Агрегація та аналіз графічних даних у розподіленій мережі мобільних пристроїв
DOI:
https://doi.org/10.35681/1560-9189.2019.21.2.180137Ключові слова:
концепт Big Data, технологія Deep Learning, технологія GPGPU, операційна система Android, бібліотека TensorFlow, бібліотека CNTK, бібліотека PyTorch, бібліотека MxNet, бібліотека Caffe, нейронна мережа Mobile Net, нейронна мережа Squeeze NetАнотація
Проаналізовано напрямки досліджень у галузі концептів Big Data, розподілених мереж мобільних пристроїв і Deep Learning. Кількісно охарактеризовано та порівняно інтенсивність розвитку сучасних бібліотек нейронних мереж для використання технологій Deep Learning, Big Data, GPGPU. Розроблено застосування для дослідження роботи згорткових нейронних мереж різної архітектури із використанням потуж-ностей мобільних CPU та GPU і з використанням API для нейронних мереж на операційній системі Android. Розроблено застосування для агрегації проаналізованих у реальному часі даних, структуризації даних на сервері та досліджено роботу застосування в мережах WiFi, 3G та 4G. Проведено аналіз різних шляхів агрегації даних.
Посилання
Kilkist korystuvachiv smartfoniv. URL: http://www.statista.com/statistics/330695/number-of-sma-phone-users-worldwide/
Kilkist zavantazhenykh foto na servery Google Photos. URL: http://www.blog.google/ products/photos/google-photos-500-million-new-sharing/
Populyarnist khmarnykh servisiv. URL: https://www.forbes.com/sites/louiscolumbus/2018/ 09/23/roundup-of-cloud-computing-forecasts-and-market-estimates-2018/#79b146ca507b
Istoriya Big Data. URL: https://www.forbes.com/sites/gilpress/2013/05/09/a-very-short-history-of-big-data/#4a8694d365a1
Big Data statystyka. URL: https://www.theguardian.com/news/datablog/2012/dec/19/big-data-study-digital-universe-global-volume
Biblioteka kompyuternykh nauk DBLP. URL: https://dblp.uni-trier.de/
Pogorilyy S.D., Bojko Ju.V., Tribrat M.I., Grjaznov D.B. Analiz metodov povyshenija proizvoditel'nosti komp'juterov s ispol'zovaniem graficheskih processorov i programmno-apparatnoj platformy CUDA. Matematychni mashyny i systemy. 2010. No.1. S. 40–54.
Pogorilyy S.D. Prohramne konstruyuvannya. Pidruchnyk seriyi «Avtomatyzatsiya naukovykh doslidzhen'» za red. akademika APN Ukrayiny Tretyaka O.V. VPTs Kyyivs'kyy universytet, 2007. 438 s.
Reytynh produktyvnosti mobilnykh protsesoriv za metodykoyu. URL: Geekbench https://browser.geekbench.com/android-benchmarks
Reytynh produktyvnosti protsesoriv dlya PK za metodykoyu Geekbench. URL: https://browser.geekbench.com/processor-benchmarks
Statystyka rozpovsyudzhenosti mobilnykh ОС. URL: http://gs.statcounter.com/os-market-share/mobile/worldwide
Dynamika kilkosti zastosuvan v Google Play Store. URL: https://www.statista.com/ statis-tics/266210/number-of-available-applications-in-the-google-play-store/
Dynamika kilkosti zastosuvan v Apple App Store. URL: https://www.statista.com/statistics/268251/number-of-apps-in-the-itunes-app-store-since-2008/
Istoriya Wolfram Research ОС. URL: http://www.wolfram.com/company/background. html?source=nav
Ofitsiynyy vidkrytyy repozytoriyTensorFlow. URL: https://github.com/tensorflow/ tensorflow
Ofitsiynyy vidkrytyy repozytoriy PyTorch. URL: https://github.com/pytorch/pytorch
Ofitsiynyy vidkrytyy repozytoriyCNTK. URL: https://github.com/Microsoft/CNTK
Ofitsiynyy vidkrytyy repozytoriy Caffe. URL: https://github.com/BVLC/caffe
Ofitsiynyy vidkrytyy repozytoriy MxNet. URL: https://github.com/apache/incubator-mxnet
Spetsyfikatsiyi Huawei P20 Pro. URL: https://consumer.huawei.com/en/phones/p20-pro/specs/
Spetsyfikatsiyi Meizu M3 Note. URL: https://www.meizu.com/en/products/m3note/spec.html.
Spetsyfikatsiyi Samsung S4. URL: https://www.gsmarena.com/samsung_i9500_galaxy_s4-5125.php
Howard Andrew G., Zhu Menglong, Chen Bo, Kalenichenko Dmitry, Wang Weijun, Weyand Tobias, Andreetto Marco, Adam Hartwig. MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications. Computer Vision and Pattern Recognition section. ArXiv.org. Cornell Uni-versity, 2017.
Szegedy Christian, Vanhoucke Vincent, Ioffe Sergey, Shlens Jonathon. Rethinking the Inception Architecture for Computer Vision. Computer Vision and Pattern Recognition section. ArXiv.org. Cornell University, 2016.
Krishnamoorthi Raghuraman. Quantizing deep convolutional networks for efficient inference: A whitepaper. Machine Learning section. ArXiv.org. Cornell University, 2018.
Jacob Benoit, Kligys Skirmantas, Chen Bo, Zhu Menglong, Tang Matthew, Howard Andrew, Adam Hartwig, Kalenichenko Dmitry. Quantization and Training of Neural Networks for Efficient Inte-ger-Arithmetic-Only Inference. Machine Learning section. ArXiv.org. Cornell University, 2017.
Iandola Forrest N., Han Song, Moskewicz Matthew W., Ashraf Khalid, Dally William J., Keutzer Kurt. Squeezenet: Alexnet level accuracy with 50x fewer parameters and <0.5mb model size. Computer Vision and Pattern Recognition section. ArXiv.org. Cornell University, 2016.
Zoph Barret, Vasudevan Vijay, Shlens Jonathon, Le Quoc V. Learning Transferable Architectures for Scalable Image Recognition. Computer Vision and Pattern Recognition section. ArXiv.org. Cornell University, 2018.
Huang Gao, Liu Zhuang, Laurens van der Maaten. Densely Connected Convolutional Networks. Computer Vision and Pattern Recognition section. ArXiv.org. Cornell University, 2018.
Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun – Identity Mappings in Deep Re-sidual Networks. Computer Vision and Pattern Recognition section, ArXiv.org, Cornell University, 2016.
Porivnyannya tochnosti rozpiznavannya neyronnykh merezh na Google Pixel 2 URL: https://www.tensorflow.org/lite/guide/hosted_models
NNAPI. URL: https://developer.android.com/ndk/guides/neuralnetworks
Pogorilyy S.D., Chechula M.V. Zastosuvannya tekhnolohiyi GPGPU pry roboti z BigData. Naukovi pratsi Donets'koho natsional'noho tekhnichnoho universytetu. 2018. No. 2. S. 98–102.
Chechula M.V., Pogorilyy S.D. Rozrobka metodiv roboty z BigData na mobil'nykh prystroyakh z vykorystannyam tekhnolohiyi GPGPU. System Analysis and Information Technologies. Institute for Applied System Analysis. 2018. S. 159.
