Architecture IV focuses on near opt

Architecture IV focuses on near optimal heuristic
adaptation algorithms which can have much less
complexity. For example, a data integrity favored heuristic
can work as follows: when the level of data integrity, i.e., LI,
is below a specific warning threshold Iw, (a) switch the
system to multi-phase containment, i.e., let DL = 0; (b)
slow down the execution of new transactions by DT = DT +
α(Iw − LI); and (c) lower the anomaly levels required for
alarm raising, that is, THm = THm − β(Iw − LI), and THs = THs − γ(Iw − LI). In this way, we reject and isolate
more transactions. Here the values of α, β, and γ are
determined based on previous experiences. Note that it is
very possible that different (value) combinations of (α, β,
γ) are optimal for different environments. Hence it is
worthy to have multiple such heuristics with different
combinations of (α, β, γ).

ผลลัพธ์ (ไทย) 1:

สถาปัตยกรรม iv มุ่งเน้นไปที่การแก้ปัญหาที่ดีที่สุดอยู่ใกล้
ขั้นตอนวิธีการปรับตัวซึ่งจะมีความซับซ้อนมากน้อย
ตัวอย่างเช่นความสมบูรณ์ของข้อมูลที่ชื่นชอบ
แก้ปัญหาสามารถทำงานดังต่อไปนี้เมื่อระดับของความสมบูรณ์ของข้อมูลคือ li,
คือต่ำกว่าเกณฑ์การเตือนเฉพาะ IW, () สลับ
ระบบการบรรจุหลายเฟสคือให้ ดล = 0; (ข)
ชะลอการดำเนินการของการทำธุรกรรมใหม่โดย dt dt =
α (IW - li); และ (ค) ลดระดับความผิดปกติท​​ี่จำเป็นสำหรับการระดมปลุก
, ที่อยู่, THM = THM - β (IW - Li) และ ths = ths - γ (IW - li) ในวิธีนี้เราปฏิเสธและแยกการทำธุรกรรมมากขึ้น
ที่นี่ค่าของα, βและγจะ
คำนวณจากประสบการณ์ก่อนหน้า ทราบว่ามันเป็นไปได้มาก
ที่ผสม (ค่า) ที่แตกต่างกัน (α, β, γ
) มีความเหมาะสมที่สุดสำหรับสภาพแวดล้อมที่แตกต่างกันจึงเป็น
สมควรจะมีการวิเคราะห์พฤติกรรมดังกล่าวหลายชุดที่แตกต่างกัน
(α, β, γ)

ผลลัพธ์ (ไทย) 2:

สถาปัตยกรรม IV เน้นใกล้ heuristic ที่ดีที่สุด
อัลกอริทึมการปรับตัวที่ได้น้อยมาก
ความซับซ้อน ตัวอย่าง ความสมบูรณ์ของข้อมูลปลอด heuristic
สามารถทำงานเป็นดังนี้: เมื่อระดับของความสมบูรณ์ของข้อมูล เช่น LI,
ต่ำกว่าขีดเริ่มเตือนเฉพาะ Iw สลับ (a) การ
ระบบการบรรจุ multi-phase เช่น ให้ DL = 0 (ข)
ชะลอการดำเนินการของธุรกรรมใหม่โดย DT = DT
Α (Iw − LI); และ (c) ต่ำกว่าระดับความผิดปกติที่จำเป็นสำหรับ
ปลุกตื่นตัว นั่นคือ THm = THm − β(Iw − LI) และ THs = THs − γ(Iw − LI) ด้วยวิธีนี้ เราปฏิเสธ และแยก
ธุรกรรมเพิ่มเติม นี่คือค่า ของα β γ
ประสบการณ์ก่อนหน้านี้ตามที่กำหนด หมายเหตุว่า
มากเป็นชุดที่แตกต่างกัน (ค่า) ของ (α β,
γ) จะเหมาะสมที่สุดสำหรับสภาพแวดล้อมที่แตกต่างกันได้ จึง
สมควรจะมีหลายเช่นรุกพร้อม
ชุด (α β γ)

ผลลัพธ์ (ไทย) 3:

สถาปัตยกรรม, iv ,โดยจะเน้นไปที่ได้ผลดีที่สุดเ้กิดอยู่ใกล้กับอัลกอริธึม
ซึ่งจะช่วยปรับซึ่งสามารถมีน้อยมาก
ซึ่งจะช่วยลดความยุ่งยากซับซ้อน ตัวอย่างเช่นความสมบูรณ์ของข้อมูลความนิยม Heuristic
สามารถทำงานโดยมีรายละเอียดดังนี้:เมื่อระดับของความสมบูรณ์ของข้อมูล,เช่น, Li ,
อยู่ทางด้านล่างที่ระบุคำเตือน:ค่าขีดจำกัด IW ‐,( A )สวิตช์
ซึ่งจะช่วยให้ระบบหลายขั้นตอนการปนเปื้อนใน,เช่น,ปล่อยให้ DL = 0 ;(ข)
ช้าลงการทำงานของใหม่ทำธุรกรรมโดย DT = DT
กล้อง(‐ IW - Li )และ(ค)ต่ำกว่าระดับความผิดปกติที่จำเป็นสำหรับการเตือน ภัย
ซึ่งจะช่วยยกระดับที่ thm = thm - เฉพาะ(‐ IW - Li ) THS และ= THS - γ(‐ IW - Li ) ในลักษณะนี้เราจะทำการปฏิเสธและคัดแยกธุรกรรม
ซึ่งจะช่วยเพิ่มเติม ที่นี่ค่าของกล้องเฉพาะและγมี
กำหนดขึ้นอยู่กับประสบการณ์ก่อนหน้า บันทึกไว้ด้วยว่าโรงแรมคือ
ซึ่งจะช่วยเป็นอย่างมากเป็นไปได้ที่แตกต่างกันไป(ค่า)การรวมตัวกันของ(กล้องเฉพาะ
γ)สำหรับ สภาพแวดล้อม ที่แตกต่างกันดังนั้นจึงมี
ซึ่งจะช่วยมอบความคุ้มค่าในการได้เรียนรู้หลายอย่างมีความแตกต่างกัน
การรวมตัวกันของ(กล้องเฉพาะγ)