گواهینامه ها و آزمون های رد هت (Red Hat) :

(Red Hat Certified System Administrator (RHCSA
(Red Hat Certified Engineer (RHCE
(Red Hat Certified Architect (RHCA
RHCA: Cloud
RHCA: Datacenter
RHCA: Application platform
RHCA: Application development
RHCA: DevOps
Red Hat Certified Engineer in Red Hat OpenStack
Red Hat Certified System Administrator in Red Hat OpenStack
Red Hat Certified Specialist in Hybrid Cloud Management
Red Hat Certified Specialist in Gluster Storage Administration
Red Hat Certified Specialist in Data Virtualization
Red Hat Certified Specialist in Virtualization
(Red Hat Certified JBoss Developer (RHCJD
(Red Hat Certified JBoss Administrator (RHCJA
Red Hat Certified Specialist in Business Rules
Red Hat Certified Specialist in Business Process Design
Red Hat Certified Specialist in Camel Development
Red Hat Certified Specialist in High Availability Clustering
Red Hat Certified Specialist in Deployment and Systems Management
Red Hat Certified Specialist in Persistence
Red Hat Certified Specialist in OpenShift Administration
Red Hat Certified Specialist in Server Security and Hardening
Red Hat Certified Specialist in Linux Performance Tuning
Red Hat Certified Specialist in Fast-Cache Application Development
Red Hat Certified Specialist in Configuration Management
Red Hat Certified Specialist in Containerized Application Development
Red Hat Certified Specialist in Linux Diagnostics and Troubleshooting
Red Hat Certified Specialist in Ansible Automation
Red Hat Certified Specialist in Container Management
Red Hat Certified Specialist in Messaging Administration

نحوه bonding در پروکسیموکس
Bond Configuration with Proxmox VE
-----




➖➖➖➖➖
🌐 @unixmens

مفهوم bond در لینوکس .
ا Network Bonding که از آن در برخی سیستم عاملها با نام Network Teaming
(البته تیم ساختار مجزایی دارد که متفاوت با باندینگ است) یاد می شود را در لینوکس بررسی کنیم. درایور Bonding در کرنل لینوکس امکان مجتمع شدن چند کارت شبکه و استفاده از آن ها به صورت یک کارت شبکه واحد را فراهم می کند. روش های مختلفی برای این کار وجود دارد و بسته به نیاز میتوان روش یا مد Bonding را تغییر داد که از جمله این نیازها می توان به افزایش پهنای باند، ایجاد Redundancy و توزیع بار اشاره کرد.
?روش اول: Mode 0 (balance-rr)
در این روش Bonding به صورت Round-Robin عمل می کند. اگر دو کارت شبکه با یکدیگر Bond شده باشند، پکت اول و دوم به ترتیب از کارت شبکه اول و دوم خارج خواهد شد و پکت سوم مجددا از کارت شبکه اول منتقل خواهد شد و به همین ترتیب انتقال پکت ها ادامه خواهد یافت.
?روش دوم: Mode 1 (active-backup)
در این روش فقط یک Slave مشغول به فعالیت است و به صورت Active قرار دارد.بقیه پورتها زمانی Active خواهند شد که پورت Active Slave تغییر وضعیت دهد و Down شود.
?روش سوم: Mode 2 (balance-xor)
اساس انتقال در این روش  براساس XOR کردن Source MAC و Destination MAC صورت میگیرد. در این روش  یک کارت شبکه  برای هر مقصد با مک آدرس آن  انتخاب می گردد.
?روش چهارم: Mode 3 (broadcast)
این روش انتقال همه بسته ها بر روی همه Interface ها را در دستور کار خود قرار خواهد داشت و  فقط ویزگی Fault Tolerance را بهمراه خواهد داشت.
?روش پنجم: Mode 4 (802.3ad)
این روش استاندارد 802.3ad است که به صورت Dynamic Link Aggregation فعالیت میکند.این نوع  به LACP نیز مشهور است. یک گروه تجمیع شده از کارت های شبکه ایجاد می کند که سرعت و Duplex  برابر را با یکدیگر به اشتراک می گذارند. در تنظیمات سوییچ لازم است که 802.3ad تنظیم شده باشد.
?روش ششم: Mode 5 (balance-tlb)
نام کامل این روش Adaptive transmit load balancing است که در آن انتقال داده ها و توزیع آنها با توجه به بار و صف  موجود بر روی هر Interface انجام می گیرد. ترافیک خروجی بر اساس بار جاری(محاسبه شده نسبت به سرعت) در هر Slave منتشر خواهد شد و برای ترافیک ورودی بر اساس Current Slave عمل خواهد کرد .
?روش هفتم: Mode 6 (balance-alb)
این روش خود شامل روش balance-tlb به همراه receive load balancing (rlb)  است.  Receive load balancing از طریق ARP negotiation انجام می شود. درایور Bonding در پکت های ARP Reply خروجی،  مک آدرس Source  را با مک ادرس  یکی از Slave  ها جایگزین می کند در نتیجه هر یک از کلاینت ها با یکی از Slave  ها در ارتباط می باشند. این روش کاملا مستقل است و نیاز به سوئیچ با قابلیت خاصی ندارد.

#bonding #linux @unixmens

مفهوم team چیست ؟
ما در لینوکس این امکان را داریم که بتونیم هم زمان چندین لینک شبکه را به یک لینک تبدیل کنیم که این امر باعث افزایش توان شبکه و در صورت از دست رفتن یک لینک لینکهای دیگر به صورت خودکار در شبکه به کار خودش ادامه میده .
یعنی بحث HA در حوزه شبکه .

برای مثال شما با این روش Network Teaming می توانید به دو لینک شبکه خود یک آدرس IP اختصاص دهید و در حالت اول سرعت ورودی و خروجی برروی شبکه خود را افزایش دهید و یا در صورت نیاز یکی از لینکها رو به صورت بک آپ لینک قرار دهید تا در زمانی که یکی از لینکهای شما از مدار خارج شد، لینک دیگر به صورت خودکار فعال شود.

نکته : ما برای پیاده سازی هم ابزار گرافیکی داریم و هم cli

حال یه نکته :
ا #سوال team چه فرقی با bonding داره ؟
می توانید پاسخ جواب خود را به @yashar_esmaildokht ارسال کنید .

.
سیستم مدیریت یادگیری یا LMS، یک نرم افزار است که به طور خاص برای مدیریت و توزیع محتوی آموزشی طراحی شده است.
اLMS میتواند به عنوان یک محصول خاص بر روی سرور اختصاصی قرار بگیرد یا اینکه میتواند مانند یک پلتفرم  نرم افزار کلاس آنلاین میزبانی شود.
سیستم مدیریت یادگیری به عنوان یک تکنولوژی جدید میتواند یادگیری را بهبود ببخشد و آن را سریع تر و سودمند کند، همچنین امکان بررسی و آنالیز روند یادگیری وجود دارد. پایه اصلی این سیستم شامل یک بستر عملکردی اصلی است که به مدیران امکان میدهد محتوای آموزشی را بارگذاری کنند، به دانشجویان درس بدهند و داده ها را با کاربران مجازی به اشتراک بگذارند.
.
جهت اطلاعات بیشتر و مشاوره رایگان تماس حاصل فرمایید .

ویژگی های جدید Proxmox VE 6.3

دوره
Linux essential
به صورت آنلاین .
با تخفیف ویژه با قیمت ۵۰۰ هزار تومان .
ظرفیت باقی مانده :۳ نفر
جهت ثبت نام میتوانید کد qr را اسکن کنید یا از این لینک ثبت نام کرده یا دایرکت نمایید .

توجه:
به خاطر محدودیت درتعداد ثبت نام، اولویت با کسانی خواهد بود که زودتر ثبت نام کرده اند .
#Linux #lpic #essential

محققان موفق به توسعه هوش مصنوعی شده‌اند که قادر به بهبود کیفیت تصاویر تا ۶۴ برابر است. در حالی که از آن می‌توان برای شناسایی افراد در تصاویر دوربین‌های امنیتی استفاده کرد، در دنیای پزشکی، نجوم و سایر زمینه‌ها نیز کاربرد دارد.

این هوش مصنوعی که دستاورد محققان در دانشگاه «دوک» است، می‌تواند تصاویر تار و چهره غیرقابل تشخیص افراد در تصاویر را تبدیل به یک پرتره باکیفیت کند که در آن جزئیات به خوبی قابل مشاهده هستند. روش‌های قبلی می‌توانستند کیفیت تصاویر را حداکثر تا ۸ برابر بهبود دهند، اما تیم دانشگاه دوک موفق به افزایش آن به حداکثر ۶۴ برابر شده است.

این هوش مصنوعی می‌تواند ویژگی‌های دقیق چهره مانند مژه‌ها و ته ریش را بازسازی کند که پیش از این سیستمی با چنین دقتی وجود نداشته است. «سینتیا رودین»، سرپرست این تحقیق اعلام کرده:

«تصاویر با چنین دانه‌بندی را هرگز نمی‌توانستیم در گذشته تولید کنیم.»
این سیستم برای شناسایی چهره افراد مورد استفاده قرار می‌گیرد و می‌تواند عدم فوکوس در تصاویر را برطرف کند و تصاویر غیرقابل شناسایی از دوربین‌های امنیتی را بهبود دهد.

محققان دریافتند عصب‌های مصنوعی برای ارائه بهترین عملکرد به خوابیدن نیاز دارند. منظور از خوابیدن صرفاً خاموش و روشن کردن عصب‌ها نبوده و همانند آنچه در مغز حین خواب عمیق رخ می‌دهد، قرارگیری نورون‌ها در معرض سیگنال‌های ضعیف سبب بهبود عملکرد آن‌ها می‌شود
شبکه‌های عصبی از نورون‌های مصنوعی تشکیل شده‌اند که همانند مغز با یکدیگر در ارتباط هستند. استفاده مداوم از برخی اتصال‌های نورونی، به مرور زمان سبب تقویت آن‌ها شده و یادگیری خودکار را میسر می‌کند. شبکه‌های عصبی جریان‌های اطلاعاتی مختلف را به شکل موازی پردازش کرده و از آن‌ها در سیستم‌های تشخیص عکس و گفتار استفاده می‌شود.
یکی از نقاط ضعف شبکه‌های عصبی که از مغز به آن‌ها به ارث رسیده، نیاز به خوابیدن است و تحقیقات جدید نشان می‌دهند نورون‌ها پس از استفاده طولانی مدت، ناپایدار می‌شوند. محققان آزمایشگاه ملی لس آلاموس (Los Alamos National Laboratory) دریافتند شبکه‌های عصبی با استفاده از روش یادگیری دیکشنری نظارت نشده (Unsupervised Dictionary Training) دچار خستگی می‌شوند.
در این تکنیک شبکه عصبی شباهت‌های بین اشیا را بدون وجود مثال شناسایی کرده و آن‌ها را دسته بندی می‌کند.

به گفته محققان این متد شبکه‌های عصبی را بیشتر خسته می‌کند.
محققان به منظور بازیابی تمرکز شبکه‌های عصبی، آن‌ها را در معرض انواع سیگنال‌های نویز سفید (White Noise) قرار دادند و متوجه شدند سیگنال‌های نویز گاوسی (Gaussian Noise) بهترین عملکرد را در آرام کردن عصب‌ها و بازیابی پایداری آن‌ها دارند. نکته جالب اینکه این سیگنال‌ها زمانی که ما در عمیق ترین دوره خواب یا دوره SWS قرار داریم، در مغز جریان پیدا می‌کنند.
محققان قصد دارند در قدم بعدی این الگوریتم را روی چیپ نورومورفیک قدرتمند اینتل یعنی «Loihi» که ساختاری مشابه مغز انسان دارد، آزمایش کنند. محققان امیدوارند «خوابیدن» این تراشه، توانایی آن در پردازش اطلاعات تصویری از دوربین را افزایش دهد.

It's that special time of year when you can get great discounts on tech for your favorite sysadmin.

via Enable Sysadmin https://ift.tt/36gJ95v

مهندسان کامپیوتر دانشگاه «لافبورو» موفق به توسعه الگوریتم‌های هوش مصنوعی شده‌اند که توانایی‌های بازیکنان فوتبال را در زمین بازی تحلیل می‌کند. این الگوریتم‌ها می‌توانند در پیدا کردن استعدادها به تیم‌ها کمک کنند.

در حال حاضر تحلیل عملکرد بازیکنان توسط افراد صورت می‌گیرد و فرایندی زمانبر است چرا که باید عملکرد هر بازیکن ضبط و برای مدت زمان طولانی مورد بررسی قرار بگیرد. این موضوع علاوه بر اینکه زمان زیادی مصرف می‌کند، می‌تواند به علت تعصبات اجتماعی روی نتیجه نهایی نیز تاثیر منفی یا مثبت داشته باشد.

در حالی که هم اکنون تعدادی فناوری خودکار در این ورزش وجود دارد، تنها می‌توانند بازیکنان را ردیابی کنند. برای رفع چنین مشکلی سرپرست این پروژه، دکتر «Baihua Li» و تیم وی یک سیستم هیبریدی توسعه داده‌اند که اطلاعات بازیکنان توسط روش‌های مبتنی بر دوربین جمع‌آوری می‌شود. محققان از جدیدترین پیشرفت‌ها در حوزه بینایی رایانه‌ای، یادگیری عمیق و هوش مصنوعی برای دستیابی به سه خروجی زیر استفاده کرده‌اند:

- تشخیص حالت بدن و اندام‌ها برای شناسایی حرکات
- ردیابی جداگانه بازیکنان برای دستیابی به اطلاعات عملکردی
- اتصال فیلم‌های دو دوربین ساده مانند GoPro

باید دید در آینده باشگاه‌های فوتبال و همچنین مربیان نسبت به این سیستم چه واکنشی از خود نشان می‌دهند و آیا هوش مصنوعی می‌تواند نسل آینده بازیکنان محبوب‌ترین ورزش جهان را شناسایی کند یا خیر.

تنها چند ظرفیت خالی برای ثبت نام باقی مانده است . به خاطر محدودیت در تعداد ثبت نام اولویت با کسانی است که زودتر ثبت نام نمایند .

👩‍👩‍👧‍👧آیا به فکر ایجاد یک سامانه برای فرایند دورکاری خود همانند شرکت های مطرح از جمله : گوگل و تویتر و ... هستید ؟


• سامانه دورکاری
• سامانه پشتیبانی از راه دور مدیریت شده
• سامانه وب کنفرانس
• ضبط( رکورد) نشست ها برای اهداف امنیتی ، تضمین کیفیت و اهداف آموزشی
• پشتیبانی از تمام سیستم عامل های مرسوم مانند اندروید، iOS ، ویندوز، و لینوکس
• پشتیبانی از همه دستگاههای مرسوم مانند تبلت و موبایل و...
• دارای تمهیدات امنیتی برای جلوگیری از نشت داده
• وجود سیستم مدیریت تیم همانند تریلو از محصولات جیرا
• امکان سینک داده ها در دوایس های مختلف با امکان ورژن کنترل
• امکان اتصال به سیستم احراز هویت مرکزی از جمله : active directory - openldap و ...
• امکان سینک دفتر تلفن و پیغام ها ی sms در سامانه
• وجود برنامه ویرایشگر تحت وب جهت مستندات از جمله ورد و اکسل و ... که نیاز به نصب در سیستم کلاینت را بی نیاز میکند .
• وجود برنامه مدیریت نوت ها
• وجود سیستم مدیریت تسک
و ابزار های متنوع دیگر که برای هر سازمان و کسب و کاری یک نیاز اساسی است .

جهت اطلاعات تکمیلی و مشاهده دمو محصول میتوانید تماس حاصل فرمایید .

محققان راهی برای تبدیل طرح های اولیه یا اسکیس به پرتره های واقع گرایانه پیدا کرده اند. الگوریتم DeepFaceDrawing که توسط تیمی از محققان آکادمی علوم چین در پکن ساخته شده با کمک هوش مصنوعی به کاربرانی که آموزش های اندکی در زمینه طراحی دیده اند کمک می کند عکس هایی با کیفیت بالا را از روی طرح های ناقص و اسکیس های اولیه بسازند.

نخستین بار نیست که تکنولوژی هایی مانند این ارائه می شوند (ابزار پر کردن خودکار Pix2Pix را که میتوانست از نقاشی های شما عکس های ترسناک بسازد حتما به خاطر دارید). اما روشن است که DeepFaceDrawing پیشرفته ترین آنها تا به امروز است چراکه نیاز به جزئیات زیادی در اسکیس های اولیه ندارد. این الگوریتم تا حدود زیادی بر پایه احتمال کار می کند و برای استفاده از آن مثلا نیازی به ترسیم لب ها و یا پلک کاراکتر مورد نظرتان ندارید و نرم افزار برای طراحی این بخش ها به دیتابیس عظیمی از چهره ها و اجزای چهره رجوع می کند که توسعه دهندگان در اختیارش قرار داده اند و برای انتخاب این اجزا آنها را در کنار دیگر بخش های چهره قرار داده و می سنجد که تا چه اندازه با هم مطابقت دارند. برای این منظور چشم ها، بینی، دهان، شکل چهره و نوع مو به صورت جداگانه بررسی می شوند و سپس در قالب یک چهره واحد کنار هم قرار داده می شوند.
مشخص نیست که الگوریتم DeepFaceDrawing چگونه می خواهد موضوع نژاد را در پرتره های خود مدنظر بگیرد. تا کنون ۱۷ هزار اسکیس در اختیار این برنامه قرار گرفته و به همین تعداد پرتره از روی آنها تولید شده و جالب اینکه اغلب پرتره ها نژادهای قفقازی و چهره های مربوط به آمریکای لاتین را به تصویر کشیده اند. البته این می تواند به خاطر دیتای منبع یا همان دیتابیسی باشد که در اختیار برنامه قرار گرفته است یا سطح پایین جزئیات طرح های اولیه ای که به برنامه داده شده است.

طبق اطلاعات مندرج در وبسایت این برنامه، اسم رمز انتخاب شده برای DeepFaceDrawing عبارت coming soon یا بزودی است و این نشان میدهد که احتمالا اپ مربوط به آن به زودی هم برای سرگرمی و هم سازمان های مجری قانون عرضه می شود.

محققین دانشگاه راتگرز مدلی از هوش مصنوعی طراحی و معرفی کرده‌اند که نه تنها از شبکه‌های عصبی استفاده می‌کند بلکه شامل آستروسیت‌ها نیز می‌شوند که تغذیه و حفاظت یاخته‌های عصبی را بر عهده دارد. این اتفاق رویکردی تازه در زمینه آموزش ربات‌ها (الهام گرفته شده از مغز انسان) خواهد بود.

دانشمندان از مسیر جدیدی برای طراحی نورومورفیک (محاسبات عصبی) استفاده کرده‌اند. آنها با تقلید از ساختار مغز انسان به طور کامل و نه فقط متمرکز روی کار اعصاب، به آنالوگی از آستروسیت‌ها دست یافته‌اند که می‌تواند عملکرد یک ارگان یا سلول‌ها را تنظیم کنند. محققین اشاره دارند که این نخستین بار است که در توسعه مدل‌ها نورون‌ها تنها واحد‌های پردازشگر مغز انسان برای الگوبرداری در علوم در نظر گرفته نشده‌اند.

مهندسین مدل‌های محاسبه‌گری طراحی کرده‌اند که آنچه در تماس یک آستروسیت با نورون‌ها در جریان دریافت و ارسال نبض اتفاق می‌افتد را توصیف می‌کند. آنها سپس از این مدل‌ها برای ساخت بلوک‌های ساختاری و شبکه‌های آستروسیت عصبی استفاده کردند، که منجر به طراحی چیپ‌های نورومورفیک با امکان کنترل ربات شده است.
دانشمندان در یادداشت خود ذکر کرده‌اند: «از آنجایی که آستروسیت‌ها نقش مهمی در مغز بازی می‌کنند، مطالعات و پیاده‌سازی آنها در یک ماشین بسیار هیجان‌انگیز و البته مفید خواهد بود. هدف اصلی ما از این تحقیقات این است که بفهمیم نورون‌ها و آستروسیت‌ها چگونه با یکدیگر ارتباط برقرار کرده و الگوریتم‌هایی می ‌سازند که به بدن اجازه می‌دهد خیلی از فعالیت‌ها را انجام دهد.»

آستروسیت‌ها می‌توانند فعالیت‌های عصبی و رفتار ربات‌ها را دست‌خوش تغییر کنند. این مدل از انتقال نبض توسط نورون‌ها، به شکل بنیادین با الگوریتم‌های یادگیری که فقط می‌توانند ساختار شبکه را تغییر دهند متفاوت است. بنابراین این محققین اولین افرادی بودند که از سلول‌هایی با توانایی آموزش رفتار پیچیده‌تر به ربات‌ها صحبت به میان آوردند.

این تیم عملکرد و بهره‌وری مدل طراحی شده را با کنترل کردن یک ربات با شش بازو در محیط به نمایش گذاشته‌اند. این سیستم به ربات مورد بحث اجازه داده تا سرعت‌های مختلف را تجربه کند و به صورت خودکار از موانع عبور کند. بدون شک مجموعه تحقیقات انجام شده فرصت‌ها و افق وسیعی را پیش روی محققین شاخه هوش مصنوعی قرار داده است.

⭐️ویژگی جدید Union types
با استفاده از این ویژگی، می‌توانید به راحتی برای پارامتر ورودی تابع خود، چندین نوع داده (type) تعریف کنید که در نهایت یکی از آن‌ها اعمال شود.

⭐️کامپایلر JIT (مخفف کلمات Just In Time) به افزایش و بهبود کارایی سرعت پروژه ها بصورت غیرمستقیم کمک می‌کند.

⭐️آرگومان‌های نام گذاری یا Name argumentها به ما ‌این امکان را می‌دهند با آوردن نام پارامترها، پارامترهای یک تابع را بدون ترتیب نیز مقدار دهی کنیم و مجبور به مقداردهی تمامی پارامترها به ترتیب تعریف شده نباشیم.

⭐️بهبود ویژگی تابع constructor در شی گرایی

⭐️برگرداندن(return) نوع جدید static

⭐️قابلیت throw expression
قبل از PHP 8 این امکان نبود که شما یک exception را در کد تک خطی‌تان که ممکن بود یک exception رخ دهد را throw کنید. اما اکنون با آمدن نسخه‌‌ی جدید PHP 8 شما می‌توانید با تمامی عبارت‌ها یا expressionها یک exception را Throw کنید.

⭐️قابلیت Non-capturing catches
شما می‌توانید بدون آوردن متغیر، Exception خود را استفاده کنید.