot küld: Ahol T e (x) = a e x+b e, travel time függvény Forgalommintára: éleken vett potenciális energiák összege 90/40

91 Forgalmi minta megtalálása az egyensúlyban LEGJOBBVÁLASZ-ALGORITMUS 1. Kiidulás: egy tetszőleges forgalmi minta 2. Ha egyensúly KÉSZ 3. Egyébként: létezik legalább egy csomag, aminek a legjobbválasza a többire egy gyorsabb út Válasszunk egy tetszőleges ilyet; az váltson át erre 4. GOTO 2. Állítás: A Legjobbválasz-algoritmus véges lépésben megáll Bizonyítás: ötlet: elég azt megmutatni, hogy a legjobbválaszleképezések során a potenciális energia szigorúan csökken 91/40

92 Egyensúly vs közösségi optimum? A potenciális energia és a travel time kapcsolata egyetlen élre Energy e Total Travel Time e Az egész rendszerre vonatkoztatva: Legyen Z egy forgalomminta Energy (Z) = az élek potenciális energiáinak összege Social-Cost(Z) = az átviteli idők összege Induljunk ki egy közösségileg optimális Z mintából legjobbválasz-leképezések Z egyensúlyi minta A közösségi költség nőhet is, de a potenciális energia csak csökkenhet A közösségi költség a potenciális energia legfeljebb kétszerese Tehát a közösségi költség tetszőleges állapotban a kiindulási potenciális energiának is legfeljebb kétszerese Azaz az egyensúlyi költség a szociális optimum költségének is legfeljebb kétszerese Megj. Itt is igaz az állítás 4/3-os szorzóval, de azt nem bizonyítjuk. 92/40

93 Állítás: Az egyensúlyi költség a szociális optimum költségének legfeljebb 2x-ese Bizonyítás: Legyen Z a közösségileg optimális minta, Z az egyensúlyi minta A legjobbválasz-leképezések során a potenciális energia csak csökkenhet Már korábban láttuk: Az eddigieket összerakva adódik: A potenciális energia módszerével egy egyensúlyi állapot költségére adható korlát. 93/40

94 Gyakorló feladatok 1. 1.a 1000 csomagot küldünk A B. Mi a Nash-egyensúlyi állapot? 94/40

95 Gyakorló feladatok 1. 1.a egyenlően oszlik el a két lehetséges útvonalon 1.b Létrejön egy új kapcsolat a hálózatban: C D, 0 átviteli idővel. Mi most a Nash-egyensúly? 0 95/40

96 Gyakorló feladatok 1. 1.c Javul az átvitel sebessége a C B és A D utakon. Mi most a Nashegyensúly? /40

97 A mai óra tartalmából: Hálózatok növekedése Egy magára hagyott hálózat meddig nő? Szinkronizáció Terjedési jelenségek a hálózatban Hogyan terjednek a vírusok? 97/40

98 Stabilitás önszerveződő adatbázisokban 1. Bevezető és áttekintés Az előző rész tartalmából Forgalommonitorozás játékelmélettel Milyen terjedési folyamatokat vizsgálunk? 2. Önszerveződő adatbázis mérete Meddig nő egy adatbázis? 3. Szinkronizáció adatbázisokban 1. Vírusterjedés 98/40

99 Egy önszerveződő adatbázis mérete Meddig nő egy önszerveződő adatbázis? Wi-Fi a K épületben vs. a Q-ban Populációk növekedése Verhulst modell Erre a jelenségre is használható r: időben állandó növekedési ráta K: teherbírási küszöb 99/40

100 Malthus-féle lineáris növekedési modell Legegyszerűbb: N(t) = az adatbázis mérete t időpontban r = növekedési ráta dn dt = r N(t) A növekedés üteme időben állandó r t Exponenciális növekedés N t = N 0 ert, azaz mindig az e r -szeresére nő A hálózat felrobban Nem mehet a végtelenségig 100/40

101 Módosítás Vegyük be a túlnépesedést = túl sokan vannak Korlátos erőforrások = a szerver csak bizonyos számú számítógépet tud kiszolgálni A növekedési ráta nem időben állandó Kis N-re r még konstans Egyre jobban csökken K = carrying capacity = teherbírás Ha N>K, akkor negatív: többen hagyják el a hálózatot, mint ahányan jönnek A növekedési ráta változása az adatbázisban levő számítógépek számának függvényében. 101/40

102 A Verhulst-féle növekedési modell Kezelhető verzió: vesszük az egy egységre eső növekedést: Lineárisan csökkenőnek tesszük fel Kapjuk: logisztikus növekedési modell Ha N kicsi, majdnem visszaadja a Malthus-modellt Ha N K, akkor a növekedés üteme közel 0 Ha N > K, akkor negatív Kérdés: N(t) =? Meg lehet oldani analitikusan És grafikusan 102/40

103 A növekedés mértéke Ábrázoljuk -t függvényében Mit veszünk észre? a növekedés gyorsasága K/2-ig nő, utána csökken K után negatív Két fixpont: a 0 és a K Ellenőrzés: legyen =0, és oldjuk meg N-re 0 instabil, K stabil 103/40

104 Mit jelent mindez? Mit jelent mindez? Először gyorsan nő, aztán egyre lassabban A teherbírást ha túllépi, csökkeni fog Többen hagyják el a hálózatot, mint ahányan jönnek 0 fixpont, de instabil: kicsit megváltozik, akkor K-ba konvergál K fixpont, stabil: perturbáció hatására oda visszatalál 104/40

105 Még jobban lefordítva Ez a modell nem mindenható, de az alapvető jelenségeket jól mutatja Az történik, amit intuitívan várunk Elkezd nőni, beáll a teherbírás körüli értékre Ha magára hagyjuk, akkor e körül ingadozik Előrször gyorsabban nő, majd lassabban Ha túllépi a teherbírást, akkor csökken 105/40

106 Stabilitás önszerveződő adatbázisokban 1. Bevezető és áttekintés Az előző rész tartalmából Forgalommonitorozás játékelmélettel Milyen terjedési folyamatokat vizsgálunk? 2. Önszerveződő adatbázis mérete Meddig nő egy adatbázis? 3. Vírusterjedés önszerveződő adatbázisban 106/40

107 Vírusok terjedése önszerveződő adatbázisban Vírus utasításhalmaz ami elsősorban önmaga sokszorosításáról szól Mennyire fertőző Mennyi ideig tartja a gazdát fertőző állapotban Nagyon hasonlít az embert támadó vírusokra HIV, Ebola, Influenza Számítógép vírusok Internet előtt (floppy-n) Az Internet elterjedésével nulla energiával Broadcast keresés (mindegy kit) Exponenciális növekedés Ma már inkább észrevétlenség, adatszerzés, kapacitás ILOVEYOU vírus 107/40

108 Vírusterjedés: SIR modell Vírusterjedés vizsgálata SIR modell Természetesen tudni kell, hogy ki kivel érintkezik S(t),I(t),R(t): fertőződésre hajlamosak, fertőzőek, gyógyultak száma t-kor β = S I contact rate ν = I R recovery rate Lassú, robbanás, lecsengés 108/40

109 Fertőzött populáció Önszerveződő adatbázisok Vírusterjedés véletlen gráfmodellben Legkönnyebb vizsgálni: véletlen gráf Nem életszerű, de jó kiindulópont Reprodukciós arány = egy fertőzött egyed egy egészséges populációban hány újat fertőz meg az élettartama alatt S R0 Véletlen gráf esetén a reprodukciós arány teljesen meghatározza a lefolyást R 0 < 1 : hosszú távon kihal a vírus R 0 > 1: hosszú távon mindenki megfertőződik 1 R 0 1 Reprodukciós arány 109/40

110 Küszöb Fertőzött populáció Önszerveződő adatbázisok Vírusterjedés kisvilág modellben 1 Rács esetén csak az igazán durva betegség teljed el 1 0 A shortcutokon keresztül gyorsan terjed a vírus Új közösségeket megfertőzve 1 Fertőzőképesség A kisvilágságot figyelmen kívül hagyva, az emberek nem érzik a veszélyt Viszont van esély fellépni a kezdeti szakaszban Modularitás mesterséges növelése Reprodukciós arány csökkentése, immunizálás Egy védekezési stratégia: a shortcutok elvágása Tűcsere program 0 1 Véletlen élek aránya 110/40

111 Vírusterjedés skálafüggetlen hálózatban Ez áll a legközelebb a valós önszerveződő hálózatokhoz Virus bulletin A legtöbb számítógép vírus hosszan képes rejtőzködni a hálózatban Hogy lehetséges ez? (SIR modellben nem lehet) Skálafüggetlen modell Eltűnik a küszöb Kegyetlen védekezési stratégia: Hubok immunizálása De hogy találjuk meg őket? 111/40

112 Vírusok elleni védekezés Hubokat immunizáljuk Véletlen alany véletlen ismerősét immunizáljuk Számítógép vírusok Microsoft minden kompatibilis mindennel When you are dealing with rootkits and some advanced spyware programs, the only solution is to rebuild from scratch. In some cases, there really is no way to recover without nuking the systems from orbit" Mike Danseglio, program manager in the Security Solutions group at Microsoft 2006 "Detection is difficult, and remediation is often impossible," Danseglio declared. "If it doesnt crash your system or cause your system to freeze, how do you know its there? 112/40

113 Véletlen immunizálás vs hubok védelme Ha véletlenszeűen immunizáljuk a csomópontokat: Kiválasztunk 5 csomópontot Ezeket + a szomszédaikat immunizáljuk 24 csomópontot érünk el 113/40

114 Véletlen immunizálás vs hubok védelme Hubokat immunizáljuk 1 lépésben 60 csomópontot érünk el A hatékony megoldás a hubok védelme A hubok azonosítása felvet némi problémát Véletlen node egyik kapcsolata nagy valószínűséggel egy hub 114/40

Összefoglalás és gyakorlás

Összefoglalás és gyakorlás Összefoglalás és gyakorlás High Speed Networks Laboratory 1 / 28 Hálózatok jellemző paraméterei High Speed Networks Laboratory 2 / 28 Evolúció alkotta adatbázis Önszerveződő adatbázis = (struktúra, lekérdezés)

Részletesebben

Önszerveződő adatbázisok

Önszerveződő adatbázisok High Speed Networks Laboratory 1/40 Önszerveződő adatbázisok 1. Paradigmaváltás az adatbázisokban Megtervezett adatbázis Evolúció alkotta adatbázis 2. Önszerveződő adatbázis: struktúra, lekérdezés 3. Struktúra:

Részletesebben

További forgalomirányítási és szervezési játékok. 1. Nematomi forgalomirányítási játék

További forgalomirányítási és szervezési játékok. 1. Nematomi forgalomirányítási játék További forgalomirányítási és szervezési játékok 1. Nematomi forgalomirányítási játék A forgalomirányítási játékban adott egy hálózat, ami egy irányított G = (V, E) gráf. A gráfban megengedjük, hogy két

Részletesebben

Betekintés a komplex hálózatok világába

Betekintés a komplex hálózatok világába Betekintés a komplex hálózatok világába Dr. Varga Imre Debreceni Egyetem Informatikai Kar EFOP-3.6.1-16-2016-00022 Egyszerű hálózatok Grafit kristály Árpád házi uralkodók családfája LAN hálózat Komplex

Részletesebben

Véletlen gráfok, hálózatok

Véletlen gráfok, hálózatok Véletlen gráfok, hálózatok Véletlen gráfok, hálózatok Csirik András 2018.04.25 Erdős-Rényi modell Watts-Strogatz modell Barabási-Albert modell Hálózatok a mindennapokban Hálózatok a világ minden területén

Részletesebben

A Barabási-Albert-féle gráfmodell

A Barabási-Albert-féle gráfmodell A Barabási-Albert-féle gráfmodell és egyéb véletlen gráfok Papp Pál András Gráfok, hálózatok modelljei Rengeteg gráfokkal modellezhető terület: Pl: Internet, kapcsolati hálók, elektromos hálózatok, stb.

Részletesebben

Tisztán kivehetı tendencia: kommunikációs hálózatok egyre bonyolultabbakká válnak Hálózat bonyolultsága

Tisztán kivehetı tendencia: kommunikációs hálózatok egyre bonyolultabbakká válnak Hálózat bonyolultsága @ Budapest University of Technology and Economics Nagy hálózatok evolúciója Gulyás András, Heszberger Zalán High Speed Networks Laboratory Internet trendek Tisztán kivehetı tendencia: kommunikációs hálózatok

Részletesebben

Statisztikai módszerek a skálafüggetlen hálózatok

Statisztikai módszerek a skálafüggetlen hálózatok Statisztikai módszerek a skálafüggetlen hálózatok vizsgálatára Gyenge Ádám1 1 Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és Informatikai Kar Számítástudományi és Információelméleti

Részletesebben

Társadalmi és gazdasági hálózatok modellezése

Társadalmi és gazdasági hálózatok modellezése Társadalmi és gazdasági hálózatok modellezése 2. el adás A hálózatkutatás néhány fontos fogalma El adó: London András 2015. szeptember 15. Átmér l ij a legrövidebb út a hálózatban i és j pont között =

Részletesebben

WEB 2.0 tipikus szolgáltatások

WEB 2.0 tipikus szolgáltatások WEB 2.0 olyan második generációs internetes szolgáltatások gyűjtőneve, amelyek elsősorban a közösségre épülnek vagyis a felhasználók közösen készítik a tartalmat vagy megosztják egymás információit. Webkettes

Részletesebben

SzA II. gyakorlat, szeptember 18.

SzA II. gyakorlat, szeptember 18. SzA II. gyakorlat, 015. szeptember 18. Barátkozás a gráfokkal Drótos Márton drotos@cs.bme.hu 1. Az előre megszámozott (címkézett) n darab pont közé hányféleképp húzhatunk be éleket úgy, hogy egyszerű gráfhoz

Részletesebben

Branch-and-Bound. 1. Az egészértéketű programozás. a korlátozás és szétválasztás módszere Bevezető Definíció. 11.

Branch-and-Bound. 1. Az egészértéketű programozás. a korlátozás és szétválasztás módszere Bevezető Definíció. 11. 11. gyakorlat Branch-and-Bound a korlátozás és szétválasztás módszere 1. Az egészértéketű programozás 1.1. Bevezető Bizonyos feladatok modellezése kapcsán előfordulhat olyan eset, hogy a megoldás során

Részletesebben

Mátrixjátékok tiszta nyeregponttal

Mátrixjátékok tiszta nyeregponttal 1 Mátrixjátékok tiszta nyeregponttal 1. Példa. Két játékos Aladár és Bendegúz rendelkeznek egy-egy tetraéderrel, melyek lapjaira rendre az 1, 2, 3, 4 számokat írták. Egy megadott jelre egyszerre felmutatják

Részletesebben

Adatbázis rendszerek 7. előadás State of the art

Adatbázis rendszerek 7. előadás State of the art Adatbázis rendszerek 7. előadás State of the art Molnár Bence Szerkesztette: Koppányi Zoltán Osztott adatbázisok Osztott rendszerek Mi is ez? Mi teszi lehetővé? Nagy sebességű hálózat Egyre olcsóbb, és

Részletesebben

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,

Részletesebben

Közösség detektálás gráfokban

Közösség detektálás gráfokban Közösség detektálás gráfokban Önszervező rendszerek Hegedűs István Célkitűzés: valamilyen objektumok halmaza felett minták, csoportok detektálása csakis az egyedek közötti kapcsolatok struktúrájának a

Részletesebben

Gráf-algoritmusok ERŐS / GYENGE KÖTÉSEK

Gráf-algoritmusok ERŐS / GYENGE KÖTÉSEK Gráf-algoritmusok ERŐS / GYENGE KÖTÉSEK Sapientia-EMTE 2017-18 http://www.cs.cornell.edu/home/kleinber/networks-book/ A gyenge kapcsolatok ereje The strength of weak ties (legidézettebb cikk) 1969 (American

Részletesebben

Vajda Éva. Keresőoptimalizált üzleti honlap

Vajda Éva. Keresőoptimalizált üzleti honlap Vajda Éva Keresőoptimalizált üzleti honlap Hagyományos és keresőmarketing Hagyományos marketing Csoportképzésen alapul Passzív befogadás Magas belépési korlát Konverzió alig mérhető Keresőmarketing Egyéni

Részletesebben

Mesterséges Intelligencia MI

Mesterséges Intelligencia MI Mesterséges Intelligencia MI Problémamegoldás kereséssel ha sötétben tapogatózunk Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade

Részletesebben

A lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2018/

A lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2018/ Operációkutatás I. 2018/2019-2. Szegedi Tudományegyetem Informatika Intézet Számítógépes Optimalizálás Tanszék 2. Előadás LP alapfeladat A lineáris programozás (LP) alapfeladata standard formában Max c

Részletesebben

Hálózatok fejlődése A hatványtörvény A preferential attachment A uniform attachment Vertex copy. SZTE Informatikai Intézet

Hálózatok fejlődése A hatványtörvény A preferential attachment A uniform attachment Vertex copy. SZTE Informatikai Intézet Hálózattudomány SZTE Informatikai Intézet Számítógépes Optimalizálás Tanszék Előadó: London András 4. Előadás Hogyan nőnek a hálózatok? Statikus hálózatos modellek: a pontok száma (n) fix, az éleket valamilyen

Részletesebben

Tartalomjegyzék 3 Szerző 6 I. Bevezető 7 II. A keresőoptimalizálás alapjai 9 SEO vs Google Ads 9 Miért pont a Google? 12 Internetes keresők 12 Miért

Tartalomjegyzék 3 Szerző 6 I. Bevezető 7 II. A keresőoptimalizálás alapjai 9 SEO vs Google Ads 9 Miért pont a Google? 12 Internetes keresők 12 Miért Tartalomjegyzék 3 Szerző 6 I. Bevezető 7 II. A keresőoptimalizálás alapjai 9 SEO vs Google Ads 9 Miért pont a Google? 12 Internetes keresők 12 Miért jó az első helyen lenni? 16 Black hat vs white hat SEO

Részletesebben

A lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2017/

A lineáris programozás alapfeladata Standard alak Az LP feladat megoldása Az LP megoldása: a szimplex algoritmus 2017/ Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatika Intézet Számítógépes Optimalizálás Tanszék 2. Előadás LP alapfeladat A lineáris programozás (LP) alapfeladata standard formában Max c

Részletesebben

Teljesítménymodellezés

Teljesítménymodellezés Teljesítménymodellezés Budapest University of Technology and Economics Fault Tolerant Systems Research Group Budapest University of Technology and Economics Department of Measurement and Information Systems

Részletesebben

Az információs műveltség fejlesztése A könyvtárak szemléletváltása és feladatai a 21. században

Az információs műveltség fejlesztése A könyvtárak szemléletváltása és feladatai a 21. században Az információs műveltség fejlesztése A könyvtárak szemléletváltása és feladatai a 21. században Dr. Varga Katalin Miért fontos ez a téma? Az interneten nem azt találjuk meg, amire kíváncsiak vagyunk, hanem

Részletesebben

Programozási módszertan. Mohó algoritmusok

Programozási módszertan. Mohó algoritmusok PM-08 p. 1/17 Programozási módszertan Mohó algoritmusok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu PM-08 p. 2/17 Bevezetés Dinamikus programozás

Részletesebben

API-MÁGIA MILLIÓ SORNYI ADAT ÚJRARENDEZÉSE. Előadó: Jaksa Zsombor, drungli.com

API-MÁGIA MILLIÓ SORNYI ADAT ÚJRARENDEZÉSE. Előadó: Jaksa Zsombor, drungli.com API-MÁGIA MILLIÓ SORNYI ADAT ÚJRARENDEZÉSE Előadó: Jaksa Zsombor, drungli.com MIRŐL FOG SZÓLNI AZ ELŐADÁS? Hogyan működik a drungli.com?# Adatok gyűjtése, stratégiák# Ha marad időm még mesélek HOGYAN MŰKÖDIK

Részletesebben

Szociális hálózatok Gráf alapú módszerek. Adatbányászat. Klaszterezés Szociális hálózatok. Szegedi Tudományegyetem. Adatbányászat

Szociális hálózatok Gráf alapú módszerek. Adatbányászat. Klaszterezés Szociális hálózatok. Szegedi Tudományegyetem. Adatbányászat Klaszterezés Szegedi Tudományegyetem Élei lehetnek címkézettek (pl. ellenség, barát), továbbá súlyozottak (pl. telefonbeszélgetés) Megjelenési formái Ismeretségi, társszerzőségi gráf (Erdős-Bacon szám)

Részletesebben

Számítógépes döntéstámogatás. Genetikus algoritmusok

Számítógépes döntéstámogatás. Genetikus algoritmusok BLSZM-10 p. 1/18 Számítógépes döntéstámogatás Genetikus algoritmusok Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu BLSZM-10 p. 2/18 Bevezetés 1950-60-as

Részletesebben

Markov-láncok stacionárius eloszlása

Markov-láncok stacionárius eloszlása Markov-láncok stacionárius eloszlása Adatbányászat és Keresés Csoport, MTA SZTAKI dms.sztaki.hu Kiss Tamás 2013. április 11. Tartalom Markov láncok definíciója, jellemzése Visszatérési idők Stacionárius

Részletesebben

Komplex hálózatok: alapfogalmak, modellek, módszerek

Komplex hálózatok: alapfogalmak, modellek, módszerek Komplex hálózatok: alapfogalmak, modellek, módszerek London András, Németh Tamás 2015. április 13. Motiváció Alapfogalmak Centralitás mértékek Néhány gráfmodell Hálózatok mindenhol! ábra 1: Facebook kapcsolati

Részletesebben

10: Peer-To-Peer Hálózatok I. HálózatokII, 2007

10: Peer-To-Peer Hálózatok I. HálózatokII, 2007 Hálózatok II 2007 10: Peer-To-Peer Hálózatok I 1 Definíció Egy Peer-to-Peer hálózat egy kommunikációs hálózat számítógépek között, melyben minden résztvevő mind client, mind server feladatokat végrehajt.

Részletesebben

Gépi tanulás a gyakorlatban. Lineáris regresszió

Gépi tanulás a gyakorlatban. Lineáris regresszió Gépi tanulás a gyakorlatban Lineáris regresszió Lineáris Regresszió Legyen adott egy tanuló adatbázis: Rendelkezésünkre áll egy olyan előfeldolgozott adathalmaz, aminek sorai az egyes ingatlanokat írják

Részletesebben

Adatszerkezetek 2. Dr. Iványi Péter

Adatszerkezetek 2. Dr. Iványi Péter Adatszerkezetek 2. Dr. Iványi Péter 1 Fák Fákat akkor használunk, ha az adatok között valamilyen alá- és fölérendeltség van. Pl. könyvtárszerkezet gyökér (root) Nincsennek hurkok!!! 2 Bináris fák Azokat

Részletesebben

Megerősítéses tanulás 7. előadás

Megerősítéses tanulás 7. előadás Megerősítéses tanulás 7. előadás 1 Ismétlés: TD becslés s t -ben stratégia szerint lépek! a t, r t, s t+1 TD becslés: tulajdonképpen ezt mintavételezzük: 2 Akcióértékelő függvény számolása TD-vel még mindig

Részletesebben

Király Zoltán, Kondé Zoltán, Kovács Antal, Lévai Annamária 2006

Király Zoltán, Kondé Zoltán, Kovács Antal, Lévai Annamária 2006 A Network-Elemzés - és felhasználása általános iskolai osztályok társas szerkezetének és a szerveződésért felelős személyes tulajdonságok feltárására Király Zoltán, Kondé Zoltán, Kovács Antal, Lévai Annamária

Részletesebben

Közgazdaságtan I. 11. alkalom

Közgazdaságtan I. 11. alkalom Közgazdaságtan I. 11. alkalom 2018-2019/II. 2019. Április 24. Tóth-Bozó Brigitta Tóth-Bozó Brigitta Általános információk Fogadóóra szerda 13-14, előzetes bejelentkezés szükséges e-mailben! QA218-as szoba

Részletesebben

Miért érdemes duplikált tartalmakkal és oldalakkal

Miért érdemes duplikált tartalmakkal és oldalakkal Tartalomduplikáció: liká ió Én loptam, vagy tőlem loptak? Énekes Barbara (Weboriginal Kft, ügyvezető) Az előadás témái Mit jelent a duplikáció? Miért érdemes duplikált tartalmakkal és oldalakkal foglalkozni?

Részletesebben

Hidraulikus hálózatok robusztusságának növelése

Hidraulikus hálózatok robusztusságának növelése Dr. Dulovics Dezső Junior Szimpózium 2018. Hidraulikus hálózatok robusztusságának növelése Előadó: Huzsvár Tamás MSc. Képzés, II. évfolyam Témavezető: Wéber Richárd, Dr. Hős Csaba www.hds.bme.hu Az előadás

Részletesebben

Döntési rendszerek I.

Döntési rendszerek I. Döntési rendszerek I. SZTE Informatikai Intézet Számítógépes Optimalizálás Tanszék Készítette: London András 8 Gyakorlat Alapfogalmak A terület alapfogalmai megtalálhatók Pluhár András Döntési rendszerek

Részletesebben

Georg Cantor (1883) vezette be Henry John Stephen Smith fedezte fel 1875-ben. van struktúrája elemi kis skálákon is önhasonló

Georg Cantor (1883) vezette be Henry John Stephen Smith fedezte fel 1875-ben. van struktúrája elemi kis skálákon is önhasonló láttuk, hogy a Lorenz egyenletek megoldásai egy nagyon bonyolult halmazt alkottak a fázistérben végtelenül komplex felület fraktál: komplex geometriai alakzatok, melyeknek elemi kis skálán is van finomszerkezete

Részletesebben

Navigáci. stervezés. Algoritmusok és alkalmazásaik. Osváth Róbert Sorbán Sámuel

Navigáci. stervezés. Algoritmusok és alkalmazásaik. Osváth Róbert Sorbán Sámuel Navigáci ció és s mozgástervez stervezés Algoritmusok és alkalmazásaik Osváth Róbert Sorbán Sámuel Feladat Adottak: pálya (C), játékos, játékos ismerethalmaza, kezdőpont, célpont. Pálya szerkezete: akadályokkal

Részletesebben

Hogy keres a Google?

Hogy keres a Google? Hogy keres a Google? Kevei Péter SZTE Bolyai Intézet Kutatók Éjszakája 208. szeptember 28. WWW Könyvtár 25 milliárd (25 0 9 ) dokumentummal, és nincs könyvtáros (a Somogyi Könyvtárban 900 000, a Bolyai

Részletesebben

angolul: greedy algorithms, románul: algoritmi greedy

angolul: greedy algorithms, románul: algoritmi greedy Mohó algoritmusok angolul: greedy algorithms, románul: algoritmi greedy 1. feladat. Gazdaságos telefonhálózat építése Bizonyos városok között lehet direkt telefonkapcsolatot kiépíteni, pl. x és y város

Részletesebben

f(x) vagy f(x) a (x x 0 )-t használjuk. lim melyekre Mivel itt ɛ > 0 tetszőlegesen kicsi, így a a = 0, a = a, ami ellentmondás, bizonyítva

f(x) vagy f(x) a (x x 0 )-t használjuk. lim melyekre Mivel itt ɛ > 0 tetszőlegesen kicsi, így a a = 0, a = a, ami ellentmondás, bizonyítva 6. FÜGGVÉNYEK HATÁRÉRTÉKE ÉS FOLYTONOSSÁGA 6.1 Függvény határértéke Egy D R halmaz torlódási pontjainak halmazát D -vel fogjuk jelölni. Definíció. Legyen f : D R R és legyen x 0 D (a D halmaz torlódási

Részletesebben

Gépi tanulás a gyakorlatban. Kiértékelés és Klaszterezés

Gépi tanulás a gyakorlatban. Kiértékelés és Klaszterezés Gépi tanulás a gyakorlatban Kiértékelés és Klaszterezés Hogyan alkalmazzuk sikeresen a gépi tanuló módszereket? Hogyan válasszuk az algoritmusokat? Hogyan hangoljuk a paramétereiket? Precízebben: Tegyük

Részletesebben

Hálózati réteg. WSN topológia. Útvonalválasztás.

Hálózati réteg. WSN topológia. Útvonalválasztás. Hálózati réteg WSN topológia. Útvonalválasztás. Tartalom Hálózati réteg WSN topológia Útvonalválasztás 2015. tavasz Szenzorhálózatok és alkalmazásaik (VITMMA09) - Okos város villamosmérnöki MSc mellékspecializáció,

Részletesebben

Sapientia - Erdélyi Magyar TudományEgyetem (EMTE) Csíkszereda IRT- 4. kurzus. 3. Előadás: A mohó algoritmus

Sapientia - Erdélyi Magyar TudományEgyetem (EMTE) Csíkszereda IRT- 4. kurzus. 3. Előadás: A mohó algoritmus Csíkszereda IRT-. kurzus 3. Előadás: A mohó algoritmus 1 Csíkszereda IRT. kurzus Bevezetés Az eddig tanult algoritmus tipúsok nem alkalmazhatók: A valós problémák nem tiszta klasszikus problémák A problémák

Részletesebben

Társadalmi és gazdasági hálózatok modellezése

Társadalmi és gazdasági hálózatok modellezése Társadalmi és gazdasági hálózatok modellezése 5. el adás Közösségszerkezet El adó: London András 2017. október 16. Közösségek hálózatban Homofília, asszortatívitás Newman modularitás Közösségek hálózatban

Részletesebben

Mesterséges intelligencia 2. laborgyakorlat

Mesterséges intelligencia 2. laborgyakorlat Mesterséges intelligencia 2. laborgyakorlat Keresési módszerek A legtöbb feladatot meg lehet határozni keresési feladatként: egy ún. állapottérben, amely tartalmazza az összes lehetséges állapotot fogjuk

Részletesebben

Alkalmazásokban. Dezsényi Csaba Ovitas Magyarország kft.

Alkalmazásokban. Dezsényi Csaba Ovitas Magyarország kft. Tudásmodellezés Kereskedelmi Alkalmazásokban Dezsényi Csaba Ovitas Magyarország kft. Tudásmenedzsment Adat -> Információ -> Tudás Intézményi tudásvagyon hatékony kezelése az üzleti célok megvalósításának

Részletesebben

A VÁLTOZÓ VILÁG Tipping Points az információs- digitális- és média- forradalom

A VÁLTOZÓ VILÁG Tipping Points az információs- digitális- és média- forradalom Tervezés-Kutatás 3. A VÁLTOZÓ VILÁG Tipping Points az információs- digitális- és média- forradalom naponta 8 milliárd kattintás! 1.China 2.India 3. facebook 4.United States 5.Indonesia 6.Brasil 1.2 milliárd

Részletesebben

Szalai Péter. April 17, Szalai Péter April 17, / 36

Szalai Péter. April 17, Szalai Péter April 17, / 36 Szociális hálók Szalai Péter April 17, 2015 Szalai Péter April 17, 2015 1 / 36 Miről lesz szó? 1 Megfigyelések Kis világ Power-law Klaszterezhetőség 2 Modellek Célok Erdős-Rényi Watts-Strogatz Barabási

Részletesebben

1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás)

1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás) Matematika A2c gyakorlat Vegyészmérnöki, Biomérnöki, Környezetmérnöki szakok, 2017/18 ősz 1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás) 1. Valós vektorterek-e a következő

Részletesebben

Operációkutatás vizsga

Operációkutatás vizsga Operációkutatás vizsga A csoport Budapesti Corvinus Egyetem 2007. január 9. Egyéb gyakorló és vizsgaanyagok találhatók a honlapon a Letölthető vizsgasorok, segédanyagok menüpont alatt. OPERÁCIÓKUTATÁS

Részletesebben

Genetikus algoritmusok

Genetikus algoritmusok Genetikus algoritmusok Zsolnai Károly - BME CS zsolnai@cs.bme.hu Keresőalgoritmusok osztályai Véletlent használó algoritmusok Keresőalgoritmusok Kimerítő algoritmusok Dinamikus programozás BFS DFS Tabu

Részletesebben

A szimplex algoritmus

A szimplex algoritmus A szimplex algoritmus Ismétlés: reprezentációs tétel, az optimális megoldás és az extrém pontok kapcsolata Alapfogalmak: bázisok, bázismegoldások, megengedett bázismegoldások, degenerált bázismegoldás

Részletesebben

Dualitás Dualitási tételek Általános LP feladat Komplementáris lazaság 2017/ Szegedi Tudományegyetem Informatikai Intézet

Dualitás Dualitási tételek Általános LP feladat Komplementáris lazaság 2017/ Szegedi Tudományegyetem Informatikai Intézet Operációkutatás I. 2017/2018-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 7. Előadás Árazási interpretáció Tekintsük újra az erőforrás allokációs problémát (vonat

Részletesebben

Adott: VPN topológia tervezés. Költségmodell: fix szakaszköltség VPN végpontok

Adott: VPN topológia tervezés. Költségmodell: fix szakaszköltség VPN végpontok Hálózatok tervezése VITMM215 Maliosz Markosz 2012 12.10..10.27 27. Adott: VPN topológia tervezés fizikai hálózat topológiája Költségmodell: fix szakaszköltség VPN végpontok 2 VPN topológia tervezés VPN

Részletesebben

Konjugált gradiens módszer

Konjugált gradiens módszer Közelítő és szimbolikus számítások 12. gyakorlat Konjugált gradiens módszer Készítette: Gelle Kitti Csendes Tibor Vinkó Tamás Faragó István Horváth Róbert jegyzetei alapján 1 LINEÁRIS EGYENLETRENDSZEREK

Részletesebben

Mesterséges Intelligencia MI

Mesterséges Intelligencia MI Mesterséges Intelligencia MI Problémamegoldás kereséssel - csak lokális információra alapozva Pataki Béla BME I.E. 414, 463-26-79 pataki@mit.bme.hu, http://www.mit.bme.hu/general/staff/pataki Lokálisan

Részletesebben

Számítógépes Hálózatok Felhasználói réteg DNS, , http, P2P

Számítógépes Hálózatok Felhasználói réteg DNS,  , http, P2P Számítógépes Hálózatok 2007 13. Felhasználói réteg DNS, email, http, P2P 1 Felhasználói réteg Domain Name System Példák a felhasználói rétegre: E-Mail WWW Content Delivery Networks Peer-to-Peer-Networks

Részletesebben

Felhasználói réteg. Számítógépes Hálózatok Domain Name System (DNS) DNS. Domain Name System

Felhasználói réteg. Számítógépes Hálózatok Domain Name System (DNS) DNS. Domain Name System Felhasználói réteg Domain Name System Számítógépes Hálózatok 2007 13. Felhasználói réteg DNS, email, http, P2P Példák a felhasználói rétegre: E-Mail WWW Content Delivery Networks Peer-to-Peer-Networks

Részletesebben

Megkülönböztetett kiszolgáló routerek az

Megkülönböztetett kiszolgáló routerek az Megkülönböztetett kiszolgáló routerek az Interneten Megkülönböztetett kiszolgálás A kiszolgáló architektúrák minősége az Interneten: Integrált kiszolgálás (IntServ) Megkülönböztetett kiszolgálás (DiffServ)

Részletesebben

Intelligens Rendszerek Elmélete IRE 4/32/1

Intelligens Rendszerek Elmélete IRE 4/32/1 Intelligens Rendszerek Elmélete 4 IRE 4/32/1 Problémamegoldás kereséssel http://nik.uni-obuda.hu/mobil IRE 4/32/2 Egyszerű lények intelligenciája? http://www.youtube.com/watch?v=tlo2n3ymcxw&nr=1 IRE 4/32/3

Részletesebben

11. Előadás. 11. előadás Bevezetés a lineáris programozásba

11. Előadás. 11. előadás Bevezetés a lineáris programozásba 11. Előadás Gondolkodnivalók Sajátérték, Kvadratikus alak 1. Gondolkodnivaló Adjuk meg, hogy az alábbi A mátrixnak mely α értékekre lesz sajátértéke a 5. Ezen α-ák esetén határozzuk meg a 5 sajátértékhez

Részletesebben

Társadalmi és gazdasági hálózatok modellezése

Társadalmi és gazdasági hálózatok modellezése Társadalmi és gazdasági hálózatok modellezése 6. el adás Hálózatok növekedési modelljei: `uniform és preferential attachment' El adó: London András 2015. október 12. Hogyan n nek a hálózatok? Statikus

Részletesebben

24. MINIMÁLIS KÖLTSÉGŰ UTAK I.

24. MINIMÁLIS KÖLTSÉGŰ UTAK I. 24. MINIMÁLIS KÖLTSÉGŰ UTAK I. Az útvonaltervezés az egyik leggyakrabban végrehajtott eljárása a gráfok alkalmazásai körében. A feladat például a közlekedésben jelentkezik. A gráfot itt az a térkép jelenti,

Részletesebben

C programozási nyelv Pointerek, tömbök, pointer aritmetika

C programozási nyelv Pointerek, tömbök, pointer aritmetika C programozási nyelv Pointerek, tömbök, pointer aritmetika Dr. Schuster György 2011. június 16. C programozási nyelv Pointerek, tömbök, pointer aritmetika 2011. június 16. 1 / 15 Pointerek (mutatók) Pointerek

Részletesebben

LINEÁRIS PROGRAMOZÁSI FELADATOK MEGOLDÁSA SZIMPLEX MÓDSZERREL

LINEÁRIS PROGRAMOZÁSI FELADATOK MEGOLDÁSA SZIMPLEX MÓDSZERREL LINEÁRIS PROGRAMOZÁSI FELADATOK MEGOLDÁSA SZIMPLEX MÓDSZERREL x 1-2x 2 6 -x 1-3x 3 = -7 x 1 - x 2-3x 3-2 3x 1-2x 2-2x 3 4 4x 1-2x 2 + x 3 max Alapfogalmak: feltételrendszer (narancs színnel jelölve), célfüggvény

Részletesebben

HELYES módosítható, olvashatóság. Válasz Felhasználói élmény, stílusos, egyéni megjelenés HIBAS

HELYES módosítható, olvashatóság. Válasz Felhasználói élmény, stílusos, egyéni megjelenés HIBAS Jelölje be azt a sort, amelyben kizárólag a weboldalakkal szemben támasztott alapkövetelmények szerepelnek. Értékes információtartalom, olvashatóság, vonzó és igényes megjelenés. Olvashatóság, felhasználói

Részletesebben

Rasmusen, Eric: Games and Information (Third Edition, Blackwell, 2001)

Rasmusen, Eric: Games and Information (Third Edition, Blackwell, 2001) Játékelmélet szociológusoknak J-1 Bevezetés a játékelméletbe szociológusok számára Ajánlott irodalom: Mészáros József: Játékelmélet (Gondolat, 2003) Filep László: Játékelmélet (Filum, 2001) Csontos László

Részletesebben

Csima Judit BME, SZIT február 18.

Csima Judit BME, SZIT február 18. 1 Véletlen gráfok és valós hálózatok Csima Judit BME, SZIT 2011. február 18. Tartalom 2 1. Motiváció: miért pont véletlen gráfok? Tartalom 2 1. Motiváció: miért pont véletlen gráfok? 2. A klasszikus modell:

Részletesebben

Algoritmuselmélet 18. előadás

Algoritmuselmélet 18. előadás Algoritmuselmélet 18. előadás Katona Gyula Y. Budapesti Műszaki és Gazdaságtudományi Egyetem Számítástudományi Tsz. I. B. 137/b kiskat@cs.bme.hu 2002 Május 7. ALGORITMUSELMÉLET 18. ELŐADÁS 1 Közelítő algoritmusok

Részletesebben

Hierarchikus skálafüggetlen gráfok generálása fraktálokkal

Hierarchikus skálafüggetlen gráfok generálása fraktálokkal Hierarchikus skálafüggetlen gráfok generálása fraktálokkal Komjáthy Júlia Simon Károly Sztochasztika Tanszék Matematika Intézet Budapesti Műszaki és Gazdaságtudományi Egyetem www.math.bme.hu/~komyju www.math.bme.hu/~simonk

Részletesebben

Tudásalapú információ-kereső rendszerek elemzése és kifejlesztése

Tudásalapú információ-kereső rendszerek elemzése és kifejlesztése Tudásalapú információ-kereső rendszerek elemzése és kifejlesztése 1 Tudásalapú információ-kereső rendszerek elemzése és kifejlesztése Természetes nyelv feldolgozás 2 Tudásalapú információ-kereső rendszerek

Részletesebben

KERESÉS A NETEN DR. KÓNYA LÁSZLÓ: KERESÉS A NETEN KERESÉS MÓDSZERE, KERESŐPROGRAMOK 2004.04.20

KERESÉS A NETEN DR. KÓNYA LÁSZLÓ: KERESÉS A NETEN KERESÉS MÓDSZERE, KERESŐPROGRAMOK 2004.04.20 INTERNET 1/42 KERESÉS A NETEN DR. KÓNYA LÁSZLÓ: KERESÉS A NETEN KERESÉS MÓDSZERE, KERESŐPROGRAMOK 2004.04.20 FORRÁS: TARR BENCE : KERESÉS AZ INTERNETEN PANEM KIADÓ, 2001 ISBN 963 545 326 4 INTERNET 2/42

Részletesebben

Fine-Grained Network Time Synchronization using Reference Broadcast

Fine-Grained Network Time Synchronization using Reference Broadcast Fine-Grained Network Time Synchronization using Reference Broadcast Ofszet Az indítás óta eltelt idıt mérik Az ofszet változása: skew Az órák sebességének különbsége Oka: Az óra az oszcillátor pontatlanságát

Részletesebben

Az Internet. avagy a hálózatok hálózata

Az Internet. avagy a hálózatok hálózata Az Internet avagy a hálózatok hálózata Az Internet története 1. A hidegháború egy fontos problémája Amerikában a hatvanas évek elején: Az amerikai kormányszervek hogyan tudják megtartani a kommunikációt

Részletesebben

Algoritmusok Tervezése. 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás

Algoritmusok Tervezése. 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás Algoritmusok Tervezése 6. Előadás Algoritmusok 101 Dr. Bécsi Tamás Mi az algoritmus? Lépések sorozata egy feladat elvégzéséhez (legáltalánosabban) Informálisan algoritmusnak nevezünk bármilyen jól definiált

Részletesebben

12. előadás - Markov-láncok I.

12. előadás - Markov-láncok I. 12. előadás - Markov-láncok I. 2016. november 21. 12. előadás 1 / 15 Markov-lánc - definíció Az X n, n N valószínűségi változók sorozatát diszkrét idejű sztochasztikus folyamatnak nevezzük. Legyen S R

Részletesebben

2008 IV. 22. Internetes alkalmazások forgalmának mérése és osztályozása. Április 22.

2008 IV. 22. Internetes alkalmazások forgalmának mérése és osztályozása. Április 22. 2008 IV. 22. Internetes alkalmazások forgalmának mérése és osztályozása Az óra rövid vázlata Nemzetközi együttműködések áttekintése A CAIDA céljai A CAIDA főbb kutatási irányai 2007-2010 között Internet

Részletesebben

Kétszemélyes játékok Gregorics Tibor Mesterséges intelligencia

Kétszemélyes játékok Gregorics Tibor Mesterséges intelligencia Kétszemélyes játékok Kétszemélyes, teljes információjú, véges, determinisztikus,zéró összegű játékok Két játékos lép felváltva adott szabályok szerint, amíg a játszma véget nem ér. Mindkét játékos ismeri

Részletesebben

2015/ Szegedi Tudományegyetem Informatikai Intézet

2015/ Szegedi Tudományegyetem Informatikai Intézet Operációkutatás I. 2015/2016-2. Szegedi Tudományegyetem Informatikai Intézet Számítógépes Optimalizálás Tanszék 9. Előadás Egy példa Adott két TV csatorna (N1, N2), melyek 100 millió nézőért versenyeznek.

Részletesebben

HAMILTON KÖR: minden csúcson PONTOSAN egyszer áthaladó kör. Forrás: (

HAMILTON KÖR: minden csúcson PONTOSAN egyszer áthaladó kör. Forrás: ( HAMILTON KÖR: minden csúcson PONTOSAN egyszer áthaladó kör Teljes gráf: Páros gráf, teljes páros gráf és Hamilton kör/út Hamilton kör: Minden csúcson áthaladó kör Hamilton kör Forrás: (http://www.math.klte.hur/~tujanyi/komb_j/k_win_doc/g0603.doc

Részletesebben

TOP SEO Trendek 2015-ben. We understand, we deliver.

TOP SEO Trendek 2015-ben. We understand, we deliver. TOP SEO Trendek 2015-ben We understand, we deliver. Önök szerint Elvis Presley halott? Elvis Presley is dead: 7 150 000 találat Elvis Presley is not dead: 1 550 000 találat Az Google szerint Elvis sajnos

Részletesebben

A számítástudomány alapjai

A számítástudomány alapjai A számítástudomány alapjai Katona Gyula Y. Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem Legszélesebb utak Katona Gyula Y. (BME SZIT) A számítástudomány

Részletesebben

BARANGOLÁS AZ E-KÖNYVEK BIRODALMÁBAN Milyen legyen az elektonikus könyv?

BARANGOLÁS AZ E-KÖNYVEK BIRODALMÁBAN Milyen legyen az elektonikus könyv? BARANGOLÁS AZ E-KÖNYVEK BIRODALMÁBAN Milyen legyen az elektonikus könyv? Készítették: Névery Tibor és Széll Ildikó PPKE I. évf. kiadói szerkesztő hallgatók, közösen 1 BEVEZETŐ Az elektronikus könyv valamilyen

Részletesebben

Hozzávalók keresése és csatolása

Hozzávalók keresése és csatolása Hozzávalók keresése és csatolása VUE támogatja digitális tartalmak hozzáadását saját gépről, WEB-ről, távoli rendszerekből, mint az FTP oldalak, digitális forrásokból és Google szerverekről. A tartalmak

Részletesebben

Biomatematika 2 Orvosi biometria

Biomatematika 2 Orvosi biometria Biomatematika 2 Orvosi biometria 2017.02.13. Populáció és minta jellemző adatai Hibaszámítás Valószínűség 1 Esemény Egy kísérlet vagy megfigyelés (vagy mérés) lehetséges eredményeinek összessége (halmaza)

Részletesebben

Teljesen elosztott adatbányászat pletyka algoritmusokkal. Jelasity Márk Ormándi Róbert, Hegedűs István

Teljesen elosztott adatbányászat pletyka algoritmusokkal. Jelasity Márk Ormándi Róbert, Hegedűs István Teljesen elosztott adatbányászat pletyka algoritmusokkal Jelasity Márk Ormándi Róbert, Hegedűs István Motiváció Nagyméretű hálózatos elosztott alkalmazások az Interneten egyre fontosabbak Fájlcserélő rendszerek

Részletesebben

6. Függvények. Legyen függvény és nem üreshalmaz. A függvényt az f K-ra való kiterjesztésének

6. Függvények. Legyen függvény és nem üreshalmaz. A függvényt az f K-ra való kiterjesztésének 6. Függvények I. Elméleti összefoglaló A függvény fogalma, értelmezési tartomány, képhalmaz, értékkészlet Legyen az A és B halmaz egyike sem üreshalmaz. Ha az A halmaz minden egyes eleméhez hozzárendeljük

Részletesebben

Online migrációs ütemezési modellek

Online migrációs ütemezési modellek Online migrációs ütemezési modellek Az online migrációs modellekben a régebben ütemezett munkák is átütemezhetőek valamilyen korlátozott mértékben az új munka ütemezése mellett. Ez csökkentheti a versenyképességi

Részletesebben

Javító és majdnem javító utak

Javító és majdnem javító utak Javító és majdnem javító utak deficites Hall-tétel alapján elméletileg meghatározhatjuk, hogy egy G = (, ; E) páros gráfban mekkora a legnagyobb párosítás mérete. Ehhez azonban első ránézésre az összes

Részletesebben

SZOFTVERES SZEMLÉLTETÉS A MESTERSÉGES INTELLIGENCIA OKTATÁSÁBAN _ Jeszenszky Péter Debreceni Egyetem, Informatikai Kar jeszenszky.peter@inf.unideb.

SZOFTVERES SZEMLÉLTETÉS A MESTERSÉGES INTELLIGENCIA OKTATÁSÁBAN _ Jeszenszky Péter Debreceni Egyetem, Informatikai Kar jeszenszky.peter@inf.unideb. SZOFTVERES SZEMLÉLTETÉS A MESTERSÉGES INTELLIGENCIA OKTATÁSÁBAN _ Jeszenszky Péter Debreceni Egyetem, Informatikai Kar jeszenszky.peter@inf.unideb.hu Mesterséges intelligencia oktatás a DE Informatikai

Részletesebben

Bevezete s a ha ló zatók vila ga ba II.

Bevezete s a ha ló zatók vila ga ba II. Bevezete s a ha ló zatók vila ga ba II. Véletlen hálózatok Szervezzünk partit! Körülbelül 100 vendéget hívunk meg. A vendégek kezdetben nem ismerik egymást. Kínáljuk őket sajttal és borral, biztosítva

Részletesebben

Termelés- és szolgáltatásmenedzsment

Termelés- és szolgáltatásmenedzsment Termelés- és szolgáltatásmenedzsment egyetemi adjunktus Menedzsment és Vállalatgazdaságtan Tanszék Termelés- és szolgáltatásmenedzsment 13. Előrejelzési módszerek 14. Az előrejelzési modellek felépítése

Részletesebben

MIKOVINY SÁMUEL TÉRINFORMATIKAI EMLÉKVERSENY

MIKOVINY SÁMUEL TÉRINFORMATIKAI EMLÉKVERSENY NYUGAT-MAGYARORSZÁGI EGYETEM GEOINFORMATIKAI KAR MIKOVINY SÁMUEL TÉRINFORMATIKAI EMLÉKVERSENY 2012/2013. TANÉV Az I. FORDULÓ FELADATAI NÉV:... Tudnivalók A feladatlap 4 feladatból áll, melyeket tetszőleges

Részletesebben

Számítógépes Hálózatok. 4. gyakorlat

Számítógépes Hálózatok. 4. gyakorlat Számítógépes Hálózatok 4. gyakorlat Feladat 0 Számolja ki a CRC kontrollösszeget az 11011011001101000111 üzenetre, ha a generátor polinom x 4 +x 3 +x+1! Mi lesz a 4 bites kontrollösszeg? A fenti üzenet

Részletesebben

Android Pie újdonságai

Android Pie újdonságai Android Pie újdonságai Ekler Péter peter.ekler@aut.bme.hu BME AUT Tartalom Android 9 újdonságok Fejlesztői érdekességek API változások Mit tartogat a jövő? Android 9 újdonságok Testreszabott rendszer Egyszerűbb,

Részletesebben