PRZETWARZANIE AGENTOWE

Wielkość: px
Rozpocząć pokaz od strony:

Download "PRZETWARZANIE AGENTOWE"

Transkrypt

1 POLITECHNIKA ŚLĄSKA INSTYTUT INFORMATYKI LABORATORIUM HURTOWNI DANYCH PRZETWARZANIE AGENTOWE TEORIA Marcn Gorawsk Sławomr Bańkowsk Glwce 2005

2 Laboratorum HDSED - Przetwarzane Agentowe 2 SPIS TREŚCI 1 Wstęp teoretyczny Agent programowy Struktura Serwsy Zadana Połączena komunkacja Serwery GAWS System Agentów Katalog GADS Organzacja Wrtualna (VO) Przesyłane zadań Hurtowna danych Założena Model danych Schemat hurtown Metody równoległego przetwarzana danych Podzał hurtown danych (DWS) Drzewo agregacj MVB Drzewo agregacj STCAT Indeksy btmap Rozproszony proces ETL Specyfkacja zewnętrzna Uruchamane Agenta Katalog usług Połączena do baz danych (GDBC) Uruchamane GAWS, połączene Agenta do katalogów usług Konsola użytkownka GUMC Lteratura...35

3 Laboratorum HDSED - Przetwarzane Agentowe 3 1 Wstęp teoretyczny 1.1 Agent programowy Struktura System Intelgentnych Agentów jest wzorowany na technolog GRID. Współdzelony dostęp do wszystkch zasobów zapewna wysok współczynnk skalowalnośc, natomast bezpeczeństwo jest zapewnone przez logowane do systemu każdego użytkownka. Komunkacja odbywa sę na welu pozomach jednocześne zapewnając, że nedostępność jednego z serwsów ne spowoduje całkowtej blokady systemu. Agent składa sę z klku nezależnych komponentów: Grd Log Montor Servce (GLMS) odpowada za zberane logów systemowych przy pracy Agenta, zberane log mogą służyć do analzy pracy wydajnośc, mogą być prezentowane użytkownkow, zapsywane do plku lub przesyłane do nnego Agenta, co umożlwa analzę pracy całej Organzacj Wrtualnej z jednego stanowska. Grd Agent Logn Servce (GALS) umożlwa logowane do systemu, dane są przesyłane do katalogu GIIS, gdze nformacje są weryfkowane Agent jest włączany do struktury. Grd Agent Securty Servce (GASS) zapewna ustawane uprawneń do poszczególnych modułów Agenta. Przy lokalnych, wewnętrznych secach, aby podneść wydajność można wyłączyć bezpeczeństwo. Grd Agent Performance Servce (GAPS) bada statystyk dotyczące Agenta, merzy prostym sposobam przewduje wydajność Agentów. Grd Data Bases Connecton (GDBC) zapewna podstawowe funkcje do połączeń z bazam danych poprzez JDBC ODBC. Grd Agent Worker Servce (GAWS) zarządza zadanam połączenam z nnym Agentam. Grd Index Informaton Servce (GIIS) katalog usług dla Agentów. Możlwe jest dodane nowej usług, lub odszukane określonego zasobu. Grd Java Space Servce (GJSS) katalog zadań dla Agenta. Możlwe jest zapsane zadana do wykonana, lub pobrana gotowego rozwązana.

4 Laboratorum HDSED - Przetwarzane Agentowe 4 Grd Agent Data Servce (GADS) katalog danych dla Agentów. Możlwe jest przesłane zadań do nnych Agentów, ustawene zadana statusu lub przechowywane różnych zadań. Agent Koordynacja Zarządzane Klenc Konfguracja Logowane GJSS GIIS Performance Dostęp do baz danych Bezpeczeństwo Wykonywane zadań GRIS Agregacje Lokalne zasoby dane Komunkacja UDP Socket RMI JINI HTTP Rys. 1. Schemat Agenta Agent składa sę z klku modułów, które współpracują ze sobą (rys.1). Moduł Zarządzane jest odpowedzalny za dystrybucję zadań wewnątrz Agenta. Bezpeczeństwo może sprawdzać zadana przychodzące do Agenta, czy pochodzą z pewnego źródła. Klenc zapewnają dostęp do katalogów nnych usług przez seć, natomast Konfguracja pozwala ustawć przechować najważnejsze dane Agenta. Moduł Wykonywane zadań jest najbardzej stotny z punktu wdzena wydajnośc. Zadana są dodawane do przestrzen, po czym kolejno wykonywane przez odpowedne moduły. Dostęp do baz danych zapewna zarządzane utrzymywane połączeń do różnych baz poprzez JDBC lub ODBC Serwsy Agent posada serwsy, które dzałają równolegle realzują pewne operacje. Serwsy to: Grd Agent Logn Servce, Grd Agent Performance Servce, Grd Agent Securty Servce, Grd Agent Tools Servce, Grd Agent Worker Servce, Grd Data Bases Connecton, Grd Java Space Servce, Grd Index Informaton Servce, Grd Agent Data Servce, Grd Log Montor Servce.

5 Laboratorum HDSED - Przetwarzane Agentowe Grd Agent Logn Servce (GALS) GALS (rys.2) oferuje logowane wylogowane, uruchama zatrzymuje klasy zwązane z tym czynnoścam, wczytuje plk z lstą użytkownków, tworzy nowe konto sprawdza poprawność stnejącego konta: Konfguracja Konfguracja rozszerzona Zarządzane GA LS W ykonyw ane zadań Zadana użytkownka Zadana A genta Bezpeczeństwo Klucz sym etryczny Plk poltyk Rys. 2. Schemat GALS Grd Agent Performance Servce (GAPS) GAPS odpowada za poberane przechowywane nformacj o stane lcznków systemowych komputerów na których znajdują sę agenc. Umożlwa uruchomene serwera wydajnośc Performance Server. Pozwala na przechowane dowolnej lczby charakterystyk od lokalnego serwera lub od nnych Agentów. Serws udostępna okna do rysowana charakterystyk w czase rzeczywstym, a także przewduje wydajność w przyszłośc korzystając z poprzednch wartośc. Typy lcznków systemowych poberane są z lokalnego serwera wydajnośc Grd Agent Securty Servce (GASS) GASS odpowada za uwerzytelnane Agenta, sprawdzane SessonID (SID), pozwala na sprawdzene uprawneń do zasobów Agenta Grd Agent Worker Servce (GAWS) GAWS odpowada za pracę Agenta, komunkację z nnym Agentam, wykonywane zarządzane zadanam. Schemat GAWS jest pokazany na rysunku 3. Zarządzane zadanam: Start: 1: Zancjuj kontener zadań. 2: Oblcz, jak czas upłynął od ostatnego sprawdzena. 3: Symuluj upływ czasu dla wszystkch zadań 4: Jeżel czas zadana sę skończył, to wykonaj zadane zmnejsz lczbę wykonań. 5: Jeżel dla danego zadana lczba wykonań jest równa zero, to usuń zadane. 6: Oblcz najmnejszy czas, jak pozostał do wykonana zadana. 7: Zapsz czas ostatnego sprawdzena. 8: Przejdź w tryb uśpena na czas oblczony w punkce 6.

6 Laboratorum HDSED - Przetwarzane Agentowe 6 9: Idź do punktu 2. Klenc Koordynacja Zarządzane Konfguracja Logowane Dane Agenta Bezpeczeństwo W ykonywane zadań Kolejka zadań Lokalne zasoby dane Ko munkacja UDP Socket RM I JINI HTTP Rys. 3. Schemat GAWS Grd Data Bases Connecton (GDBC) GDBC odpowada za zarządzane połączenam do baz danych. Umożlwa dodane, usunęce lub przetestowane połączena. Udostępnane połączeń może odbywać sę także zdalne, gdy nny Agent zleca wykonane zadana na baze danych Grd Java Space Servce (GJSS) Serws GJSS tworzy przestrzeń JavaSpace do komunkacj pomędzy Agentam. Pozwala to na swobodną wymanę zadań danych Grd Index Informaton Servce (GIIS) Serws GIIS tworzy serwer RMI, do którego agenc mogą sę zarejestrować. Umożlwa udostępnane danych o agence dla nnych zarejestrowanych Agentów Grd Log Montor Servce (GLMS) Serws GLMS umożlwa poberane logów z nnych serwsów, a następne wypsane na ekran, do odpowednego okna serwsu lub zaps do plku. Przez to znaczne ułatwa sprawdzane poprawnego dzałana Agenta.

7 Laboratorum HDSED - Przetwarzane Agentowe Grd Agent Tools Servce (GATS) Serws GATS pozwala na korzystane z dodatkowych serwsów do usprawnena pracy z Agentem, przykładem jest AgentPorts moduł umożlwający montorowane sprawdzane wykorzystanych portów Zadana Podstawową porcją danych dla Agenta jest zadane (AgentTask). Take zadane może przechowywać pewne dane, określać zadane do wykonana lub zawerać gotowy wynk. Każdy moduł Agenta posada funkcję dotask, która sprawdza wykonuje akcje zwązane z zadanem Parametry Parametry zadana mogą być dowolne, jedno zadane składa sę z szeregu wpsów: Parametr1=Wartość1 Parametr2=Wartość2 ParametrN=WartośćN Każda klasa (plugn) jest dodawana do tablcy haszującej, w której kluczem jest nazwa klasy, a jako obekt jest element typu AgentPlugnI. Gdy zadane przychodz do systemu z dowolnego źródła, to najperw jest wydobywany plugn, który ma wykonać to zadane, a następne za pomocą dotask zadane jest przekazywane wykonywane. Głównym parametram zadana są: group określa nazwę plugnu, dla którego przeznaczone jest zadane, fun określa funkcję plugnu, która ma zostać wywołana w ramach wykonana zadana, każdy plugn posada nne funkcje, mode nektóre funkcje posadają tryb wykonana, od którego zależy wywołane funkcj, Dodatkowym parametram są: agentname określa nazwę Agenta, do którego adresowane jest rozwązane zadana, from określa nazwę agenta, od którego pochodz zadane, to określa nazwę Agenta, do którego zadane jest natychmast wykonywane (jeżel Agent A1 wysyła zadane do A2, natomast wynk mają być przesłane do A3, wtedy agentname=a3;from=a1;to=a2), count lczba wykonań zadana, pojedyncze zadane może być wykonywane co pewen czas określając odpowedno parametry tmemax count,

8 Laboratorum HDSED - Przetwarzane Agentowe 8 tmecreate czas stworzena zadana (podawany jako lczba mlsekund od r. godzny 0:00:00), tmeout czas ważnośc zadana, po tym czase jeżel zadane ne zostane rozwązane, zostane przesłane do nnego Agenta, tmemax czas, po jakm zadane sę wykona, jeżel ustawony jest parametr count na wartość wększą nż 1, to zadane będze sę wykonywało cyklczne co tmemax mlsekund, d unkalny dentyfkator zadana, każde zadane pownno meć nne ID (przynajmnej w tej samej grupe zadań), groupid grupowy dentyfkator zadań, wszystke zadana w tej samej grupe posadają ten sam dentyfkator, co pozwala przydzelać ch do określonych kubełków przy zberanu rozwązań (różne grupy zadań pownny meć różne groupid, przynajmnej dla danego Agenta). Seralzacja zadana polega na wpsanu nazwy, znaku równośc wartośc parametru, take kolejne wpsy są oddzelone średnkam. Przykładowe zadane: workergroup=math;workerfun=do;tme=0;groupid= ;e0= ;verson= ;endMode=r(p1);p2=1.8;p1=1.4;gs=false;num=0;gjss=true;workerMode=r( p1);b0=1.0;tmeout= ;count=1;tmecreate=18:50:46;valuesum= ;endGroup=math;group=workerQueue;d= ;endFun=add;fun=set ;dmensons=1;spltparts=2;agentname=agent11; 1.2 Połączena komunkacja Aby Agent był bardzo elastyczny, posada klka możlwośc komunkacj (rys. 4). Podstawowym połączenem jest gnazdo secowe (Socket). Inne bezpośredne połączena do datagramy RMI, dodatkowo może być zarejestrowany w katalogu usług GIIS (RMI), GADS (Socket) lub GJSS (JavaSpaces). Aby przesyłać plk wększe dane, używany jest klent http.

9 Laboratorum HDSED - Przetwarzane Agentowe 9 Agent Agent nadrzędny Inn Agenc Performance Server Serwsy HTTP Plugny aplkacje GIIS (Katalog) GJSS (JavaSpaces) HD Rys. 4. Komunkacja Agenta Serwery Wybór komunkacj jest poltyką wewnętrzną Agenta możlwą do konfguracj przez użytkownka. Przy wysyłanu zadana sprawdzane jest, czy stneje połączene bezpośredne z wybranym Agentem, jeżel tak, to wyberana jest ta forma komunkacj. W przypadku, gdy ne ma połączena bezpośrednego, wyberany jest katalog GIIS, GJSS lub GADS. Połączena bezpośredne z nnym Agentem są możlwe za pomocą: AgentDatagramServer szybka metoda komunkacj, jednak nepewna. Można przesyłać take komunkaty, które mogą być zgubone (wydajność systemu, pomary lcznków systemowych). AgentSocketServer prosta metoda komunkacj, można przesyłać dane zadana o newelkm rozmarze (ponżej 1,5kB). Każde połączene utrzymuje osobny wątek, dzęk czemu ne blokuje pracy Agenta. Duża lczba połączeń może być nekorzystna dla całego systemu. Przy rzadko używanych połączenach ne stosuje sę tej metody. AgentRmServer najbardzej skomplkowana metoda komunkacj, wymagająca wyszukana serwsu RMI. Korzystane z serwera jest przezroczyste, operacje są na namastce serwera, tak jakby to był obekt na serwerze. Wele połączeń ne wymaga utrzymywana osobnych wątków, jednak komunkacja jest tylko w jedną stronę klent-serwer. AgentHttpServer serwer ten służy tylko do udostępnana plków przez seć za pomocą połączena operującego na gnazdach secowych (Socket). Poberane plków odbywa sę bez wedzy Agenta na życzene klenta http.

10 Laboratorum HDSED - Przetwarzane Agentowe GAWS GAWS (Grd Agent Worker Servce) zarządza komunkacją wykonywanem zadań, w ramach tego posada sps dostępnych Agentów wraz z ch dentyfkatoram secowym (AgentNetAddress zawera podstawowe dane do połączena sę). W określonych odstępach czasu lsta jest uaktualnana z katalogu GIIS, a także przez samych Agentów połączonych bezpośredno. Dzęk zastosowanu tablcy haszującej, dla każdego Agenta może być szybko pobrana klasa, która realzuje połączene bezpośredne. Jeżel takej klasy ne ma, to poberana jest klasa wysyłająca za pomocą jednego z katalogów. 1.3 System Agentów System Intelgentnych Agentów jest wzorowany na technolog GRID. Współdzelony dostęp do wszystkch zasobów zapewna wysok współczynnk skalowalnośc, natomast bezpeczeństwo zapewnone jest przez logowane do systemu każdego użytkownka. Komunkacja odbywa sę na welu pozomach, jednocześne zapewnając, że nedostępność jednego z serwsów ne spowoduje całkowtej blokady systemu. Technologa rozproszonych Agentów pracujących w GRID przyjmuje następujące założena: Łatwość obsług przejrzystość konfguracj. Przezroczystość pracując na klku maszynach równolegle, należy zapewnć, aby użytkownk ne musał wedzeć jake komputery w danej chwl są wykorzystywane. Bezpeczeństwo system, w którym udostępnane są pewne zasoby mus zapewnać bezpeczeństwo autoryzacj komunkacj. Interoperacyjność Agenc mogą być uruchaman na różnych stanowskach sprzętowych nezależne od nch pownn pracować tak samo. Efektywność system pownen zapewnać maksymalne wykorzystane zasobów. Bardzej czasochłonne zadana pownny być wykonywane na szybszych komputerach, a mnejsze zadana na bardzej obcążonych słabszych stacjach roboczych. Dostępność uruchomene Agentów na welu komputerach wąże sę ze stałą dostępnoścą zasobów. Skalowalność zwększane lczby komputerów z Agentam pownno proporcjonalne zwększać szybkość całego systemu. Elastyczność jeżel jeden z komputerów ulegne awar, to ne pownno meć to wpływu na stablną pracę całego systemu.

11 Laboratorum HDSED - Przetwarzane Agentowe 11 Autonomczność zdolność podejmowana samodzelnych decyzj na podstawe odkrywanej wedzy. Modularność cały system jest podzelony na nezależne częśc, ne wszystke są koneczne do prawdłowej pracy systemu. Percepcja zdolność do postrzegana reagowana na pewne zmany otaczającego środowska Katalog GADS GADS jest katalogem usług dla Agenta (rys. 5). Zamplementowany jest na gnazdach secowych. Katalog może meć welu klentów, którzy rejestrują sę przy perwszym połączenu. Do katalogu przesyłane są zadana AgentTask, za pomocą których można wykonać odpowedne czynnośc: przesłane zadana do jednego lub wszystkch klentów, ustawene statusu. K oordynac ja GA DS Prze strze ne zada ń Zarząd za ne Zarząd za ne po łąc ze na m Rys. 5. Schemat GADS Przestrzene zadań Katalog posada przestrzene zadań, które są określonego typu. Przy rejestracj Agent tworzy swoją przestrzeń prywatną typu agent, do której można zapsywać zadana dla nego. agent przestrzeń prywatna Agenta, zadane dodane do przestrzen zostane natychmast wysłane do danego Agenta, all zadane dodane będze natychmast rozesłane do wszystkch Agentów zarejestrowanych w GADS, one zadane dodane do przestrzen będze losowo wybrane do Agenta, prvate przestrzeń prywatna dla Agenta, zadana dodane czekają, aż dany Agent je poberze, room zadana czekają w kolejce, jeżel jest wolny agent, to kolejne zadane jest wysyłane, status zadana są dodawane do tablcy haszującej, kluczem jest parametr gadskey, dowolny Agent może pobrać wszystke zadana, ne usuwając ch.

12 Laboratorum HDSED - Przetwarzane Agentowe Organzacja Wrtualna (VO) Rysunek 5 przedstawa komunkację pomędzy Agentam w herarchcznej strukturze. VO oznacza Organzację Wrtualną, w ramach której Agenc wymenają sę zadanam bez konecznośc korzystana z katalogu usług. Organzacja Wrtualna to zbór zasobów tworzących logczną całość. Przykładem może być dzał w frme, wszystke komputery jednej grupy projektowej, czy stanowska pracujące nad tym samym projektem. VO VO GIIS lub GJSS Rys. 6. Herarchczna struktura Agentów w ramach Organzacj Wrtualnej połączena przez GIIS, GJSS lub GADS Przy małej lczbe jednostek połączonych można stworzyć jedną VO, wtedy każdy Agent będze posadał aktywne połączene wszystkch nnych. Komunkacja będze optymalna, jednak balansowane znaczne utrudnone. W przypadku dodana nowego zadana, jest ono dzelone na klka częśc (zazwyczaj pęć lub sześć razy węcej, nż jest dostępnych Agentów), a następne rozsyłane kolejno do wszystkch. Gdy przyjdze rozwązane od konkretnego Agenta (parametr from zadana), posyłane jest mu nowe zadane. W takm wypadku wykorzystane Agentów jest pełne w całym cyklu trwana oblczeń z wyjątkem krótkego (około 20-80ms) oczekwana na nowe zadane Przesyłane zadań Przy przesyłanu bezpośrednm, Agent łączy sę za pomocą Socketu z nnym Agentem bezpośredno wymena zadana. Ne jest to korzystne w przypadku welu komputerów. Ne jest to skalowalne, jednak zdecydowane najszybsze. Przesyłane przez Socket ne wymaga dodatkowego nakładu marszałkowana (seralzacj). Dodatkowo ne są obsługwane transakcje (jak w przypadku JavaSpaces), a dla jednego zadana jest jeden przesył jak pokazano na rysunku 7.

13 Laboratorum HDSED - Przetwarzane Agentowe 13 Agent Przesłane zadana Agent Wysłane wynków Rys. 7. Przesyłane bezpośredne Agent Agent Pobrane wynków Wysłane wynków Przesłane zadana GIIS, GJSS lub GADS Pobrane zadana Rys. 8. Przesyłane za pomocą GIIS, GJSS lub GADS 1.4 Hurtowna danych Założena Celem hurtown danych jest połączene danych z różnych stnejących źródeł. Mogą to być bazy transakcyjne różnych jednostek organzacj, które są stale w użycu, nośnk danych archwalnych nne plk np. XML. Hurtowna danych jest analtyczną bazą danych zntegrowanym środowskem rozwojowym obsługującym procesy: Ekstrakcj, transformacj ładowana z różnych źródeł danych (ETL/MR) Zaawansowanego zarządzana danym Skalowalnego przetwarzana analtycznego Intelgentnego eksplorowana danych dla odkrywana wedzy Mnmalzacj cyklu uaktualnana danych W przecweństwe do danych w bazach transakcyjnych dane w hurtown danych ne są uaktualnane w czase rzeczywstym, lecz w określonych odstępach czasu. Proces uaktualnana danych jest na tyle obcążający system, że należy go przeprowadzać w odpowednch odstępach czasu, poneważ zbyt długe okresy mędzy uaktualnenam mogą w znaczący sposób wydłużyć proces ładowana danych (ETL).

14 Laboratorum HDSED - Przetwarzane Agentowe 14 Środowsko hurtown danych jest z założena nadmarowe. Wele systemów baz danych obsługujących przedsęborstwo oraz nne źródła nformacj umeszczają dane we wspólnej baze, która z kole może być powelona w jednej lub klku hurtownach tematycznych tzw. datamart Model danych Zastosowane systemów hurtown danych ma sens dla baz o rozmarach GB TB. Tak duże zbory danych wymagają stosowana wyrafnowanej analzy efektywnego środowska hurtown danych. Obecne w hurtownach danych główne spotykane są dwa modele danych: model relacyjny model welowymarowy. Wraz z tym modelam stneją cztery klasy przetwarzana analtycznego, z których podstawowe znaczene mają perwsze dwe: ROLAP Relatonal OLAP relacyjny OLAP MOLAP Multdmensonal OLAP welowymarowy OLAP HOLAP Hybrd OLAP DOLAP Desktop OLAP Schemat hurtown Rozważany w pracy schemat hurtown danych jest pokazany na rysunku 9. Tabelą faktów jest MEASURES, natomast pozostałe to tabele wymarów. W procese ETL dla tej metody, dane dla tablcy MEASURES są dzelone na wszystke dostępne połączena, natomast dane dla pozostałych tablc są przesyłane w całośc. MTR_LOC locatonid locx locy locz METRES counterid locatonid attrid mondateid MEASURES measid value zone dateid tmeid counterid MTR_ATTR attrid type scope Rys. 9. Schemat tabel

15 Laboratorum HDSED - Przetwarzane Agentowe Metody równoległego przetwarzana danych Dane z HD są rozdzelane na wele komputerów. Uzyskane skalowalnośc dużej lczby stacj roboczych jest zaletą, ale wąże sę z pewną nedogodnoścą. Przy dużej lczbe podzału jest spora szansa, że pewne maszyny ne będą dzałały. Zakłada sę używane najlepszego wskaźnka jakośc do ceny, węc zwększa sę prawdopodobeństwo, że wydajność systemu może spadać wraz z czasem. Powoduje to koneczność częstszej konserwacj pojedynczych jednostek. Otrzymane wynk mogą być nedokładne, w raze konecznośc uzyskana dokładnych wynków musmy osągnąć sprawność wszystkch komputerów, co jest częstokroć nemożlwe. Zapytane kerowane do hurtown, gdze lczba werszy może przekraczać klkadzesąt mlonów, będze wykonywało sę bardzo długo. Perwsza z prezentowanych metod daje możlwość uzyskana odpowedz przyblżonej przeszukując tylko część całej tablcy faktów. Kolejną metodą podzału herarchcznego poprzez partycjonowane ndeksowane możemy przyspeszyć nektóre zapytana. Wraz ze zwększanem obszaru poszukwań, zarówno czasu przestrzenn, czas odpowedz będze sę znaczne zwększał. Rozwązanem są agregaty zamplementowane jako drzewa MVB (Mult-Versonng Tree) STCAT (Spatal-Temporal Cup Aggregate Tree) [12], lub Indeksy Btmap pozwalające na podzał herarchczny przeszukane tylko tych częśc tabel faktów, które zawerają potrzebne nformacje Podzał hurtown danych (DWS) Przedstawana propozycja opera sę na dostarczenu użytkownkow odpowedz nawet, jeżel w systeme DWS jedna lub węcej maszyn jest nedostępna. W tym przypadku odpowedź będze przyblżona, poneważ nektóre częścowe wynk są nedostępne. Rozwązane to jest dobre z następujących powodów: błąd przyblżena jest bardzo mały ne wpływa na wsperane decyzj w wększośc przypadków; jest możlwość dostarczena użytkownkow przedzałów ufnośc, które dają wyobrażene o welkośc dopuszczalnego błędu przyblżonych wynków. W technce Podzału Hurtown Danych (DWS), dane są rozprowadzane na stacje robocze, które mają schemat gwazdy (schemat równoważny wersj scentralzowanej). Tablce wymarów są powelone na każdej maszyne roboczej, natomast tablca faktów jest rozprowadzana na wszystke stacje używając jednoltego losowego próbkowana Jednolte losowe próbkowane Procedura systematycznego próbkowana polega na wybranu losowo jednego numeru k z przedzału [1, N], który służy jako lczba początkowa, czyl perwszy element próbk. Wtedy systematyczne próbkowane zawera elementy: k, k+n, k+2n,... k+(n-1)n.

16 Laboratorum HDSED - Przetwarzane Agentowe Estymacja błędu Technka DWS używa podejśca partycjonowana well-known round-robn, który ma zastosowane do danych nskego pozomu tablcy faktów. Z jednego zapytana tworzymy klka, za pomocą których lczymy częścowy wynk. Posadając rezultaty poszczególnych zapytań, można szybko oblczyć wynk całkowty. Podzapytana są wykonywane nezależne na komputerach, jest to warunek koneczny otrzymana optymalnego balansowana obcążena uzyskana dobrej skalowalnośc rozwązana. Możlwość otrzymana losowych próbek jest ważna, poneważ system zwraca przyblżoną odpowedź na zapytane, gdy nektóre komputery są nedostępne. W takm przypadku możemy wyznaczyć błąd estymacj w forme przedzałów ufnośc Zabezpeczene DWS Metoda DWS daje wynk nawet w przypadku nedostępnośc węzłów. Z jednej strony pozwala to na wykorzystane słabych mnej pewnych komputerów do tworzena struktury hurtown danych. Z drugej strony ryzyko awar takch komputerów jest znaczne wększe, a szansa uzyskana bezbłędnego wynku coraz mnejsza. W efekce zastosowane metody DWS w praktyce bez żadnych modyfkacj jest newelke. Możemy rozpatrzyć system HD, w którym najmnej pewne komputery mają kope danych na mocnych pewnych serwerach. W przypadku awar lub nedostępnośc jednej z maszyn, można uruchomć nne połączene wykonać zapytane wolnej, za to bez żadnego błędu. Rozpatrzmy przypadek, w którym mamy plk measures.txt (1mlard werszy) 7 komputerów (3 dobre serwery 4 nepewne stacje robocze) oznaczonych K1 do K7. Plk z danym dzelmy na 20 częśc oznaczonych M1 do M20 (rys. 10). K1 K2 K3 K4 K5 K6 K7 M1 M8 M15 M18 M2 M9 M16 M19 M3 M10 M17 M20 M4 M11 M5 M12 M6 M13 M7 M14 M4 M5 M6 M7 M11 M12 M13 M14 M1 M2 M3 M8 M9 M10 M15 M16 M17 M18 M19 M20 Rys. 10. Modyfkacja metody DWS 7 komputerów, 3 serwery, 4 stacje robocze W przypadku, gdy wszystke maszyny dzałają, można zadać zapytane M1-M20, odpowedź będze dokładna, a zapytane zostane rozdzelone pomędzy komputery wykonane. Jeżel ne zależy nam na dokładnośc wynku, to możemy utworzyć zapytane tylko do M1-M7 lub M1-M10. Zapytane będze mało około 1-2% błędu, ale wykona sę

17 Laboratorum HDSED - Przetwarzane Agentowe 17 około 2 razy szybcej. W przypadku awar jednej z maszyn, nny komputer może ją zastąpć. W przypadku awar dwóch, trzech lub nawet czterech słabych maszyn (K4-K7) mocne mogą je zastąpć, natomast, gdy zawodą dwa serwery (K1-K3) lub serwer słaby komputer (np.: zawedze K1 K5, to M8 M5 będą neosągalne), to nedokładność wynków będze nadal mała (przy 10% nedostępnośc błąd będze ponżej 1%). Innym przypadkem jest wele maszyn o podobnych parametrach, jak jest to pokazane na rysunku 11. Podzał danych pomędzy wele maszyn może powodować nepewność metody, aby zabezpeczyć sę przed takm sytuacjam, można podwoć każdą część danych na dwóch serwerach. Załóżmy 5 komputerów 100 mlonów werszy w tablcy faktów. Dzelmy dane źródłowe na 20 częśc oznaczonych M1 do M20, a następne kolejno rozmeszczamy na dostępnych maszynach. K1 K2 K3 K4 K5 M1 M6 M11 M16 M2 M7 M12 M17 M3 M8 M13 M18 M4 M9 M14 M19 M5 M10 M15 M20 M2 M8 M14 M20 M3 M9 M15 M16 M4 M10 M11 M17 M5 M6 M12 M18 M1 M7 M13 M19 Rys. 11. Modyfkacja metody DWS 5 stacj roboczych z kopą danych Zapytana M1-M5, M1-M10, M1-M15, M1-M20 oferują odpowedno 25%, 50%, 75% 100% przeskanowana tablcy faktów, węc odpowedno 4 krotne, 2 krotne, 1,5 krotne przyspeszene wykonywana zapytana. Błąd zależy od selektywnośc zapytana rozkładu danych. Opracowana została technka podwajana welkośc hurtown celem uzyskana nezawodnośc odpowedz nezależnej od stacj roboczych. Przy nedostępnośc jednego (dowolnego) komputera, cztery pozostałe uzupełnają brak danych korzystając z kop. Dodatkowo, rozłożene obcążena jest równomerne. Gdy zostane wyłączony komputer K5, to dane M5, M10, M15, M20 zostaną pobrane odpowedno z komputerów K4, K3, K2, K1. Przy nedostępnośc dwóch dowolnych komputerów, tylko 2 z 20 częśc pozostaną nedostępne. Przy nedostępnośc komputerów K4 K5, dane M5 M19 pozostaną nedostępne. Aby metoda była w pełn skuteczna, lczba częśc mus być uzależnona od lczby komputerów: lczba _ czesc= N lczba _ komputerów ( lczba _ komputerów 1) (1) gdze: N dowolna lczba naturalna

18 Laboratorum HDSED - Przetwarzane Agentowe Drzewo agregacj MVB Drzewo MVB pozwala zapsać wartość wraz z wersjonowanem, czyl dodanem do pomaru stępla czasowego. Lśce zawerają wartośc aktualne oraz agregacyjne (sum, count, mn, max). Jest wyraźna optymalzacja pod względem czasu wyszukwana. Ważnym elementem jest możlwość pracy drzewa całkowce na dysku. Umożlwa to wyłączene Agenta, a po włączenu można już bez procesu ETL korzystać z dostępnych agregacj. Zastosowane MVB drzewa jest ogranczone z powodu zajmowana bardzo dużej przestrzen w pamęc RAM lub mejsca na dysku Drzewo agregacj STCAT Ops metody Drzewo STCAT (Spatal-Temporal Cup Aggregate Tree) to przestrzenno-czasowe kubełkowe drzewo agregacyjne [12]. W każdym lścu drzewa welowymarowego jest lsta korzen do drzew czasowych, czyl jest to struktura lsty drzew czasowych o jednym wymarze podczepanych do lśc drzewa welowymarowego Wady poprzednch metod Duża lczba danych w hurtown ne pozwala na szybke przeszukane całej tabel. Metody przyblżone, take jak DWS, wymagają odpowednego przygotowana. Podzał herarchczny hurtown powoduje znaczne zwolnene procesu ETL. Drzewo MVB nadaje sę znakomce do tych rozwązań, jednak jego stworzene zajmuje bardzo dużo czasu mejsca na dysku. Dodatkowe problemy MVB-drzewa to brak możlwośc oblczena agregacj mn max dla określonego przedzału czasu. Jeżel mamy agregacje mn lub max z okresu <0;t1> <0;t2>, to ne ma metod pozwalających na oblczene mn lub max w przedzale <t1;t2>, co jest prezentowane na rysunku 12. Max=40 Max=??? Max=40 0 t1 t2 Rys. 12. Oblczene wartośc maksymalnej w przedzale czasu Duży rozmar MVB-drzewa wynka z przechowywana wszystkch wartośc hstorycznych. W wększośc przypadków ne jest to potrzebne. Wystarcza przechowywane wartośc w kubełkach, które mają określony rozmar, odnośne czasu może być to 12 godzn lub 1 dzeń.

19 Laboratorum HDSED - Przetwarzane Agentowe Drzewo czasowe Lsta agregatów może tworzyć określone kubełk na tej podstawe oblczać ch sumę, lczbę, mnmum czy maksmum. W jednym kubełku może być wele pomarów. Oczywśce jedna lsta odpowada pomarom z jednego lcznka, lub jednemu typow danych w strukturze HD. Zapytana kerowane do lsty pozwalają przeszukać lnowo potrzebne dane. Rozmar kubełka jest zdefnowany przez użytkownka, natomast w jednym kubełku może być wele pomarów. Dodane pomaru dla kubełka przebega następująco: valuesum += Sum; valuecount += Count; valuemn = Math.mn(valueMn, Mn); valuemax = Math.max(valueMn, Max); Aby przyspeszyć wyszukwane zastosowane zostało drzewo z możlwoścą rozbudowana, podczas gdy dodana wartość przekracza zakres agregacj. Tworzy sę początkowy lść dla przedzału czasowego, jeżel kolejny pomar przekracza rozpętość czasową przedzału, to dokładany jest na górę korzeń, który ma dwukrotną rozpętość czasową. Przykładowo, przy stane początkowym drzewa: 1: [500,600) Dodajemy pomar 534 (v=3.4), wpada do kubełka 1. Dodajemy pomar 608 (v=1.3), pomar wykracza poza przedzał [500,600), dodawany jest lść nad aktualnym korzenem, poneważ dodawany pomar jest wększy nż średna przedzału aktualnego korzena, to nowy korzeń ma wększy przedzał prawostronne. Wartość sumy, lczby, mn max są przepsywane. 1: [500,600] v=3.4 2: [500,700) v=3.4 W tej postac dodawany jest pomar, korzeń 2 tworzy lść dodaje pomar, przechodząc przez strukturę herarchczną, na każdym pozome jest dodawany pomar: 2: [500,700) v = 4.7 (uaktualnona wartość 3.4 o nowy pomar 1.3) 1: [500,600] v=3.4 3: [600,700) v=1.3 W ten sposób lść 2 jest teraz korzenem, posada wartość agregacyjną lśc będących pod nm ( 4.7 = ) Dodajemy pomar 423 (v=1.1), poneważ wartość wykracza poza korzeń, to tworzymy na wyższym pozome nowy korzeń. Rozpętość wyższego korzena jest zawsze dwa razy wększa od poprzednego,: 4: [300,700) v=4.7 2: [500,700) v=4.7 (uaktualnona wartość 3.4 o nowy pomar 1.3) 1: [500,600] v=3.4 3: [600,700) v=1.3 Teraz dodając pomar tworzone są nowe lśce: 4: [300,700) v=5.8 5:[300,500] v=1.1 2: [500,700) v = 4.7

20 Laboratorum HDSED - Przetwarzane Agentowe Wyszukwane wartośc 6:[400,500] v=1.1 1: [500,600] v=3.4 3: [600,700) v=1.3 Wyszukwane wartośc zakresowych jest dużo szybsze nż w przypadku lnowej struktury. Ponadto lśce na wyższych pozomach posadają agregacje wszystkch nżej położonych lśc, węc w przypadku, gdy rozmar zapytana obejmuje cały lść, ne ma potrzeby wyszukwana w lścach podrzędnych czas Rys. 13. Szukane agregacj w drzewe czasowym Jak pokazano na rysunku 13, aby znaleźć agregacje, wystarczy odwołać sę do lczby lśc ne wększej, nż czterokrotna wysokość drzewa. Szare pola to lśce do których należy sę odwołać przy zapytanu oznaczonym przerywanym lnam, lczby podkreślone wchodzą w skład agregacj do wynku. Przy małych drzewach ne wdać zysku, gdyż odwołań jest 13, natomast wszystkch lśc na najnższym pozome 16. Jednak przy wysokośc drzewa równej 10 (około tysąc lśc), zapytane odnese sę maksymalne do 40 lśc (zamast do 1000). Poza tym, nektóre zapytana mogą wykonywać sę bardzo szybko (rys. 14). Rys. 14. Przypadek optymalnego przeszukwana drzewa Dla lewego prawego przedzału wyszukwanej wartośc wchodząc w głąb drzewa odwedzamy najwyżej dwa lśce. Oznacza to maksymalną lczbę 4 lśc na pozom.

21 Laboratorum HDSED - Przetwarzane Agentowe 21 h= log2 L f = 4 h f = 4 log 2 L (2) gdze: h wysokość drzewa L lczba wszystkch kubełków (lśc) f maksymalna lczba lśc odwedzonych przy wyszukwanu zakresowym Drzewo welowymarowe Kolejnym drzewem jest drzewo welowymarowe, które bazuje na zasadze z poprzednego drzewa, jednak realzuje to dla welu wymarów. Dla lczby wymarów oznaczonej jako w, lczba lśc podrzędnych jest równa 2 w. gdze L lczba lśc na pozome x w lczba wymarów drzewa x numer pozomu drzewa w x = (2 (3) L ) Dodane kolejnego lśca można zaprezentować na płaszczyźne dwuwymarowej. Jako perwszy lść mamy obszar (kwadrat) o współrzędnych x od 700 do 800, a współrzędnych y od 200 do : ( , ) Dodajemy nowy korzeń o numerze d=10 na pozycj (740, 285) drug d=11 na pozycj (780, 215): 1: ( , ) [ 10, 11 ] Dodajemy d=12 na pozycj (650, 270). Pozycja wykracza poza ramy korzena, wec tworzony jest nowy korzeń. Rozpętość nowego korzena jest wyznaczana z punktu dodawanego wg następującego algorytmu (values to tablca pozycj nowego punktu, vavg to tablca środków wymarów, vrootmn vrootmax to tablce punktów wyznaczających krańce nowego lśca, vmn vmax to tablce punktów wyznaczające aktualny korzeń, vspan to tablca rozpętośc aktualnego korzena): nt[] vrootmn = new nt[dmensons]; nt[] vrootmax = new nt[dmensons]; for (nt =0; <dmensons; ++) { f (values[] < vavg[]) { vrootmn[] = vmn[] - vspan[];

22 Laboratorum HDSED - Przetwarzane Agentowe 22 } vrootmax[] = vmax[]; } else { vrootmn[] = vmn[]; vrootmax[] = vmax[] + vspan[]; } 2: ( , ) 1: ( , ) [ 10, 11 ] Teraz punkt dodawany meśc sę w korzenu, jednocześne dodawany jest nowy lść: 2: ( , ) 1: ( , ) [ 10, 11 ] 3: ( , ) [ 12 ] Kolejno dodajemy punkt (880, 523) d=13. Poneważ ne meśc sę w korzenu, tworzony jest nowy korzeń, a następne dodawany punkt. Jeżel dany lść ne ma podlśca o danym hpersześcane, to jest tworzony nowy lść. Aby wstawć wartość czasową, należy w perwszej kolejnośc wstawć korzeń drzewa czasowego do przestrzen drzewa welowymarowego. Na rysunku 55, numery 10, 11, 12, 13 są to ID drzew czasowych, które ne mają znaczena przy wyszukwanu. Służą tylko do poprawnej dentyfkacj drzewa przy wstawanu nowych wartośc. Rozmary prostokątów (lub hpersześcanów dla wększej lczby wymarów) są doberane przez użytkownka, jednak jak zostane pokazane w dalszej częśc, dobór odpowednch wymarów ne ma dużego znaczena dla efektywnośc całej. Każde drzewo czasowe znajduje sę w danym lścu welowymarowym. Lść może meć węcej (nawet do 20) takch drzew czasowych. Dla przyspeszena wykonywana zapytań przestrzennych zakresowych, każdy lść tworzy dodatkowe drzewo czasowe, w którym umeszcza agregacje wszystkch zebranych drzew czasowych. W prezentowanym wyżej przykładze, prostokąt ( , ) posada drzewo z wartoścam drzew Prostokąt ( , ) posada drzewo czasowe z wartoścam z drzew 10, 11, 12. Prostokąt ( , ) posada zagregowane wartośc wszystkch drzew czasowych pod sobą (10, 11, 12, 13). Take agregacje ne są wymagające pod względem czasowym przy tworzenu, natomast mogą znaczne przyspeszyć pytana o wększe zakresy. Przykładowo zapytane o obszar ( , ) będze musało przeszukać tylko jedno drzewo czasowe dla prostokąta ( , ) zamast trzech drzew (10, 11, 12). Przy wększej lczbe drzew czasowych w lścach jest to bardzo opłacalne. Ponżej pokazany jest przykład zapytana zakresowego (rys. 15). Lną przerywaną zaznaczony jest zakres zapytana, prostokąty lczby pogrubone to drzewa czasowe, które trzeba przeszukać.

23 Laboratorum HDSED - Przetwarzane Agentowe , 15 10, 11 14, 16 21, , 30 17, 18 19, 20 25, 26 27, 28 13, 19 23, Rys. 15. Zapytane zakresowe przestrzenno-czasowe Jak wdać na rysunku 15, trzeba przeszukać 9 drzew czasowych, zamast 22. Przy zapytanach na wyższych pozomach zysk może być jeszcze wększy. Przy zaznaczenu całego obszaru korzena, przeszukane będze tylko jedno drzewo czasowe (drzewo korzena drzewa welowymarowego), w powyższym przykładze lść ( , ) Indeksy btmap Metoda Indeksów Btmap została zamplementowana jako bardzo elastyczny dodatek do struktury Agentów. Możlwe jest defnowane lczby kolumn tabel dowolnego podzału herarchcznego, przez co osąga sę przeszukane tylko tych częśc tabel, które w rzeczywstośc mogą zawerać cenne nformacje. Przyspeszene ne jest tak duże jak w przypadku drzew, jednak ta metoda ma nną zaletę, manowce możlwa jest konfguracja pod każdy schemat hurtown z dowolną lczbą wymarów Rekord btmapy Rekord w strukturze btmapy jest dowolne konfgurowalny, zarówno lczba kolumn, ch typy defncje można ustalć na początku korzystana z btmapy. Dane są przechowywane bnarne w plku paczkam. Przykładowe kolumny tworzene typu btmapy jest pokazane ponżej: // ustawamy kolejne kolumny ArrayLst<AgentBtmapColumn> cols = new ArrayLst<AgentBtmapColumn>(); // dodane kolumn, mozna dodac tylko typ, nazwe nne nformacje

24 Laboratorum HDSED - Przetwarzane Agentowe 24 cols.add(new AgentBtmapColumn(AgentNumber.TYPE_DOUBLE, true, "value")); cols.add(new AgentBtmapColumn(AgentNumber.TYPE_LONG, 12E11, 13E11, 100, false, "tme")); cols.add(new AgentBtmapColumn(AgentNumber.TYPE_BYTE, "zone")); cols.add(new AgentBtmapColumn(AgentNumber.TYPE_BYTE, 0.0, 3.0, 3, false, "type")); cols.add(new AgentBtmapColumn(AgentNumber.TYPE_INT, 0.0, , 100, false, "x")); cols.add(new AgentBtmapColumn(AgentNumber.TYPE_INT, 0.0, , 100, false, "y")); // tworzymy nowy typ rekordu na podstawe kolumn AgentBtmapType type = new AgentBtmapType(cols); Pojedynczy konfgurowalny rekord jest obektem klasy AgentBtmapRecord. Aby przydzelć rekord do paczk, oblczany jest kod haszujący na podstawe wartośc kolumn. Z wartośc kolumn wyznacza sę współczynnk haszujące: range parts parts m = parts parts 1 j= 1, parts 0 = max = 0 cup 0 cup = 0 scale 0 scale mn j = 1 range = parts parts j = 0 = m (4) gdze: mn mnmalna wartość argumentu o numerze max maksymalna wartość argumentu o numerze parts lczba częśc na jake należy podzelć kolumnę cup zakres jednego przedzału dla kolumny scale współczynnk skalowana dla kolumny Dla danej tablcy wartośc można oblczyć następujący kod haszujący: gdze: M lczba kolumn dla btmapy Paczka rekordów ( value mn ) scale hash = (5) cup M 1 = 0 Dla każdego wstawanego rekordu jest lczona lczba haszująca, która jednoznaczne defnuje paczkę danych. Jeżel paczka ne stneje, to jest tworzona na dysku dodawana do lsty paczek. Paczk składają sę maksymalne z 1000 rekordów (welkość konfgurowalna). Jeżel dana paczka przekracza swoją welkość, tworzona jest nowa o tym samym type.

25 Laboratorum HDSED - Przetwarzane Agentowe 25 Lsta paczek wraz z ch opsem jest przechowywana w pamęc. Paczkę opsują trzy rekordy mnmalny, maksymalny rekord sumy. Przy dodawanu nowego rekordu wszystke trzy są sprawdzane uaktualnane, jeżel tylko zajdze taka potrzeba. Dodatkowo paczka jest opsana przez sumę haszującą, lczbę aktualnych rekordów numer paczk na dysku. Pozycja rekordu w plku dla danej paczk jest oblczana na podstawe wzoru: flepos = packnum * MAX_DATA_COUNT * recordsze + recordnum * recordsze Przy procese ETL dla każdego rekordu trzeba znaleźć odpowedną paczkę. W celu mapowana sumy haszującej rekordu na konkretną paczkę użyte jest drzewo czerwono-czarne. Przy małej lczbe paczek w stosunku do lczby rekordów jest to najbardzej wydajna struktura do przeszukwana. Wstawane nowej paczk do drzewa odbywa sę rzadko, natomast wyszukwane jest optymalne przez zbalansowane drzewo Ładowane danych Kolumny są dowolne konfgurowalne, z tego powodu na różnych pozycjach mogą być różne typy danych. Dodane nowej danej odbywa sę za pomocą funkcj loaddatafromnumbers. Argumentem jest tablca obektów typu AgentNumber[], przykładowe dodane kolejnego wersza jest pokazane ponżej: AgentNumber[] values = new AgentNumber[6]; values[0] = new AgentDouble(value); values[1] = new AgentLong(tme); values[2] = new AgentByte((byte)zone); values[3] = new AgentByte((byte)type); values[4] = new AgentInteger(locX); values[5] = new AgentInteger(locY); bmp.loaddatafromnumbers(values); Jeżel dodawany rekord należy do paczk, która posada maksymalną lczbę rekordów, to tworzona jest nowa pusta paczka o tym samym kodze haszującym, dodawana jest do lsty jednokerunkowej, a w drzewe jest podmenana stara pełna paczka, nową pustą. W ten sposób przy przepełnenu danej paczk tworzone są kolejne. Domyślny rozmar paczk to 1000 elementów, co pozwala na znaczne oszczędnośc w pamęc. Wypełnene paczk jest lczone jako stosunek lczby rekordów w paczce do maksymalnej lczby rekordów w paczce: gdze: η wypełnene paczk o numerze r lczba rekordów w paczce o numerze r max maksymalna lczba rekordów w paczce r = r max η (6) Całkowte wypełnene paczk jest lczone jako suma wszystkch rekordów do sumy wszystkch rekordów możlwych do zapsana w paczkach:

26 Laboratorum HDSED - Przetwarzane Agentowe 26 gdze: η wypełnene paczk r lczba rekordów w paczce o numerze N 1 r max maksymalna lczba rekordów w paczce r N 1 r = 0 = 0 η = = (7) N 1 N rmax rmax = 0 N lczba wszystkch paczek, paczk są numerowane 0, 1, 2, N-1 Przy małym wypełnenu może wystąpć sytuacja, że lczba paczek jest newele wększa od lczby rekordów, węc rozmar plku może być znaczne wększy, a także btmapa w pamęc może zajmować dużą przestrzeń Wyszukwane rekordów Wyszukwane odbywa sę za pomocą dwóch rekordów tworzących przedzał. Każda paczka jest sprawdzana względem przecnana zawerana z szukanym wartoścam. Możlwe są trzy sytuacje: przedzał wyklucza sę z paczką cała paczka jest omjana, paczka zawera sę w przedzale cała paczka jest włączana (używany rekord sumy dla paczk), paczka przecna sę częścowo z rekordem wszystke rekordy paczk muszą zostać odczytane z dysku sprawdzone, tylko w tym przypadku wymagany jest odczyt z dysku. 1.6 Rozproszony proces ETL W systeme Agentów został zamplementowany rozproszony proces ETL, w którym Agent wystawa podzelone plk danych na serwer http, wysyła zadana do katalogu, a następne Agenc kolejno ścągają plk za pomocą klenta http uruchamają ładowane danych do bazy. Agent tworzy serwer http na określonym porce w wysyłanych zadanach defnuje śceżkę do plku w postac: Jak to pokazane na rysunku 16, Agenc poberają zadane, następne z serwera http kopują odpowedn plk, na końcu przeprowadzają lokalne proces ETL dla agregacj MVB, STCAT, Indeksów Btmap, a także bazy danych. Zadane pełnego rozproszonego procesu ETL jest znaczne dłuższe nż typowe pojedyncze zadane dla Agenta.

27 Laboratorum HDSED - Przetwarzane Agentowe 27 http plk1.dat plk2.dat plk3.dat plk4.dat A A A A Rys. 16. Rozproszony proces ETL 1.7 Specyfkacja zewnętrzna Uruchamane Agenta Przy perwszym uruchomenu Agenta, należy stworzyć użytkownka, na którego można będze sę zalogować. Z menu górnego wyberamy Wndow a następne Grd Agent Securty Servce: Rys. 17. Menu główne aplkacj Agenta Następne pokazuje sę okno GASS, gdze wyberamy zakładkę Users, jeżel ne ma żadnych użytkownków, to tworzymy nowego rozwjając menu kontekstowe:

28 Laboratorum HDSED - Przetwarzane Agentowe 28 Rys. 18. Okno GASS Po stworzenu użytkownków można sę zalogować wyberając w głównym menu: Menu Logn. Przed poprawnym zalogowanem wększość opcj serwsów ne będze dzałać poprawne, gdyż brak jest jakejkolwek konfguracj. Z tego powodu wszystke główne serwsy mają zablokowane uruchomene do momentu poprawnego logowana. Razem z Agentem pokazuje sę okno Agent Logger (rys. 19), do którego wpsują sę log z pracy Agenta. Ważne jest, aby po każdej ważnej operacj (włączene wyłączene serwsu, uruchomene ważnych zadań) sprawdzać dodane log. Log są dodawane w następującej forme: Rys. 19. Okno logów Agenta Log<godzna dodana>(nazwa modułu, numer funkcj, ważność loga): Treść loga Log o ważnośc 0-3 są to log nformacyjne, 4-5 ostrzegawcze, natomast ważność 6-9 to log błędów Agenta (ne znalezony plk, brak połączena do katalogu lub bazy danych nne).

29 Laboratorum HDSED - Przetwarzane Agentowe 29 Rys. 20. Menu kontekstowe do pokazywana ukrywana różnych oken Agenta Wększość zasobów Agenta jest pokazywanych w wygodnej forme tabel. Prawe każda tabela posada kontekstowe menu, z którego można wykonywać potrzebne akcje. Wele oken posada także take menu, które rozszerza wachlarz możlwośc. Okno główne Agenta ma możlwość szybkego pokazana wybranych oken (rys. 20) Katalog usług Z menu Wndow można uruchomć trzy katalog usług dla Agenta: Grd Index Informaton Servce, Grd Java Space Servce Grd Agent Data Servce. Dla GIIS GADS na zakładce Confguraton można ustawć numer portu, na której dzała usługa, a także nne potrzebne parametry. W okne GIIS na zakładce Agents możemy sprawdzać nformacje na temat aktualne połączonych klentów:

30 Laboratorum HDSED - Przetwarzane Agentowe 30 Rys. 21. Okno GIIS - nformacje o Agentach W okne GADS na zakładce Clents można sprawdzć lstę połączonych klentów (rys. 22), natomast na zakładce Spaces można zobaczyć dostępne przestrzene zadań. Rys. 22. Okno GADS - podłączen klenc Połączena do baz danych (GDBC) Po wybranu z menu Wndow Grd Data Bases Connectons, na zakładce Databases Connectons możemy zarządzać połączenam:

31 Laboratorum HDSED - Przetwarzane Agentowe 31 Rys. 23. Okno GDBC - połączena do baz danych Po wybranu Add connecton z kontekstowego menu, wpsujemy parametry połączena: Rys. 24. Dodane nowego połączena do bazy Po dodanu nowego połączena trzeba wybrać z menu opcję Connect, jeżel połączene będze poprawne, to można na zakładce Databases Users sprawdzć dostępne konta w baze, a także tabele zgodne ze schematem prezentowanym na zakładce Databases Schema. Za pomocą zakładk Methods można zarządzać agregacjam w hurtown: drzewam MVB STCAT, a także Indeksam Btmap.

32 Laboratorum HDSED - Przetwarzane Agentowe 32 Rys. 25. Okno GDBC - sps drzew STCAT Uruchamane GAWS, połączene Agenta do katalogów usług Po zalogowanu uruchomenu katalogów na jednym z dostępnych komputerów, można uruchomć główny moduł Agenta GAWS. Przed uruchomenem należy na zakładce Confguraton ustawć wszystke potrzebne parametry połączena do GIIS, GJSS, GADS, a także parametry Agenta nazwę, numer IP, uruchamane serwery. Po uruchomenu można już dodawać zadana sprawdzać aktualne wykonywane. Rys. 26. Okno GAWS - zadana aktualne wykonywane

33 Laboratorum HDSED - Przetwarzane Agentowe 33 Na zakładce Servers można dodawać nowe serwery http, socket, datagram, RMI. Na zakładce Clents Connectons można dodać nowego klenta: Rys. 27. Okno GAWS - lsta połączeń do nnych Agentów Konsola użytkownka GUMC Konsolę GUMC można uruchomć poprzez menu główne: Wndow Grd User Manager Console. Do poprawnego dzałana GUMC potrzebne są GDBC GAWS. Rys. 28. Okno GUMC zapytana

D Archiwum Prac Dyplomowych - Instrukcja dla studentów

D Archiwum Prac Dyplomowych - Instrukcja dla studentów Kraków 01.10.2015 D Archwum Prac Dyplomowych - Instrukcja dla studentów Procedura Archwzacj Prac Dyplomowych jest realzowana zgodne z zarządzenem nr 71/2015 Rektora Unwersytetu Rolnczego m. H. Kołłątaja

Bardziej szczegółowo

WikiWS For Business Sharks

WikiWS For Business Sharks WkWS For Busness Sharks Ops zadana konkursowego Zadane Opracowane algorytmu automatyczne przetwarzającego zdjęce odręczne narysowanego dagramu na tablcy lub kartce do postac wektorowej zapsanej w formace

Bardziej szczegółowo

SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW

SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW SZACOWANIE NIEPEWNOŚCI POMIARU METODĄ PROPAGACJI ROZKŁADÓW Stefan WÓJTOWICZ, Katarzyna BIERNAT ZAKŁAD METROLOGII I BADAŃ NIENISZCZĄCYCH INSTYTUT ELEKTROTECHNIKI ul. Pożaryskego 8, 04-703 Warszawa tel.

Bardziej szczegółowo

Zapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie.

Zapis informacji, systemy pozycyjne 1. Literatura Jerzy Grębosz, Symfonia C++ standard. Harvey M. Deitl, Paul J. Deitl, Arkana C++. Programowanie. Zaps nformacj, systemy pozycyjne 1 Lteratura Jerzy Grębosz, Symfona C++ standard. Harvey M. Detl, Paul J. Detl, Arkana C++. Programowane. Zaps nformacj w komputerach Wszystke elementy danych przetwarzane

Bardziej szczegółowo

Analiza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja)

Analiza danych OGÓLNY SCHEMAT. http://zajecia.jakubw.pl/ Dane treningowe (znana decyzja) Klasyfikator. Dane testowe (znana decyzja) Analza danych Dane trenngowe testowe. Algorytm k najblższych sąsadów. Jakub Wróblewsk jakubw@pjwstk.edu.pl http://zajeca.jakubw.pl/ OGÓLNY SCHEMAT Mamy dany zbór danych podzelony na klasy decyzyjne, oraz

Bardziej szczegółowo

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych

Zaawansowane metody numeryczne Komputerowa analiza zagadnień różniczkowych 1. Układy równań liniowych Zaawansowane metody numeryczne Komputerowa analza zagadneń różnczkowych 1. Układy równań lnowych P. F. Góra http://th-www.f.uj.edu.pl/zfs/gora/ semestr letn 2006/07 Podstawowe fakty Równane Ax = b, x,

Bardziej szczegółowo

Ćwiczenie 10. Metody eksploracji danych

Ćwiczenie 10. Metody eksploracji danych Ćwczene 10. Metody eksploracj danych Grupowane (Clusterng) 1. Zadane grupowana Grupowane (ang. clusterng) oznacza grupowane rekordów, obserwacj lub przypadków w klasy podobnych obektów. Grupa (ang. cluster)

Bardziej szczegółowo

KRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA

KRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA KRZYWA BÉZIERA TWORZENIE I WIZUALIZACJA KRZYWYCH PARAMETRYCZNYCH NA PRZYKŁADZIE KRZYWEJ BÉZIERA Krzysztof Serżęga Wyższa Szkoła Informatyk Zarządzana w Rzeszowe Streszczene Artykuł porusza temat zwązany

Bardziej szczegółowo

D Archiwum Prac Dyplomowych - Instrukcja dla opiekunów/promotorów/recenzentów

D Archiwum Prac Dyplomowych - Instrukcja dla opiekunów/promotorów/recenzentów D Archwum Prac Dyplomowych - Instrukcja dla opekunów/promotorów/recenzentów Kraków 13.01.2016 r. Procedura Archwzacj Prac Dyplomowych jest realzowana zgodne z zarządzenem nr 71/2015 Rektora Unwersytetu

Bardziej szczegółowo

Proces narodzin i śmierci

Proces narodzin i śmierci Proces narodzn śmerc Jeżel w ewnej oulacj nowe osobnk ojawają sę w sosób losowy, rzy czym gęstość zdarzeń na jednostkę czasu jest stała w czase wynos λ, oraz lczba osobnków n, które ojawły sę od chwl do

Bardziej szczegółowo

Urządzenia wejścia-wyjścia

Urządzenia wejścia-wyjścia Urządzena wejśca-wyjśca Klasyfkacja urządzeń wejśca-wyjśca. Struktura mechanzmu wejśca-wyjśca (sprzętu oprogramowana). Interakcja jednostk centralnej z urządzenam wejśca-wyjśca: odpytywane, sterowane przerwanam,

Bardziej szczegółowo

ZAŁĄCZNIK NR 1C KARTA USŁUGI Utrzymanie Systemu Kopii Zapasowych (USKZ)

ZAŁĄCZNIK NR 1C KARTA USŁUGI Utrzymanie Systemu Kopii Zapasowych (USKZ) Załącznk nr 1C do Umowy nr.. z dna.2014 r. ZAŁĄCZNIK NR 1C KARTA USŁUGI Utrzymane Systemu Kop Zapasowych (USKZ) 1 INFORMACJE DOTYCZĄCE USŁUGI 1.1 CEL USŁUGI: W ramach Usług Usługodawca zobowązany jest

Bardziej szczegółowo

Systemy Ochrony Powietrza Ćwiczenia Laboratoryjne

Systemy Ochrony Powietrza Ćwiczenia Laboratoryjne ś POLITECHNIKA POZNAŃSKA INSTYTUT INŻYNIERII ŚRODOWISKA PROWADZĄCY: mgr nż. Łukasz Amanowcz Systemy Ochrony Powetrza Ćwczena Laboratoryjne 2 TEMAT ĆWICZENIA: Oznaczane lczbowego rozkładu lnowych projekcyjnych

Bardziej szczegółowo

Zestaw przezbrojeniowy na inne rodzaje gazu. 1 Dysza 2 Podkładka 3 Uszczelka

Zestaw przezbrojeniowy na inne rodzaje gazu. 1 Dysza 2 Podkładka 3 Uszczelka Zestaw przezbrojenowy na nne rodzaje gazu 8 719 002 262 0 1 Dysza 2 Podkładka 3 Uszczelka PL (06.04) SM Sps treśc Sps treśc Wskazówk dotyczące bezpeczeństwa 3 Objaśnene symbol 3 1 Ustawena nstalacj gazowej

Bardziej szczegółowo

Analiza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A

Analiza rodzajów skutków i krytyczności uszkodzeń FMECA/FMEA według MIL STD - 1629A Analza rodzajów skutków krytycznośc uszkodzeń FMECA/FMEA według MIL STD - 629A Celem analzy krytycznośc jest szeregowane potencjalnych rodzajów uszkodzeń zdentyfkowanych zgodne z zasadam FMEA na podstawe

Bardziej szczegółowo

Tworzenie stron WWW. Kurs. Wydanie III

Tworzenie stron WWW. Kurs. Wydanie III Idź do Sps treśc Przykładowy rozdzał Katalog ksążek Katalog onlne Zamów drukowany katalog Twój koszyk Dodaj do koszyka Cennk nformacje Zamów nformacje o nowoścach Zamów cennk Czytelna Fragmenty ksążek

Bardziej szczegółowo

Zmodyfikowana technika programowania dynamicznego

Zmodyfikowana technika programowania dynamicznego Zmodyfkowana technka programowana dynamcznego Lech Madeysk 1, Zygmunt Mazur 2 Poltechnka Wrocławska, Wydzał Informatyk Zarządzana, Wydzałowy Zakład Informatyk Wybrzeże Wyspańskego 27, 50-370 Wrocław Streszczene.

Bardziej szczegółowo

Instrukcja instalacji systemu. Moduzone Z11 Moduzone Z20 B Moduzone Z30

Instrukcja instalacji systemu. Moduzone Z11 Moduzone Z20 B Moduzone Z30 Instrukcja nstalacj systemu Moduzone Z11 Moduzone Z20 B Moduzone Z30 SPIS TREŚCI INTRUKCJA 1 Instrukcja... 2 1.1 Uwag dotyczące dokumentacj...2 1.2 Dołączone dokumenty...2 1.3 Objaśnene symbol...2 1.4

Bardziej szczegółowo

Statyczna alokacja kanałów (FCA)

Statyczna alokacja kanałów (FCA) Przydzał kanałów 1 Zarys wykładu Wprowadzene Alokacja statyczna a alokacja dynamczna Statyczne metody alokacj kanałów Dynamczne metody alokacj kanałów Inne metody alokacj kanałów Alokacja w strukturach

Bardziej szczegółowo

Elektroniczna Platforma Nadzoru. Repozytorium Dokumentów. Podręcznik użytkownika

Elektroniczna Platforma Nadzoru. Repozytorium Dokumentów. Podręcznik użytkownika Elektronczna Platforma Nadzoru Repozytorum Dokumentów Podręcznk użytkownka SPIS TREŚCI Sps treśc 1 Legenda 3 2 Archwum Plków 4 2.1 Zabezpeczene Archwum Plków............................. 5 2.2 Struktura

Bardziej szczegółowo

KURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1

KURS STATYSTYKA. Lekcja 6 Regresja i linie regresji ZADANIE DOMOWE. www.etrapez.pl Strona 1 KURS STATYSTYKA Lekcja 6 Regresja lne regresj ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 Funkcja regresj I rodzaju cechy Y zależnej

Bardziej szczegółowo

Przewodnik użytkownika

Przewodnik użytkownika Przewodnk użytkownka Aplkacja Mertum Bank Moblny Przejdź do mertum 2 moblny.mertumbank.pl Aktualzacja: grudzeń 2013 Szanowny Klence, Dzękujemy za zanteresowane naszą aplkacją. Aplkacja moblna Mertum Banku

Bardziej szczegółowo

(M2) Dynamika 1. ŚRODEK MASY. T. Środek ciężkości i środek masy

(M2) Dynamika 1. ŚRODEK MASY. T. Środek ciężkości i środek masy (MD) MECHANIKA - Dynamka T. Środek cężkośc środek masy (M) Dynamka T: Środek cężkośc środek masy robert.szczotka(at)gmal.com Fzyka astronoma, Lceum 01/014 1 (MD) MECHANIKA - Dynamka T. Środek cężkośc środek

Bardziej szczegółowo

OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B

OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B OBLICZANIE NIEPEWNOŚCI METODĄ TYPU B W przypadku gdy e występuje statystyczy rozrzut wyków (wszystke pomary dają te sam wyk epewość pomaru wyzaczamy w y sposób. Główą przyczyą epewośc pomaru jest epewość

Bardziej szczegółowo

Przewodnik użytkownika

Przewodnik użytkownika Przewodnk użytkownka Aplkacja Mertum Bank Moblny Przejdź do mertum 2 mertumbank.pl/moblny Aktualzacja: lpec 2015 Szanowny Klence, Dzękujemy za zanteresowane naszą aplkacją. Aplkacja moblna Mertum Banku

Bardziej szczegółowo

na zabezpieczeniu z połączeniu

na zabezpieczeniu z połączeniu 2011 Montorng Zabezpeczane obektów Jesteśmy zespołem fachowców, którzy dostarczają wysokej jakośc usług. Nasza dzałalnośćć koncentruje sę przede wszystkm na doskonałym zabezpeczenu państwa dóbr. Dostarczamy

Bardziej szczegółowo

Nowe europejskie prawo jazdy w celu większej ochrony, bezpieczeństwa i swobodnego przemieszczania się

Nowe europejskie prawo jazdy w celu większej ochrony, bezpieczeństwa i swobodnego przemieszczania się KOMISJA EUROPEJSKA NOTATKA Bruksela, 18 styczna 2013 r. Nowe europejske prawo jazdy w celu wększej ochrony, bezpeczeństwa swobodnego przemeszczana sę W dnu 19 styczna 2013 r., w ramach wejśca w życe trzecej

Bardziej szczegółowo

Bonus! Odpowiedzi do zadań na FTP. Pewnie wkrocz w świat baz danych z programem Access 2010!

Bonus! Odpowiedzi do zadań na FTP. Pewnie wkrocz w świat baz danych z programem Access 2010! Pewne wkrocz w śwat baz danych z programem Access 2010! Poznaj zasady rządzące systemam baz danych Naucz sę nstalować program Access korzystać z jego możlwośc Dowedz sę, jak defnować modyfkować strukturę

Bardziej szczegółowo

Regulamin promocji 14 wiosna

Regulamin promocji 14 wiosna promocja_14_wosna strona 1/5 Regulamn promocj 14 wosna 1. Organzatorem promocj 14 wosna, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 lutego 2014 do 30

Bardziej szczegółowo

Pewnie wkrocz w świat baz danych z programem Access 2010! Bonus! Odpowiedzi do zadań na FTP

Pewnie wkrocz w świat baz danych z programem Access 2010! Bonus! Odpowiedzi do zadań na FTP Pewne wkrocz w śwat baz danych z programem Access 2010! Poznaj zasady rządzące systemam baz danych Naucz sę nstalować program Access korzystać z jego możlwośc Dowedz sę, jak defnować modyfkować strukturę

Bardziej szczegółowo

Media społecznościowe i praca w chmurze oraz przygotowanie na ich potrzeby materiałów graficznych i zdjęciowych

Media społecznościowe i praca w chmurze oraz przygotowanie na ich potrzeby materiałów graficznych i zdjęciowych 2 S Ł O W O - G R A F I K A - F I L M Meda społecznoścowe praca w chmurze oraz przygotowane na ch potrzeby materałów grafcznych zdjęcowych Artur Kurkewcz Web 2.0 tak określa sę serwsy nternetowe, których

Bardziej szczegółowo

Zadanie na wykonanie Projektu Zespołowego

Zadanie na wykonanie Projektu Zespołowego Zadane na wykonane Projektu Zespołowego Celem projektu jest uzyskane następującego szeregu umejętnośc praktycznych: umejętnośc opracowana równoległych wersj algorytmów (na przykładze algorytmów algebry

Bardziej szczegółowo

Regulamin promocji zimowa piętnastka

Regulamin promocji zimowa piętnastka zmowa pętnastka strona 1/5 Regulamn promocj zmowa pętnastka 1. Organzatorem promocj zmowa pętnastka, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 grudna

Bardziej szczegółowo

Analiza ryzyka jako instrument zarządzania środowiskiem

Analiza ryzyka jako instrument zarządzania środowiskiem WARSZTATY 2003 z cyklu Zagrożena naturalne w górnctwe Mat. Symp. str. 461 466 Elżbeta PILECKA, Małgorzata SZCZEPAŃSKA Instytut Gospodark Surowcam Mneralnym Energą PAN, Kraków Analza ryzyka jako nstrument

Bardziej szczegółowo

KURS STATYSTYKA. Lekcja 1 Statystyka opisowa ZADANIE DOMOWE. www.etrapez.pl Strona 1

KURS STATYSTYKA. Lekcja 1 Statystyka opisowa ZADANIE DOMOWE. www.etrapez.pl Strona 1 KURS STATYSTYKA Lekcja 1 Statystyka opsowa ZADANIE DOMOWE www.etrapez.pl Strona 1 Część 1: TEST Zaznacz poprawną odpowedź (tylko jedna jest prawdzwa). Pytane 1 W statystyce opsowej mamy pełne nformacje

Bardziej szczegółowo

± Δ. Podstawowe pojęcia procesu pomiarowego. x rzeczywiste. Określenie jakości poznania rzeczywistości

± Δ. Podstawowe pojęcia procesu pomiarowego. x rzeczywiste. Określenie jakości poznania rzeczywistości Podstawowe pojęca procesu pomarowego kreślene jakośc poznana rzeczywstośc Δ zmerzone rzeczywste 17 9 Zalety stosowana elektrycznych przyrządów 1/ 1. możlwość budowy czujnków zamenających werne każdą welkość

Bardziej szczegółowo

Minister Edukacji Narodowej Pani Katarzyna HALL Ministerstwo Edukacji Narodowej al. J. Ch. Szucha 25 00-918 Warszawa Dnia 03 czerwca 2009 r.

Minister Edukacji Narodowej Pani Katarzyna HALL Ministerstwo Edukacji Narodowej al. J. Ch. Szucha 25 00-918 Warszawa Dnia 03 czerwca 2009 r. Mnster Edukacj arodowej Pan Katarzyna HALL Mnsterstwo Edukacj arodowej al. J. Ch. Szucha 25 00-918 arszawa Dna 03 czerwca 2009 r. TEMAT: Propozycja zmany art. 30a ustawy Karta auczycela w forme lstu otwartego

Bardziej szczegółowo

porsche design mobile navigation ß9611

porsche design mobile navigation ß9611 porsche desgn moble navgaton ß9611 [ PL ] Sps treśc 1 Wstęp --------------------------------------------------------------------------------------------------- 07 1.1 O podręcznku --------------------------------------------------------------------------------------------

Bardziej szczegółowo

Kształtowanie się firm informatycznych jako nowych elementów struktury przestrzennej przemysłu

Kształtowanie się firm informatycznych jako nowych elementów struktury przestrzennej przemysłu PRACE KOMISJI GEOGRAFII PRZEMY SŁU Nr 7 WARSZAWA KRAKÓW 2004 Akadema Pedagogczna, Kraków Kształtowane sę frm nformatycznych jako nowych elementów struktury przestrzennej przemysłu Postępujący proces rozwoju

Bardziej szczegółowo

Wprowadzenie do Sieci Neuronowych Sieci rekurencyjne

Wprowadzenie do Sieci Neuronowych Sieci rekurencyjne Wprowadzene do Sec Neuronowych Sec rekurencyjne M. Czoków, J. Persa 2010-12-07 1 Powtórzene Konstrukcja autoasocjatora Hopfelda 1.1 Konstrukcja Danych jest m obrazów wzorcowych ξ 1..ξ m, gdze każdy pojedynczy

Bardziej szczegółowo

Instrukcja obsługi. Radiowy silnik nastawczy 1187 00

Instrukcja obsługi. Radiowy silnik nastawczy 1187 00 Instrukcja obsług Radowy slnk nastawczy 1187 00 Sps treśc Informacje o nnejszej nstrukcj... 2 Wdok urządzena... 3 Montaż... 3 Demontaż... 3 Zaslane... 4 Wkładane bater... 4 Postępowane w raze zanku napęca

Bardziej szczegółowo

Regulamin promocji upalne lato 2014 2.0

Regulamin promocji upalne lato 2014 2.0 upalne lato 2014 2.0 strona 1/5 Regulamn promocj upalne lato 2014 2.0 1. Organzatorem promocj upalne lato 2014 2.0, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa

Bardziej szczegółowo

Planowanie eksperymentu pomiarowego I

Planowanie eksperymentu pomiarowego I POLITECHNIKA ŚLĄSKA W GLIWICACH WYDZIAŁ INŻYNIERII ŚRODOWISKA ENERGETYKI INSTYTUT MASZYN URZĄDZEŃ ENERGETYCZNYCH Plaowae eksperymetu pomarowego I Laboratorum merctwa (M 0) Opracował: dr ż. Grzegorz Wcak

Bardziej szczegółowo

STATYSTYCZNA ANALIZA WYNIKÓW POMIARÓW

STATYSTYCZNA ANALIZA WYNIKÓW POMIARÓW Zakład Metrolog Systemów Pomarowych P o l t e c h n k a P o z n ańska ul. Jana Pawła II 4 60-965 POZAŃ (budynek Centrum Mechatronk, Bomechank anonżyner) www.zmsp.mt.put.poznan.pl tel. +48 61 665 5 70 fax

Bardziej szczegółowo

PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH

PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH PODSTAWA WYMIARU ORAZ WYSOKOŚĆ EMERYTURY USTALANEJ NA DOTYCHCZASOWYCH ZASADACH Z a k ł a d U b e z p e c z e ń S p o ł e c z n y c h Wprowadzene Nnejsza ulotka adresowana jest zarówno do osób dopero ubegających

Bardziej szczegółowo

TRANZYSTOR BIPOLARNY CHARAKTERYSTYKI STATYCZNE

TRANZYSTOR BIPOLARNY CHARAKTERYSTYKI STATYCZNE POLITHNIKA RZSZOWSKA Katedra Podstaw lektronk Instrkcja Nr4 F 00/003 sem. letn TRANZYSTOR IPOLARNY HARAKTRYSTYKI STATYZN elem ćwczena jest pomar charakterystyk statycznych tranzystora bpolarnego npn lb

Bardziej szczegółowo

System Przeciwdziałania Powstawaniu Bezrobocia na Terenach Słabo Zurbanizowanych SPRAWOZDANIE Z BADAŃ Autor: Joanna Wójcik

System Przeciwdziałania Powstawaniu Bezrobocia na Terenach Słabo Zurbanizowanych SPRAWOZDANIE Z BADAŃ   Autor: Joanna Wójcik Opracowane w ramach projektu System Przecwdzałana Powstawanu Bezroboca na Terenach Słabo Zurbanzowanych ze środków Europejskego Funduszu Społecznego w ramach Incjatywy Wspólnotowej EQUAL PARTNERSTWO NA

Bardziej szczegółowo

Proste modele ze złożonym zachowaniem czyli o chaosie

Proste modele ze złożonym zachowaniem czyli o chaosie Proste modele ze złożonym zachowanem czyl o chaose 29 kwetna 2014 Komputer jest narzędzem coraz częścej stosowanym przez naukowców do ukazywana skrzętne ukrywanych przez naturę tajemnc. Symulacja, obok

Bardziej szczegółowo

System M/M/1/L. λ = H 0 µ 1 λ 0 H 1 µ 2 λ 1 H 2 µ 3 λ 2 µ L+1 λ L H L+1. Jeli załoymy, e λ. i dla i = 1, 2,, L+1 oraz

System M/M/1/L. λ = H 0 µ 1 λ 0 H 1 µ 2 λ 1 H 2 µ 3 λ 2 µ L+1 λ L H L+1. Jeli załoymy, e λ. i dla i = 1, 2,, L+1 oraz System M/M// System ten w odrónenu do wczenej omawanych systemów osada kolejk. Jednak jest ona ogranczona, jej maksymalna ojemno jest wartoc skoczon

Bardziej szczegółowo

4.1. Komputer i grafika komputerowa

4.1. Komputer i grafika komputerowa 4. 4.1. Komputer grafka komputerowa Ucz 2 3 4 5 6 komputera; zestawu komputerowego; w podstawowym zakrese; zastosowana komputera, acy defnuje komputer jako zestaw omawa zastosowane komputera nauk gospodark;

Bardziej szczegółowo

ZESTAW ZADAŃ Z INFORMATYKI

ZESTAW ZADAŃ Z INFORMATYKI (Wpsue zdaąc przed rozpoczęcem prac) KOD ZDAJĄCEGO ZESTAW ZADAŃ Z INFORMATYKI CZĘŚĆ II (dla pozomu rozszerzonego) GRUDZIEŃ ROK 004 Czas prac 50 mnut Instrukca dla zdaącego. Proszę sprawdzć, cz zestaw zadań

Bardziej szczegółowo

Rozmowy VoIP bez komputera

Rozmowy VoIP bez komputera SOFTWARE Telefonowa przez nternet bramk VoIP CD 0/00 Grupa: UZUPEŁNIENIA PDF z artykułem Programy sprzęt do korzystana z VoIP PC Format 9/00 0 Rozmowy VoIP bez komputera Ne mussz włączać komputera za każdym

Bardziej szczegółowo

SZTUCZNA INTELIGENCJA

SZTUCZNA INTELIGENCJA SZTUCZNA INTELIGENCJA WYKŁAD 15. ALGORYTMY GENETYCZNE Częstochowa 014 Dr hab. nż. Grzegorz Dudek Wydzał Elektryczny Poltechnka Częstochowska TERMINOLOGIA allele wartośc, waranty genów, chromosom - (naczej

Bardziej szczegółowo

Współczynnik przenikania ciepła U v. 4.00

Współczynnik przenikania ciepła U v. 4.00 Współczynnk przenkana cepła U v. 4.00 1 WYMAGANIA Maksymalne wartośc współczynnków przenkana cepła U dla ścan, stropów, stropodachów, oken drzw balkonowych podano w załącznku do Rozporządzena Mnstra Infrastruktury

Bardziej szczegółowo

Sieci Neuronowe 1 Michał Bereta

Sieci Neuronowe 1 Michał Bereta Wprowadzene Zagadnena Sztucznej Intelgencj laboratorum Sec Neuronowe 1 Mchał Bereta Sztuczne sec neuronowe można postrzegać jako modele matematyczne, które swoje wzorce wywodzą z bolog obserwacj ludzkch

Bardziej szczegółowo

XERREX Scan Manager MEDYK

XERREX Scan Manager MEDYK XERREX Scan Manager MEDYK B U S I N E SS S O L UT I O N S - Pełna ntegracja z systemem medycznym Asseco Poland S.A. Asseco Medcal Management Solutons (AMMS) - Archwzacja dokumentacj wewnętrznej wymagającej

Bardziej szczegółowo

PORADNIK KANDYDATA. Wkrótce w nauka w szkole w jaki sposób je. zasadniczych szkole

PORADNIK KANDYDATA. Wkrótce w nauka w szkole w jaki sposób je. zasadniczych szkole Drog Gmnazjalsto, Wkrótce w nauka w szkole w jak sposób je jedno z z w pracodawców. zasadnczych szkole racjonalnego wyboru przestrz W prowadzona przy pomocy systemu elektroncznego. Rekrutacja wspomagana

Bardziej szczegółowo

Zastosowanie symulatora ChemCad do modelowania złożonych układów reakcyjnych procesów petrochemicznych

Zastosowanie symulatora ChemCad do modelowania złożonych układów reakcyjnych procesów petrochemicznych NAFTA-GAZ styczeń 2011 ROK LXVII Anna Rembesa-Śmszek Instytut Nafty Gazu, Kraków Andrzej Wyczesany Poltechnka Krakowska, Kraków Zastosowane symulatora ChemCad do modelowana złożonych układów reakcyjnych

Bardziej szczegółowo

Teoria niepewności pomiaru (Rachunek niepewności pomiaru) Rodzaje błędów pomiaru

Teoria niepewności pomiaru (Rachunek niepewności pomiaru) Rodzaje błędów pomiaru Pomary fzyczne - dokonywane tylko ze skończoną dokładnoścą. Powodem - nedoskonałość przyrządów pomarowych neprecyzyjność naszych zmysłów borących udzał w obserwacjach. Podawane samego tylko wynku pomaru

Bardziej szczegółowo

Modele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4.

Modele wieloczynnikowe. Modele wieloczynnikowe. Modele wieloczynnikowe ogólne. α β β β ε. Analiza i Zarządzanie Portfelem cz. 4. Modele weloczynnkowe Analza Zarządzane Portfelem cz. 4 Ogólne model weloczynnkowy można zapsać jako: (,...,,..., ) P f F F F = n Dr Katarzyna Kuzak lub (,...,,..., ) f F F F = n Modele weloczynnkowe Można

Bardziej szczegółowo

STARE A NOWE KRAJE UE KONKURENCYJNOŚĆ POLSKIEGO EKSPORTU

STARE A NOWE KRAJE UE KONKURENCYJNOŚĆ POLSKIEGO EKSPORTU Ewa Szymank Katedra Teor Ekonom Akadema Ekonomczna w Krakowe ul. Rakowcka 27, 31-510 Kraków STARE A NOWE KRAJE UE KONKURENCYJNOŚĆ POLSKIEGO EKSPORTU Abstrakt Artykuł przedstawa wynk badań konkurencyjnośc

Bardziej szczegółowo

5. OPTYMALIZACJA GRAFOWO-SIECIOWA

5. OPTYMALIZACJA GRAFOWO-SIECIOWA . OPTYMALIZACJA GRAFOWO-SIECIOWA Defncja grafu Pod pojęcem grafu G rozumemy następującą dwójkę uporządkowaną (defncja grafu Berge a): (.) G W,U gdze: W zbór werzchołków grafu, U zbór łuków grafu, U W W,

Bardziej szczegółowo

Evaluation of estimation accuracy of correlation functions with use of virtual correlator model

Evaluation of estimation accuracy of correlation functions with use of virtual correlator model Jadwga LAL-JADZIAK Unwersytet Zelonogórsk Instytut etrolog Elektrycznej Elżbeta KAWECKA Unwersytet Zelonogórsk Instytut Informatyk Elektronk Ocena dokładnośc estymacj funkcj korelacyjnych z użycem modelu

Bardziej szczegółowo

MINISTER EDUKACJI NARODOWEJ

MINISTER EDUKACJI NARODOWEJ 4 MINISTER EDUKACJI NARODOWEJ DWST WPZN 423189/BSZI13 Warszawa, 2013 -Q-4 Pan Marek Mchalak Rzecznk Praw Dzecka Szanowny Pane, w odpowedz na Pana wystąpene z dna 28 czerwca 2013 r. (znak: ZEW/500127-1/2013/MP),

Bardziej szczegółowo

Za: Stanisław Latoś, Niwelacja trygonometryczna, [w:] Ćwiczenia z geodezji II [red.] J. Beluch

Za: Stanisław Latoś, Niwelacja trygonometryczna, [w:] Ćwiczenia z geodezji II [red.] J. Beluch Za: Stansław Latoś, Nwelacja trygonometryczna, [w:] Ćwczena z geodezj II [red.] J. eluch 6.1. Ogólne zasady nwelacj trygonometrycznej. Wprowadzene Nwelacja trygonometryczna, zwana równeż trygonometrycznym

Bardziej szczegółowo

TECH 3341 POMIARY GŁOŚNOŚCI: POMIAR W TRYBIE EBU UZUPEŁNIAJĄCY NORMALIZACJĘ GŁOŚNOŚCI ZGODNIE Z EBU R 128 INFORMACJE DODATKOWE DLA ZALECENIA R 128

TECH 3341 POMIARY GŁOŚNOŚCI: POMIAR W TRYBIE EBU UZUPEŁNIAJĄCY NORMALIZACJĘ GŁOŚNOŚCI ZGODNIE Z EBU R 128 INFORMACJE DODATKOWE DLA ZALECENIA R 128 TECH 3341 POMIARY GŁOŚNOŚCI: POMIAR W TRYBIE EBU UZUPEŁNIAJĄCY NORMALIZACJĘ GŁOŚNOŚCI ZGODNIE Z EBU R 128 INFORMACJE DODATKOWE DLA ZALECENIA R 128 THIS INFORMAL TRANSLATION OF TECH 3341 INTO POLISH HAS

Bardziej szczegółowo

Regulamin promocji fiber xmas 2015

Regulamin promocji fiber xmas 2015 fber xmas 2015 strona 1/5 Regulamn promocj fber xmas 2015 1. Organzatorem promocj fber xmas 2015, zwanej dalej promocją, jest JPK Jarosław Paweł Krzymn, zwany dalej JPK. 2. Promocja trwa od 01 grudna 2015

Bardziej szczegółowo

EKONOMETRIA I Spotkanie 1, dn. 05.10.2010

EKONOMETRIA I Spotkanie 1, dn. 05.10.2010 EKONOMETRIA I Spotkane, dn. 5..2 Dr Katarzyna Beń Program ramowy: http://www.sgh.waw.pl/nstytuty/e/oferta_dydaktyczna/ekonometra_stacjonarne_nest acjonarne/ Zadana, dane do zadań, ważne nformacje: http://www.e-sgh.pl/ben/ekonometra

Bardziej szczegółowo

Wielokryterialny Trójwymiarowy Problem Pakowania

Wielokryterialny Trójwymiarowy Problem Pakowania Łukasz Kacprzak, Jarosław Rudy, Domnk Żelazny Instytut Informatyk, Automatyk Robotyk, Poltechnka Wrocławska Welokryteralny Trójwymarowy Problem Pakowana 1. Wstęp Problemy pakowana należą do klasy NP-trudnych

Bardziej szczegółowo

Zapytanie ofertowe nr 4/2016/Młodzi (dotyczy zamówienia na usługę ochrony)

Zapytanie ofertowe nr 4/2016/Młodzi (dotyczy zamówienia na usługę ochrony) Fundacja na Rzecz Rozwoju Młodzeży Młodz Młodym ul. Katedralna 4 50-328 Wrocław tel. 882 021 007 mlodzmlodym@archdecezja.wroc.pl, www.sdm2016.wroclaw.pl Wrocław, 24 maja 2016 r. Zapytane ofertowe nr 4/2016/Młodz

Bardziej szczegółowo

Laser Distancer LD 420. Instrukcja obsługi

Laser Distancer LD 420. Instrukcja obsługi Laser Dstancer LD 40 pl Instrukcja obsług Sps treśc Ustawena nstrumentu - - - - - - - - - - - - - - - - - Wprowadzene - - - - - - - - - - - - - - - - - - - - - - - - - - - - Przegląd- - - - - - - - - -

Bardziej szczegółowo

3. ŁUK ELEKTRYCZNY PRĄDU STAŁEGO I PRZEMIENNEGO

3. ŁUK ELEKTRYCZNY PRĄDU STAŁEGO I PRZEMIENNEGO 3. ŁUK ELEKTRYCZNY PRĄDU STŁEGO I PRZEMIENNEGO 3.1. Cel zakres ćwczena Celem ćwczena jest zapoznane sę z podstawowym właścwoścam łuku elektrycznego palącego sę swobodne, w powetrzu o cśnentmosferycznym.

Bardziej szczegółowo

ZESZYTY NAUKOWE INSTYTUTU POJAZDÓW 5(96)/2013

ZESZYTY NAUKOWE INSTYTUTU POJAZDÓW 5(96)/2013 ZESZYTY NAUKOWE NSTYTUTU POJAZDÓW 5(96)/2013 Hubert Sar, Potr Fundowcz 1 WYZNACZANE MASOWEGO MOMENTU BEZWŁADNOŚC WZGLĘDEM OS PODŁUŻNEJ DLA SAMOCHODU TYPU VAN NA PODSTAWE WZORÓW DOŚWADCZALNYCH 1. Wstęp

Bardziej szczegółowo

METODY PLANOWANIA EKSPERYMENTÓW. dr hab. inż. Mariusz B. Bogacki

METODY PLANOWANIA EKSPERYMENTÓW. dr hab. inż. Mariusz B. Bogacki Metody Planowana Eksperymentów Rozdzał 1. Strona 1 z 14 METODY PLANOWANIA EKSPERYMENTÓW dr hab. nż. Marusz B. Bogack Marusz.Bogack@put.poznan.pl www.fct.put.poznan.pl/cv23.htm Marusz B. Bogack 1 Metody

Bardziej szczegółowo

STATECZNOŚĆ SKARP. α - kąt nachylenia skarpy [ o ], φ - kąt tarcia wewnętrznego gruntu [ o ],

STATECZNOŚĆ SKARP. α - kąt nachylenia skarpy [ o ], φ - kąt tarcia wewnętrznego gruntu [ o ], STATECZNOŚĆ SKARP W przypadku obektu wykonanego z gruntów nespostych zaprojektowane bezpecznego nachylena skarp sprowadza sę do przekształcena wzoru na współczynnk statecznośc do postac: tgφ tgα = n gdze:

Bardziej szczegółowo

8. Optymalizacja decyzji inwestycyjnych

8. Optymalizacja decyzji inwestycyjnych dr nż. Zbgnew Tarapata: Optymalzacja decyzj nwestycyjnych, cz.ii 8. Optymalzacja decyzj nwestycyjnych W rozdzale 8, część I przedstawono elementarne nformacje dotyczące metod oceny decyzj nwestycyjnych.

Bardziej szczegółowo

2012-10-11. Definicje ogólne

2012-10-11. Definicje ogólne 0-0- Defncje ogólne Logstyka nauka o przepływe surowców produktów gotowych rodowód wojskowy Utrzyywane zapasów koszty zwązane.n. z zarożene kaptału Brak w dostawach koszty zwązane.n. z przestoje w produkcj

Bardziej szczegółowo

Określanie mocy cylindra C w zaleŝności od ostrości wzroku V 0 Ostrość wzroku V 0 7/5 6/5 5/5 4/5 3/5 2/5 Moc cylindra C 0,5 0,75 1,0 1,25 1,5 > 2

Określanie mocy cylindra C w zaleŝności od ostrości wzroku V 0 Ostrość wzroku V 0 7/5 6/5 5/5 4/5 3/5 2/5 Moc cylindra C 0,5 0,75 1,0 1,25 1,5 > 2 T A R C Z A Z E G A R O W A ASTYGMATYZM 1.Pojęca ogólne a) astygmatyzm prosty (najbardzej zgodny z pozomem) - najbardzej płask połudnk tzn. o najmnejszej mocy jest pozomy b) astygmatyzm odwrotny (najbardzej

Bardziej szczegółowo

PROSTO O DOPASOWANIU PROSTYCH, CZYLI ANALIZA REGRESJI LINIOWEJ W PRAKTYCE

PROSTO O DOPASOWANIU PROSTYCH, CZYLI ANALIZA REGRESJI LINIOWEJ W PRAKTYCE PROSTO O DOPASOWANIU PROSTYCH, CZYLI ANALIZA REGRESJI LINIOWEJ W PRAKTYCE Janusz Wątroba, StatSoft Polska Sp. z o.o. W nemal wszystkch dzedznach badań emprycznych mamy do czynena ze złożonoścą zjawsk procesów.

Bardziej szczegółowo

Jakość cieplna obudowy budynków - doświadczenia z ekspertyz

Jakość cieplna obudowy budynków - doświadczenia z ekspertyz dr nż. Robert Geryło Jakość ceplna obudowy budynków - dośwadczena z ekspertyz Wdocznym efektem występowana znaczących mostków ceplnych w obudowe budynku, występującym na ogół przy nedostosowanu ntensywnośc

Bardziej szczegółowo

KONSTRUKCJA OPTYMALNYCH PORTFELI Z ZASTOSOWANIEM METOD ANALIZY FUNDAMENTALNEJ UJĘCIE DYNAMICZNE

KONSTRUKCJA OPTYMALNYCH PORTFELI Z ZASTOSOWANIEM METOD ANALIZY FUNDAMENTALNEJ UJĘCIE DYNAMICZNE Adranna Mastalerz-Kodzs Unwersytet Ekonomczny w Katowcach KONSTRUKCJA OPTYMALNYCH PORTFELI Z ZASTOSOWANIEM METOD ANALIZY FUNDAMENTALNEJ UJĘCIE DYNAMICZNE Wprowadzene W dzałalnośc nstytucj fnansowych, takch

Bardziej szczegółowo

Zobacz jak sam możesz stworzyć skuteczny e-mailing krok po kroku

Zobacz jak sam możesz stworzyć skuteczny e-mailing krok po kroku Stwórz skuteczny e-malng krok po kroku Zobacz jak sam możesz stworzyć skuteczny e-malng krok po kroku JAK ZAROBIĆ NA E-MAIL MARKETINGU I WZMOCNIĆ RELACJE Z ODBIORCAMI? E-MAILING W BRANŻY EDUKACYJNEJ Branża

Bardziej szczegółowo

Wykład IX Optymalizacja i minimalizacja funkcji

Wykład IX Optymalizacja i minimalizacja funkcji Wykład IX Optymalzacja mnmalzacja funkcj Postawene zadana podstawowe dee jego rozwązana Proste metody mnmalzacj Metody teracj z wykorzystanem perwszej pochodnej Metody teracj z wykorzystanem drugej pochodnej

Bardziej szczegółowo

Portfele zawierające walor pozbawiony ryzyka. Elementy teorii rynku kapitałowego

Portfele zawierające walor pozbawiony ryzyka. Elementy teorii rynku kapitałowego Portel nwestycyjny ćwczena Na podst. Wtold Jurek: Konstrukcja analza rozdzał 5 dr chał Konopczyńsk Portele zawerające walor pozbawony ryzyka. lementy teor rynku kaptałowego 1. Pożyczane penędzy amy dwa

Bardziej szczegółowo

Podstawy analizy niepewności pomiarowych (I Pracownia Fizyki)

Podstawy analizy niepewności pomiarowych (I Pracownia Fizyki) Podstawy aalzy epewośc pomarowych (I Pracowa Fzyk) Potr Cygak Zakład Fzyk Naostruktur Naotecholog Istytut Fzyk UJ Pok. 47 Tel. 0-663-5838 e-mal: potr.cygak@uj.edu.pl Potr Cygak 008 Co to jest błąd pomarowy?

Bardziej szczegółowo

MPEC wydaje warunki techniczne KONIEC

MPEC wydaje warunki techniczne KONIEC 1 2 3 1 2 2 1 3 MPEC wydaje warunk technczne 4 5 6 10 9 8 7 11 12 13 14 15 KONIEC 17 16 4 5 Chcesz wedzeć, czy masz możlwość przyłączena budynku Możlwośc dofnansowana wymany peców węglowych do sec mejskej?

Bardziej szczegółowo

ANALIZA JEDNOSTKOWYCH STRAT CIEPŁA W SYSTEMIE RUR PREIZOLOWANYCH

ANALIZA JEDNOSTKOWYCH STRAT CIEPŁA W SYSTEMIE RUR PREIZOLOWANYCH ZESZYTY NAUKOWE POLITECHNIKI RZESZOWSKIEJ Nr 83 Budownctwo Inżynera Środowska z. 59 (4/1) 01 Bożena BABIARZ Barbara ZIĘBA Poltechnka Rzeszowska ANALIZA JEDNOSTKOWYCH STRAT CIEPŁA W SYSTEMIE RUR PREIZOLOWANYCH

Bardziej szczegółowo

ZASTOSOWANIE KLASYCZNEGO ALGORYTMU GENETYCZNEGO DO ROZWIĄZANIA ZBILANSOWANEGO ZAGADNIENIA TRANSPORTOWEGO

ZASTOSOWANIE KLASYCZNEGO ALGORYTMU GENETYCZNEGO DO ROZWIĄZANIA ZBILANSOWANEGO ZAGADNIENIA TRANSPORTOWEGO Studa Materały. Mscellanea Oeconomcae Rok 6, Nr 2/22 Wydzał Zarządzana Admnstrac Unwersytetu Jana Kochanowskego w Kelcach Z a r z ą d z a n e f n a n s e Rafał Prońko ZASTOSOWANIE KLASYCZNEGO ALGORYTMU

Bardziej szczegółowo

NAFTA-GAZ marzec 2011 ROK LXVII. Wprowadzenie. Tadeusz Kwilosz

NAFTA-GAZ marzec 2011 ROK LXVII. Wprowadzenie. Tadeusz Kwilosz NAFTA-GAZ marzec 2011 ROK LXVII Tadeusz Kwlosz Instytut Nafty Gazu, Oddzał Krosno Zastosowane metody statystycznej do oszacowana zapasu strategcznego PMG, z uwzględnenem nepewnośc wyznaczena parametrów

Bardziej szczegółowo

PORÓWNANIE METOD ANALIZY EFEKTYWNOŚCI NA PRZYKŁADZIE SERWERA APLIKACJI W SIECI LOKALNEJ

PORÓWNANIE METOD ANALIZY EFEKTYWNOŚCI NA PRZYKŁADZIE SERWERA APLIKACJI W SIECI LOKALNEJ STUDI IFORMTIC Volume 3 umber 3 (98) Tadeusz CZCHÓRSKI, Krzysztof GROCHL Instytut Informatyk Teoretycznej Stosowanej Polskej kadem auk dam JÓZEFIOK, Tomasz YCZ Poltechnka Śląska, Instytut Informatyk PORÓWIE

Bardziej szczegółowo

SYSTEM ZALICZEŃ ĆWICZEŃ

SYSTEM ZALICZEŃ ĆWICZEŃ AMI, zma 010/011 mgr Krzysztof Rykaczewsk System zalczeń Wydzał Matematyk Informatyk UMK SYSTEM ZALICZEŃ ĆWICZEŃ z Analzy Matematycznej I, 010/011 (na podst. L.G., K.L., J.M., K.R.) Nnejszy dokument dotyczy

Bardziej szczegółowo

Zagadnienia do omówienia

Zagadnienia do omówienia Zarządzane produkcją dr nż. Marek Dudek Ul. Gramatyka 0, tel. 6798 http://www.produkcja.zarz.agh.edu.pl Zagadnena do omówena Zasady projektowana systemów produkcyjnych część (organzacja procesów w przestrzen)

Bardziej szczegółowo

EUROSTER 2006/2006TX

EUROSTER 2006/2006TX 1 EUROSTER 2006/2006TX 1. CHARAKTERYSTYKA URZĄDZENIA Dwe temperatury nastawy: komfortowa ekonomczna Przewdzany do pracy w nstalacjach grzewczych klmatyzacyjnych Podtrzymane pamęc EEPROM Zakres pomaru temperatury:

Bardziej szczegółowo

A O n RZECZPOSPOLITA POLSKA. Gospodarki Narodowej. Warszawa, dnia2/stycznia 2014

A O n RZECZPOSPOLITA POLSKA. Gospodarki Narodowej. Warszawa, dnia2/stycznia 2014 Warszawa, dna2/styczna 2014 r, RZECZPOSPOLITA POLSKA MINISTERSTWO ADMINISTRACJI I CYFRYZACJI PODSEKRETARZ STANU Małgorzata Olsze wska BM-WP 005.6. 20 14 Pan Marek Zółkowsk Przewodnczący Komsj Gospodark

Bardziej szczegółowo

Model ISLM. Inwestycje - w modelu ISLM przyjmujemy, że inwestycje przyjmują postać funkcji liniowej:

Model ISLM. Inwestycje - w modelu ISLM przyjmujemy, że inwestycje przyjmują postać funkcji liniowej: dr Bartłomej Rokck Ćwczena z Makroekonom I Model ISLM Podstawowe założena modelu: penądz odgrywa ważną rolę przy determnowanu pozomu dochodu zatrudnena nwestycje ne mają charakteru autonomcznego, a ch

Bardziej szczegółowo

REALIZACJA PRZETWARZANIA W CHMURZE OBLICZENIOWEJ NA PRZYKŁADZIE SYSTEMU UCZENIA SIECI NEURONOWEJ OPARTEGO NA TECHNOLOGII MICROSOFT WINDOWS AZURE

REALIZACJA PRZETWARZANIA W CHMURZE OBLICZENIOWEJ NA PRZYKŁADZIE SYSTEMU UCZENIA SIECI NEURONOWEJ OPARTEGO NA TECHNOLOGII MICROSOFT WINDOWS AZURE STUDIA INFORMATICA 2012 Volume 33 Number 2A (105) Darusz R. AUGUSTYN, Kaml BADURA Poltechnka Śląska, Instytut Informatyk REALIZACJA PRZETWARZANIA W CHMURZE OBLICZENIOWEJ NA PRZYKŁADZIE SYSTEMU UCZENIA

Bardziej szczegółowo

ZAJĘCIA X. Zasada największej wiarygodności

ZAJĘCIA X. Zasada największej wiarygodności ZAJĘCIA X Zasada najwększej warygodnośc Funkcja warygodnośc Estymacja wg zasady maksymalzacj warygodnośc Rodzna estymatorów ML Przypadk szczególne WPROWADZEIE Komputerowa dentyfkacja obektów Przyjęce na

Bardziej szczegółowo

Dotyczy: opinii PKPP lewiatan do projektow dwoch rozporzqdzen z 27 marca 2012 (pismo P-PAA/137/622/2012)

Dotyczy: opinii PKPP lewiatan do projektow dwoch rozporzqdzen z 27 marca 2012 (pismo P-PAA/137/622/2012) 30/04! 2012 PON 13: 30! t FAX 22 55 99 910 PKPP Lewatan _..~._. _., _. _ :. _._..... _.. ~._..:.l._.... _. '. _-'-'-'"." -.-.---.. ----.---.-.~.....----------.. LEWATAN Pol~ka KonfederacJa Pracodawcow

Bardziej szczegółowo

Systemy Just-in-time. Sterowanie produkcją

Systemy Just-in-time. Sterowanie produkcją Systemy Just-n-tme Sterowane proukcją MRP MRP II Just n tme OPT 1 Sterowane proukcją MRP MRP II Just n tme OPT Koszty opóźneń Kary umowne Utrata zamówena Utrata klenta Utrata t reputacj 2 Problemy z zapasam

Bardziej szczegółowo