اجزای تشکیل دهنده کلاستر ذخیره سازی:

فرق نداره شما برای محیط ابری به Object Storage یا Block Storage نیاز دارید یا برای ذخیره سازی فایل ها Ceph File System رو راه اندازی می کنید یا برای هر منظور دیگه بخواید از Ceph استفاده کنید. پیاده سازی Ceph Cluster با راه اندازی Ceph Node ها، شبکه و منابع ذخیره سازی شروع میشه. یک کلاستر Ceph برای شروع به کار به حداقل یک نود مانیتور(Monitor Node)، یک نود مدیر(Manager Node)، یک نود ذخیره سازی(OSD Node) و برای استفاده از Ceph File System یا همون CephFS به یک نود ابرداده(MDS Node) نیاز دارد.

نود مانیتور(Monitor Node): ceph-mon وظیفه نگهداری وضعیت کلی کلاستر را به عهده دارد. تمامی اجزای این سیستم دارای Map هایی هستند که توسط این نود نگهداری و مدیریت می شود. همچنین وظیفه تصدیق و احراز هویت اعضای کلاستر و کلاینت ها به عهده این نود می باشد. مهمترین عضو کلاستر Ceph همین نود مانیتور هست که به عنوان قلب کلاستر فعالیت می کند. در یک پیاده سازی کوچک تا متوسط برای افزونگی و پایداری سرویس حداقل به 3 نود مانیتور نیاز است.

نود مدیر(Manager Node): این نود(ceph-mgr) وظیفه نگهداری Runtime metrics، وضعیت جاری کلاستر، ذخیره سازها، کارایی و لود سیستم را به عهده دارد. همچنین با میزبانی ماژول هایی که به زبان پایتون نوشته می شوند، می تواند قابلیت های جانبی مثل Dashboard, Exporter, Remote Logging و… را فراهم کند. برای افزونگی و پایداری این سرویس حداقل 2 نمونه نیاز است.

نود ذخیره سازی(OSD Node): ذخیره کننده یا Object Storage Daemon وظیفه ذخیره سازی، مدیریت Replication، بازیابی و Rebalance را بر عهده داشته و اطلاعات لازم را در اختیار Monitor و Manager قرار می دهد. جهت افزونگی و پایداری داده ها حداقل به 3 OSD نیاز است.

نود ابرداده(MDS Node): Metadata Server، اطلاعات متا مربوط به فایل های ذخیره شده در CephFS یا Ceph File System را نگهداری و مدیریت می کند. این نود به کاربران استفاده کننده از استاندارد POSIX قابلیتی می دهد که بدون آوردن بار اضافی به کلاستر Ceph به فایل ها دسترسی داشته باشند. برای پایداری و افزونگی حداقل به 2 MDS نیاز داریم.
نحوه ذخیره سازی داده در کلاستر:

تمام اطلاعات در Ceph به صورت Object در استخر(Pool) های منطقی ذخیره می شوند که الگوریتمی به نام CRUSH وظیفه پیاده سازی Replication بر اساس روش تعریف شده را انجام می دهد. CRUSH محاسبه می کند که Object در کدام PG و PG در کدام OSD ذخیره شود. به طور کلی با وجود CRUSH مقیاس پذیری، بالانس کردن و بازیابی پویای اطلاعات فراهم شده است.

#ceph #storage @unixmens

مشکل امنیتی فوق جدی در سف در تسخه ۱۵x که باعث Privilege Escalation شده و دسترسی به Distributed Object Store (RADOS), which provides object, block, and file system storage میشود .

جهت اطلاعات تکمیلی میتوانید ، تماس حاصل فرمایید .

https://labs.f-secure.com/advisories/ceph-authorization-bypass/

#security #ceph

@unixmens

#jobs #linux #devops #sys_admin

@unixmens

#jobs #linux #storage #emc

@unixmens

یک استارتاپ هوش مصنوعی چینی به نام Megvii که نرم‌افزارهای تشخیص چهره را برای مقاصد نظارتی دولت چین توسعه می‌دهد، حالا حوزه فعالیتش را گسترده‌تر کرده و به هویت‌یابی حیوانات روی آورده است.

بر اساس گزارش Abacus News برنامه جدید Megvii روی شناسایی سگ‌ها با استفاده از بینی آن‌ها تمرکز دارد.
دقیقا همان نقشی که اثر انگشت برای شناسایی انسان‌ها بازی می‌کند «اثر بینی» برای سگ ها دارد و این استارتاپ هوش مصنوعی با تکیه بر همین موضوع، اپی توسعه داده که صاحبان سگ‌ها با استفاده از دوربین گوشی خودشان، عکس بینی سگشان را در آن وارد می‌کنند.
به همان صورتی که اثر انگشت برای باز کردن قفل گوشی اسکن می‌شود، این اپ از صاحب سگ درخواست می‌کند که از بینی سگش در زوایای مختلف عکس گرفته و آن‌ها را وارد برنامه کند. Megvii گفته که تا به حال با همین روش 15 هزار سگ گمشده را با همین برنامه به صاحبانشان برگردانده و نرخ دقتی برابر 95 درصد را به ثبت رسانده است.
اما Megvii می‌گوید که که کاربرد این اپ چیزی بیشتر از بازگرداندن حیوانات گمشده به صاحبانشان است. با توجه به روابطی که این شرکت با دولت دارد، قرار است از این تکنولوژی برای پایش و جریمه افرادی که سگ‌هایشان را بدون قلاده در سطح شهر رها می‌کنند نیز استفاده کند.
در عرض چند سال اخیر توسعه سیستم‌های هوش مصنوعی برای تشخیص و شناسایی حیوانات بسیار فراگیر شده. مثلا از این سیستم‌ها برای نجات گونه‌های در معرض خطر و همچنین شناسایی انواع مختلف حیوانات مثل پانداها استفاده می‌شود.

اگر اخبار مربوط به هوش مصنوعی را دنبال کنید، شاهد دو تصویر کاملا متفاوت از این تکنولوژی خواهید بود. رسانه‌ها و سینما هوش مصنوعی را معمولا مساوی با توانایی‌های انسانی، بیکاری گسترده و آخرالزمانی که به دست ربات‌ها رقم می‌خورد می‌دانند. از سوی دیگر اما کنفرانس‌های علمی را داریم که در آن‌ها صحبت از هوش جامع مصنوعی است و اینکه هوش مصنوعی کنونی ضعیف ظاهر شده و نمی‌تواند بسیاری از کارکردهای بنیادین مغز انسان را داشته باشد.

اما فارغ از اینکه هوش مصنوعی در قیاس با هوش انسانی چه جایگاه دارد، الگوریتم‌های امروزی به عنصری مهم در صنایح مختلف مانند بهداشت و سلامت، امور مالی، تولید، حمل‌ونقل و بسیاری حوزه دیگر تبدیل شده‌اند. و همانطور که مارکو یانسیتی و کریم لاخانی، پروفسورهای مدرسه تجارت هاروارد در کتاب خود به نام «رقابت در عصر هوش مصنوعی: استراتژی و مدیریت در دورانی که الگوریتم‌ها و شبکه‌ها جهان را می‌رانند» می‌گویند، خیلی زود «هیچ‌یک از حوزه‌های انسانی عملکردی مستقل از هوش مصنوعی نخواهند داشت».

در واقع همین هوش مصنوعی ضعیف کنونی به رشد و موفقیت کمپانی‌هایی مانند گوگل، آمازون، فیسبوک و مایکروسافت منجر شده و تاثیری روزانه روی زندگی میلیاردها نفر در سراسر جهان دارد. همانطور که لاخانی و یانسیتی در کتاب خود می‌گویند، «برای اولویت دادن به محتوای شبکه‌های اجتماعی، ساخت بهترین کاپوچینوی ممکن، تحلیل رفتار مشتریان، تعیین قیمت بهینه و یا حتی نقاشی در سبک رامبرانت نیازی به یک رونوشت انسانی بی‌نقص نداریم. همین هوش مصنوعی ناقص و ضعیف دارد ماهیت شرکت‌ها و چگونگی کارکرد آن‌ها را دگرگون می‌کند».

همین هوش مصنوعی ضعیف کنونی به رشد و موفقیت کمپانی‌هایی مانند گوگل، آمازون، فیسبوک و مایکروسافت منجر شده
استارتاپ‌هایی که توانسته‌اند قوانین مدیریت کسب‌وکارهای مبتنی بر هوش مصنوعی را درک کنند، قادر به ایجاد بازارهای تازه و اختلال در عملکرد صنایع سنتی بوده‌اند. کمپانی‌هایی که جای پایشان از پیش محکم بوده و خودشان را با عصر هوش مصنوعی همگان کرده‌اند نیز توانسته زنده مانده و به موفقیت ادامه دهند. از سوی دیگر، آن‌هایی که پایبند به متدهای قدیمی مانده‌اند یا نابود شده‌اند یا بخش اعظمی از بازار خود را به کمپانی‌هایی باخته‌اند که شروع به استفاده از هوش مصنوعی کرده‌اند.

در میان تمام موضوعاتی که یانسیتی و لاخانی در کتاب خود به آن‌ها پرداخته‌اند، مفهوم «کارخانه هوش مصنوعی» نیز به چشم می‌خورد. عنصری کلیدی که به کمپانی‌ها اجازه می‌دهد قادر به رقابت و رشد در عصر هوش مصنوعی باشند.
کارخانه هوش مصنوعی چیست؟
کلیدی‌ترین تکنولوژی‌های هوش مصنوعی که در کسب‌وکارهای امروزی به کار گرفته می‌شوند، الگوریتم‌های یادگیری ماشینی هستند، موتورهایی آماری که می‌توانند الگوهای گذشته را یافته و براساس آنچه پیشتر رصد کرده‌اند، دست به پیش‌بینی خروجی‌های تازه بزنند. در کنار دیگر قطعات کلیدی مانند منابع داده، آزمون و خطاها و نرم‌افزار، الگوریتم‌های یادگیری ماشینی می‌توانند به ساخت کارخانه‌های هوش مصنوعی منجر شوند؛ مجموعه‌ای از قطعات و پروسه‌های متصل به یکدیگر که یادگیری و رشد را رقم می‌زنند.

الگوریتم‌های یادگیری ماشینی، موتورهایی آماری هستند که می‌توانند الگوهای گذشته را یافته و براساس آن‌ها دست به پیش‌بینی خروجی‌های تازه بزنند
بیایید کارکرد کارخانه هوش مصنوعی را توضیح دهیم. داده باکیفیتی که از منابع داخلی و خارجی به دست می‌آیند تبدیل به منبعی برای تربیت الگوریتم‌های یادگیری ماشینی می‌شوند تا بتوان در وظایفی خاص، دست به پیش‌بینی زد. در برخی موارد مانند شناسایی و درمان بیماری‌ها، این پیش‌بینی‌ها می‌توانند به متخصصین انسانی در اتخاذ تصمیم درست کمک کنند. در موارد دیگر مانند سیستم پیشنهاد محتوا، الگوریتم‌های یادگیری ماشینی می‌توانند وظایف را با مداخله انسانی اندک یا هیچ‌گونه مداخله انسانی اتوماسیون کنند.

الگوریتم و مدل مبتنی بر داده‌ی کارخانه هوش مصنوعی به سازمان‌ها اجازه می‌دهد که نظریه‌های جدید را به بوته آزمایش گذاشته و تغییراتی در راستای بهبود سیستم‌هایشان به وجود آورند. این می‌تواند افزودن قابلیت‌های جدید به محصولی باشد که پیشتر به تولید رسیده یا تولید محصولی کاملا جدید در سبد محصولات کمپانی. همین تغییرات باعث می‌شوند کمپانی اطلاعات جدید به دست آورد، الگوریتم‌های هوش مصنوعی را بهبود ببخشد و باز هم راهی برای افزایش پرفورمنس، ساخت سرویس‌ها و محصولات جدید، رشد و حرکت به سمت بازارهای تازه بیابد.
کارخانه هوش مصنوعی در جوهره خود چرخه‌ای کارآمد از انگیجمنت کاربر، جمع‌آوری داده،‌ طراحی الگوریتم، پیش‌بینی و بهبود را جای داده است. حداقل این توصیفی است که یانسیتی و لاخانی در کتاب رقابت در عصر هوش مصنوعی به کار می‌برند.

ایده ساختن، اندازه‌گیری کردن، آموختن و بهبود دادن ایده جدیدی نیست. برای سالیان طولانی، کارآفرینان و استارتاپ‌ها مشغول مباحثه و نوآوری در این حوزه بوده‌اند. اما کارخانه‌های هوش مصنوعی این چرخه را به جهان‌هایی تازه مانند پردازش زبان طبیعی یا بینایی کامپیوتری می‌برند.

یکی از مثال‌هایی که در کتاب رقابت در عصر هوش مصنوعی به آن اشاره شده، شرکت Ant Financial (که امروز تحت عنوان Ant Group شناخته می‌شود) است، شرکتی که در سال ۲۰۱۴ میلادی تاسیس شد و امروز با بیش از ۹۰۰۰ کارمند، گستره وسیعی از سرویس‌های مالی را به کمک یک کارخانه هوش مصنوعی بسیار بهینه (و مدیریت نبوغ‌آمیز) در اختیار بیش از ۷۰۰ میلیون مشتری قرار می‌دهد. برای مقایسه،‌ بانک آمریکا که در سال ۱۹۲۵ میلادی تاسیس شد، ۲۰۹ هزار کارمند دارد و سرویس‌های کمتری را در اختیار ۶۷ میلیون مشتری خود قرار می‌دهد.
زیرساخت کارخانه هوش مصنوعی:
رکسی پوشیده نیست که الگوریتم‌های یادگیری ماشینی، شدیدا بر داده‌های انبوه متکی هستند. ارزش داده باعث شده که اکنون شاهد ظهور اصطلاحاتی کلیشه‌ای نظیر «داده، نفت جدید است» باشیم که به دفعات در مقاله‌های تکنولوژیک به چشم خورده است. اما دسترسی به انبوهی از داده، برای دستیابی به یک الگوریتم هوش مصنوعی خوب کفایت نخواهد کرد. در واقع بسیاری از کمپانی‌های امروزی به گستره وسیعی از داده دسترسی دارند، اما داده و نرم‌افزار آن‌ها در سیلوهایی مجزا نگهداری می‌شوند و مدل‌ها و بسترهای ناسازگار، یکپارچگی را از تمام سیستم می‌گیرند.

حتی با اینکه مشتریان به یک سازمان به چشم هویتی یکپارچه نگاه می‌کنند، سیستم‌ها و داده‌های داخلی معمولا میان واحدهای مختلف تقسیم شده‌اند و بنابراین از تجمع داده جلوگیری می‌شود، تولید پیش‌بینی‌های موثر به تعویق می‌افتد و استفاده از قدرت آنالیتیکس و هوش مصنوعی غیرممکن می‌شود.

داده باید قبل از خورانده شدن به الگوریتم‌های هوش مصنوعی، پیش‌پردازش شود
علاوه بر این، داده باید قبل از خورانده شدن به الگوریتم‌های هوش مصنوعی، پیش‌پردازش شود. برای مثال ممکن است بخواهید که بنابر تاریخچه مکاتبات قبلی با مشتریان، یک چت‌بات مبتنی بر هوش مصنوعی بسازید که بخش‌هایی از پشتیبانی مشتریان شما را اتوماسیون می‌کند. در این مورد، داده متنی باید تلفیق و نمونه‌نمایی شود، کلمات و علائم نگارشی هجو حذف شوند و تغییراتی دیگر نیز به وجود آید تا بتوان از آن‌ها برای تربیت کردن مدل یادگیری ماشینی استفاده کرد.

حتی زمانی که مشغول سر و کله زدن با داده ساختارمند مانند رکوردهای فروش هستید هم امکان مواجهه با شکاف، اطلاعات ناقص و دیگر خطاهایی وجود دارد که باید برطرف گردند. و اگر داده از منابع گوناگون به دست آمده باشد، باید به‌گونه‌ای گردآوری شود که بی‌دقتی به وجود نیاورد. بدون پیش‌پردازش، مدل یادگیری ماشینی شما با داده‌های بی‌کیفیت تعلیم می‌بیند و در نتیجه، سیستم‌های هوش مصنوعی عملکردی ضعیف خواهند داشت.
و در نهایت، منابع داده داخلی شاید برای توسعه خط لوله هوش مصنوعی کافی نباشند. گاهی از اوقات باید اطلاعات را با داده به دست آمده از منابع خارجی مانند داده شبکه‌های اجتماعی، بازار بورس، منابع خبری و چیزهایی از این دست تکمیل کرد. یک مثال BlueDot است، شرکتی که از یادگیری ماشینی برای پیش‌بینی شیوع بیماری‌های عفونی استفاده می‌کند.

برای تربیت کردن و به راه انداختن سیستم هوش مصنوعی‌اش، BlueDot به صورت اتوماتیک به جمع‌آوری اطلاعات از صدها منبع مختلف می‌پردازد که از جمله آن‌ها می‌توان به بیانیه‌های سازمان‌های بهداشتی، پروازهای تجاری، گزارش‌های سلامت حیوانات دامی، اطلاعات اقلیمی ماهواره‌ها و گزارش‌های خبری اشاره کرد. بخش زیادی از تلاش و منابع نرم‌افزاری شرکت، صرف طراحی سیستمی برای جمع‌آوری و یکپارچه‌سازی داده شده است.


#ai @unixmens

ا sop یا انگیزه نامه چیست ؟‌

سازمان کشاوزی سلولی استرالیا (CAA) که یک سازمان غیرانتفاعی برای بهبود سلامت انسان و ارتقاء سیستم غذایی این کشور است، به تازگی پایگاه اینترنتی راه‌اندازی کرده تا دانشجویان و علاقه‌مندان حوزه کشاوزی سلولی را به سوی تحقیقات در این حوزه هدایت کرده و برای پشتیبانی از شرکت‌های فعال در این حوزه، نیروی کار متخصص تربیت کند.

بیانکا لی، مدیر کل کشاورزی سلولی استرالیا می‌گوید: « اولین سوالی که دانشجویان علاقه مند به کشاورزی سلولی از من می‌پرسند این است که چه سرفصل‌هایی را باید مطالعه کنم تا بتوانم وارد این رشته شوم؟ »



مشخصه بسیاری از صنایع پر رونق این است که افرادی که علاقه مند به ورود به آن هستند، می دانند که چگونه این کار را انجام دهند یا حداقل می‌توانند به راحتی اطلاعاتی را پیدا کنند که آنها را در جهت درست قرار دهد. اما در کشاورزی سلولی به عنوان یک حوزه نوظهور، همیشه آشکار نیست که دانش آموزان باید چه مهارت و تخصصی را یاد بگیرند.



لی می‌گوید: «ما با کمبود افراد علاقه‌مند به کشاورزی سلولی مواجه نیستیم، اما منابع کمی برای هدایت آنها به مسیرهای مختلف در این زمینه وجود دارد.»



به منظور حل این مشکل، سازمان کشاورزی سلولی استرالیا یک منبع آنلاین را به نام "مسیرها به کشاورزی سلولی" توسعه داده است. این ابزار، یک صفحه تعاملی در وب سایت سازمان کشاورزی سلولی استرالیا (CAA) است که از طریق آن دانشجویان و افراد جویای شغل می توانند نقاط ورودی مختلف در این زمینه را پیدا کنند.



لیزا موسگرو، محقق حوزه کشاورزی سلولی و از اعضاء سازمان کشاورزی سلولی استرالیا، که به تولید محتوای این ابزار کمک کرده، توضیح داد که نگاه اصلی حاکم بر طراحی این ابزار، این بود که "کاربران ممکن است از دیدگاه کسی که مایل به حل یک مشکل تحقیقاتی خاص است به این پایگاه مراجعه کند یا کسی که مایل به ارائه در خواست کار برای یک بخشی از کشاورزی سلولی باشد.»



به همین ترتیب، اطلاعات این ابزار به دو موضوع گسترده تقسیم می شود: "مسائلی برای حل کردن" و "رشته ها". هر کدام از این‌ها به زیرمجموعه‌های خاصی تقسیم‌بندی می‌شوند. در بخش مسائل، شکاف تحقیقاتی و فضاهای سفید فعلی لیست می‌شود، در حالی که در بخش رشته‌ها، رشته‌هایی درج شده که می توانند برای حل هر مشکل استفاده شوند. این مسیر در نهایت کاربر را به یک صفحه هدایت می کند که هر یک از دانشگاه های استرالیا را با آزمایشگاه‌های تحقیقاتی که ظرفیت حل مسائل انتخاب شده در کشاورزی سلولی را دارند، هدایت می کند.



کار بر روی راه‌اندازی این ابزار از آگوست سال 2020 آغاز شده است. تیم کشاورزی سلولی استرالیا پیش از آن شروع کردند به فکر کردن درباره اینکه چگونه یک ابزار تعاملی می تواند به دانشجویان و فارغ التحصیلان کمک کند.



این تیم سپس دانشگاه های محلی را برای ارائه دوره های آموزشی مورد بررسی قرار داد و توانمندی آنها را با حوزه‌های کاری شرکت های مختلف کشاورزی سلولی استرالیا، مقایسه کردند تا بتوانند میان دوره‌ها و نیازهای صنعت ارتباط ایجاد کنند.



منبع : https://www.proteinreport.org/cellular-agriculture-australia-launches-pathways-tool-students-and-professionals

باسابقه‌ترین سرویس پرسش و پاسخ اینترنتی دنیا که اتفاقا بیشترین حجم پرسش و پاسخ‌ها را هم دارد، ۴ ماه می، یعنی کمتر از یک ماه دیگر خاموش و تعطیل می‌شود.

از این تاریخ به بعد اگر آدرس این سرویس را در مرورگر بزنید، به صفحه اول یاهو، ری دایرکت می‌شوید.

یاهو الان دیگر بخشی از گروه رسانه‌ای Verizon  شده. یاهو در سال ۲۰۱۷ با مبلغ ۵ میلیارد دلار به تلکام که زیرمجموعه Verizon  است فروخته شد. باورتان می‌شود یاهوی افسانه‌ای به این مبلغ نازل فروخته شده باشد؟ البته تا ۲۰۱۷ عملا دیگر چیزی از افسانه یاهو باقی نمانده بود.

سرویس پرسش و پاسخ یاهو در ضمن از ۲۰ ماه میلادی جاری دیگر پذیرای پرسش تازه نیست. کاربران البته تا ۳۰ ژوئن می‌توانند اطلاعات خود را پشتیبان‌گیری کنند تا چیزی از دست ندهند.

حتی در آستانه خاموشی هم نگاهی به صفحه نخست Yahoo Answers نشان می‌دهد که کاربران فعالی دارد. آنها هنوز سؤال‌هایی بکر و حتی متفاوت از باورها و تفسیرهای عمومی می‌پرسند.




#yahoo #answer #service

@unixmen

regular expression denial of service (ReDoS)