Персона:
Ровнягин, Михаил Михайлович

Profile Picture
Email Address
Birth Date
Научные группы
Организационные подразделения
OrgUnit Logo
Организационная единица
Институт интеллектуальных кибернетических систем
Цель ИИКС и стратегия развития - это подготовка кадров, способных противостоять современным угрозам и вызовам, обладающих знаниями и компетенциями в области кибернетики, информационной и финансовой безопасности для решения задач разработки базового программного обеспечения, повышения защищенности критически важных информационных систем и противодействия отмыванию денег, полученных преступным путем, и финансированию терроризма.
Статус
Фамилия
Ровнягин
Имя
Михаил Михайлович
Имя

Фильтры

20192
2
2
Сброс фильтров

Настройки

Автор: Rovnyagin, M. M. × End date: 2019 ×

Результаты поиска

Теперь показываю 1 - 2 из 2
  • Уменьшенное изображение
    Публикация
    Только метаданные
    Modeling NoSQL systems in many-nodes hybrid environments
    (2019) Kuzmin, A. V.; Rovnyagin, M. M.; Chernilin, F. N.; Guminskaia, A. V.; Kinash, V. M.; Myltsyn, O. V.; Orlov, A. P.; Ровнягин, Михаил Михайлович
    © 2017 IEEE. Data search is one of the most important problems in the field of computer science and computer facilities. Classical relational DBMSs (RDBMSs), unfortunately, are not suitable as data storage systems for Big Data. Therefore, the concept NoSQL is now widely spread. A common feature of such systems is a high throughput and linear scalability, depending on the number of storage servers used. One of the most productive NoSQL-systems, at the moment is Apache Cassandra. In this paper, we suggest ways to simulate the performance of such systems in hybrid computing environments.
  • Уменьшенное изображение
    Публикация
    Только метаданные
    Cloud computing architecture for high-volume ML-based solutions
    (2019) Rovnyagin, M. M.; Kirill, Timofeev, V.; Elenkin, A. A.; Shipugin, V. А.; Ровнягин, Михаил Михайлович
    © 2019 IEEE A large number of modern projects use machine learning technology to perform a variety of business calculations. There are two main ways to integrate machine-learning models into the logic of industrial applications. The first way is to rewrite models from the data analysis language (for example R or Python) to the industrial development language (for example Java, Go or Scala). The second way is to equip models with a web-interface and integrate it into the calculation. In this article, we explore the second method. A deployment architecture for machine learning in the clouds is proposed. The possibilities of the proposed scheme for scaling are described. Examples of practical use of the proposed architecture for organizing data storage with compression are also given.