Increasing the throughput of machine translation systems using clouds
University of Primorska(普里莫尔斯卡大学);Andrej Marusic Institute(安德烈·马鲁西奇研究所);Research Centre of the Slovenian Academy of Sciences and Arts(斯洛文尼亚科学与艺术研究院研究中心);The Fran Ramovš Institute(弗兰·拉莫夫什研究所);University of Ljubljana(卢布尔雅那大学)
本文介绍了一个在MapReduce模型下实现机器翻译系统的实验。实证评估是使用嵌入MapReduce编程模型的完全实现的翻译系统进行的。研究了两种机器翻译范式:基于浅层迁移规则的机器翻译和统计机器翻译。实验结果表明,MapReduce模型可以成功地用于提高机器翻译系统的吞吐量。此外,该方法提高了机器翻译系统的吞吐量,而不降低翻译输出的质量。因此,本手稿也代表了对自然语言处理,特别是机器翻译的开创性工作的贡献。它首先指向翻译系统的吞吐量的度量的定义的重要性,其次,机器翻译任务的MapReduce范式的适用性。
2016-11-09 cs.CL cs.DC
Three-Way Joins on MapReduce: An Experimental Study
我们在MapReduce上学习了三向连接。连接在许多应用中非常有用,从数据集成和遍历社交网络,到挖掘图和基于自动机的构造。然而,连接是昂贵的,即使是中等的数据集,我们需要有效的算法来执行分布式计算的连接使用集群的许多机器。MapReduce已经成为一种越来越流行的分布式计算系统和编程范式。我们考虑一个国家的最先进的MapReduce多路连接算法的Afrati和Ullman和显示时,它是适合用于非常大的数据集。通过提供一个详细的实验研究,我们证明,该算法的规模比原来的论文所建议的要好得多。但是,如果连接结果需要汇总或聚合,而不是仅枚举,则聚合步骤可以集成到双向连接的级联中,使其比其他算法更有效,因此成为首选解决方案。
2014-05-15 cs.DB cs.DC
AccurateML: Information-aggregation-based Approximate Processing for Fast and Accurate Machine Learning on MapReduce
处理海量数据集的需求不断增长,推动了在MapReduce上运行机器学习应用程序的不可阻挡的趋势。当处理大量输入数据时,产生快速且足够准确的近似结果通常比缓慢的精确结果具有更大的价值。现有技术通过处理部分输入数据来产生近似结果,因此当使用短作业执行时间时会导致大的准确度损失,因为所有跳过的输入数据潜在地有助于结果准确度。我们通过提出AccurateML来解决这个限制,AccurateML聚合每个映射任务中的输入数据的信息,以创建小的聚合数据点。这些聚合点使所有地图任务能够快速生成初始输出,以节省计算时间并减少输出的大小,从而减少通信时间。我们的方法进一步识别输入数据中与结果精度最相关的部分,从而首先使用这些部分来改进所产生的输出以最小化精度损失。我们使用真实的机器学习应用程序和数据集评估了AccurateML。结果表明:(i)与精确结果相比,它减少了30倍的执行时间,精度损失很小;(ii)当使用相同的执行时间时,与现有的近似处理技术相比,它实现了精度损失的2.71倍减少。
2017-08-04 cs.DC
Large-scale Artificial Neural Network: MapReduce-based Deep Learning
University of Florida(佛罗里达大学)
面对不断增长的数据规模,原有的基于反向传播神经网络的机器学习算法面临着两个不容忽视的挑战:庞大的数据量使其难以同时保持效率和准确性;冗余数据增加了系统的工作量。本项目主要针对上述问题进行解决,将深度学习算法与云计算平台相结合,处理大规模数据。本项目将设计一个基于MapReduce的手写字符识别器,以验证该机制在训练和实际大规模数据上所能实现的效率提高。将进行仔细的讨论和实验,以说明深度学习算法如何训练手写数字数据,如何在深度学习神经网络上实现MapReduce,以及为什么这种组合会加速计算。除了性能,可扩展性和鲁棒性也将在本报告中提到。我们的系统带有两个演示软件,直观地说明了我们的手写数字识别/编码应用程序。
2015-10-09 cs.DC cs.LG cs.NE
Using MapReduce for Large-scale Medical Image Analysis
现代医院每天产生的医学图像数据量的增长迫使传统的医学图像分析和索引方法适应可扩展的解决方案。在过去的20年里,图像的数量及其维度急剧增加。我们提出了基于并行计算和算法优化的大规模医学图像分析解决方案。MapReduce框架用于加速和实现三个大规模医学图像处理用例:(i)使用支持向量机进行肺部纹理分割的参数优化,(ii)基于内容的医学图像索引,以及(iii)用于实体纹理分类的三维方向小波分析。在我们的机构中使用Hadoop建立了一个异构计算节点集群,允许最多42个并发地图任务。所使用的大多数机器是台式计算机,也用于日常办公。该集群显示出微创和稳定。与顺序执行相比,这三个用例中的每一个的运行时间都大大减少了。Hadoop为数据分析任务提供了一个易于使用的框架,可以很好地扩展许多任务,但需要针对特定任务进行优化。
2015-10-23 cs.DC
Large-scale Data Modelling in Hive and Distributed Query Processing using MapReduce and Tez
人类、组织和机器的数字互联系统不断生成大量数据。数据以各种格式出现,包括结构化,非结构化和半结构化,这使得不可能应用相同的标准方法,技术和算法来管理和处理这些数据。幸运的是,企业级分布式平台Hadoop生态系统已经存在。本文从数据定义、数据操作和数据处理三个方面探讨了Apache Hive组件提供的全栈数据管理功能。Hive是一个数据仓库系统,它处理存储在表中的结构化数据。由于Hive工作在Hadoop HDSFS之上,它受益于HDFS的非凡特性,包括容错性,可靠性,高可用性,可扩展性等。此外,Hive可以通过将作业分配给MapReduce,Tez和Spark引擎来运行复杂查询,从而利用集群的分布式计算能力。本文重点研究了Hive数据模型,并对MapReduce和Tez的处理性能进行了分析。
2023-01-29 cs.DC
Benchmarking Apache Spark and Hadoop MapReduce on Big Data Classification
Istanbul Technical University(伊斯坦布尔理工大学);ASELSAN A.S.(阿瑟尔桑公司)
大多数流行的大数据分析工具都在不断发展,以适应其工作环境,从大量非结构化数据中提取有价值的信息。数据采掘技术能够从大数据中过滤这些有用的信息,这导致了大数据采掘这个术语。将数据范围从小型、结构化和稳定的数据转变为海量、非结构化和快速变化的数据带来了许多数据管理挑战。不同的工具由于其体系结构的限制,以自己的方式应对这些挑战。在根据手头的任务选择正确的数据管理框架时,需要考虑许多参数。在本文中,我们为两个广泛使用的大数据分析工具,即Apache Spark和Hadoop MapReduce,在一个共同的数据采掘任务上,即,分类.我们采用了几个评估指标来比较基准框架的性能,如执行时间,准确性和可扩展性。这些指标专门用于测量分类任务的性能。据我们所知,在文献中没有以前的研究,采用所有这些指标,同时考虑到特定任务的关注。我们发现Spark在训练模型时比MapReduce快5倍。然而,Spark的性能会随着输入工作负载的增大而降低。通过额外的集群扩展环境可以显著提高Spark的性能。然而,在Hadoop中没有观察到类似的增强。MapReduce的机器学习实用程序往往比Spark具有更好的准确性分数,即使在小规模的数据集中也是如此,大约3%。
2022-09-21 cs.DC cs.LG
Parallel Processing of Large Graphs
越来越多的大型数据汇集被收集在世界各地的各种IT系统中。它们中的许多具有网络性质,需要作为图结构来处理和分析。由于它们的大小,它们需要经常使用并行范式来进行有效的计算。本文比较了MapReduce及其映射端连接扩展和批量同步并行(BSP)三种并行技术。他们实现了两个不同的图形问题:计算单源最短路径(SSSP)和集体分类的关系影响传播(RIP)的图形节点。该方法和算法适用于不同的规模和结构配置文件的几个网络数据集,来自三个领域:电信,多媒体和微博。结果表明,使用BSP实现的迭代图处理总是显著地优于MapReduce,甚至高达10倍,特别是对于具有多次迭代和稀疏通信的算法。此外,MapReduce基于映射端连接的扩展通常会显着提高效率,尽管没有BSP那么多。尽管如此,MapReduce仍然是大型网络的良好替代方案,其数据结构不适合本地存储器。
2013-06-03 cs.DC
A MapReduce based Big-data Framework for Object Extraction from Mosaic Satellite Images
Kocaeli University(科贾埃利大学)
提出了一种基于分布式计算模型的大规模栅格镶嵌图像矢量表示拼接框架。这样,可以消除中央系统资源不足的负面影响和可扩展性问题。本研究所获得的产品可用于需要对大卫星地图图像进行时空分析的应用。本研究还表明,大数据框架不仅用于基于文本的数据采掘和机器学习算法的应用,而且还用于图像处理中的算法应用。该项目实现的产品的有效性也将通过对真实世界LandSat-8卫星图像进行的可扩展性和性能测试来证明。
2018-08-26 cs.CV cs.DC
Scheduling Data Intensive Workloads through Virtualization on MapReduce based Clouds
MapReduce已经成为在云上运行数据密集型应用程序的流行编程模型。用户设置的MapReduce作业的完成时间目标或截止日期在现有的基于云的数据处理环境(例如Hadoop)中变得至关重要。在调度MR作业以满足最后期限和“数据局部性”(将任务分配给包含其输入数据的节点)之间存在冲突。为了满足最后期限,可以在没有用于该任务的本地输入数据的节点上调度任务,从而导致从远程节点的昂贵数据传输。在本文中,提出了一种新的调度器,以解决上述问题,主要是基于动态资源重新配置的方法。它有两个组成部分:1)资源预测器:其动态地确定每个作业满足完成时间保证所需的Map/Reduce时隙的数量; 2)资源重新配置器:其通过动态地增加或减少各个VM来调整CPU资源,同时不违反用户的完成时间目标,以最大化数据局部性,并且还最大化活动作业之间的系统内的资源的使用。建议的调度程序已被评估对公平的虚拟集群上建立在一个物理集群的20台机器。结果表明,作业吞吐量增加了约12
2012-08-09 cs.DC
Divide and Conquer: an Accurate Machine Learning Algorithm to Process Split Videos on a Parallel Processing Infrastructure
Universidad Autónoma de Occidente(西方自治大学)
城市中的交通摄像机数量每天都在迅速增加,产生了大量的视频数据。并行处理基础设施(如Hadoop)和编程模型(如MapReduce)正在被用来快速处理大量数据。使用Hadoop MapReduce进行视频处理的常见方法是仅在一个节点上处理整个视频,然而,为了避免并行化问题,例如负载不平衡,我们建议通过将视频分成相等的部分并在不同的节点上处理每个结果块来处理视频。我们使用了一些机器学习技术来检测和跟踪车辆。然而,视频分割可能产生不准确的结果。为了解决这个问题,我们提出了一个启发式算法,以避免处理车辆在一个以上的块。
2019-12-20 cs.CV cs.DC
Support vector regression model for BigData systems
如今,大数据变得越来越重要。我们经济的许多部门现在都受到数据驱动的决策过程的指导。MapReduce编程模型促进了大数据和商业智能应用,而在基础设施层,云计算为按需分配大型集群提供了灵活且具有成本效益的解决方案。在这样的系统中,容量分配是最佳地调整最小资源以实现一定性能水平的能力,是提高MapReduce作业性能和最小化云资源成本的关键挑战。为此,最大的挑战之一是建立一个准确的性能模型来估计MapReduce系统的作业执行时间。以前的工作应用模拟为基础的模型建模这样的系统。虽然这种方法可以准确地描述大数据集群的行为,但它在计算上过于昂贵,并且不能扩展到大型系统。我们试图通过应用机器学习技术来克服这些问题。更确切地说,我们关注支持向量回归(SVR),它本质上比其他技术更鲁棒,例如,神经网络,并且对训练集中的离群值不太敏感。为了更好地研究这些好处,我们将SVR与线性回归进行了比较。
2016-12-05 cs.DC cs.LG cs.PF
A Survey of Big Data Machine Learning Applications Optimization in Cloud Data Centers and Networks
这篇调查文章回顾了与在云数据中心和网络中部署和优化大数据应用程序以及机器学习算法相关的挑战。MapReduce编程模型及其广泛使用的开源平台Hadoop正在开发大量基于云的服务和大数据应用程序。因此,MapReduce和Hadoop引入了创新、高效和加速的密集型计算和分析。这些服务通常利用地理分布的数据中心内的商品集群,并提供具有成本效益和弹性的解决方案。然而,迁移、存储和处理大数据的数据中心之间和内部的流量不断增加,这正在成为一个瓶颈,需要能够减少拥塞和功耗的增强型基础设施。此外,具有请求各种大数据服务的多个租户的企业面临的挑战是,需要以降低的运行成本和功耗来优化其资源的租赁,同时避免利用不足或过度利用。在本调查中,我们总结了各种大数据编程模型和应用程序的特点,并对云计算基础设施以及虚拟化和软件定义网络等相关技术进行了审查,这些技术越来越多地支持大数据系统。此外,我们还简要回顾了数据中心的拓扑结构、路由协议和流量特征,并强调了大数据对云数据中心及其支持网络的影响。在各种应用程序性能指标和/或基础设施能效方面,我们致力于优化处理大数据的系统。最后,提出了一些启示和未来的研究方向。
2019-10-01 cs.DC cs.LG cs.NI
Hadoop-Oriented SVM-LRU (H-SVM-LRU): An Intelligent Cache Replacement Algorithm to Improve MapReduce Performance
本文提出面向 Hadoop 的 H-SVM-LRU 智能缓存替换算法,融合 LRU 与 SVM 预测数据未来使用情况,以提高缓存命中率并降低 MapReduce 执行时间。
2023-09-28 cs.DC
Fair $k$-Center: a Coreset Approach in Low Dimensions
基于中心的聚类技术在机器学习的某些领域(如数据汇总)中是基础的。通用的$k$ -中心算法可以产生有偏见的集群代表,所以最近一直有兴趣在公平的$k$ -中心聚类。我们的主要理论贡献是两个新的$(3+ε)$ -近似算法,用于解决公平$k$ -中心问题:(1)动态增量,即,one-pass streaming模型和(2)MapReduce模型。我们的动态增量算法是这个问题的第一个这样的算法(以前的流算法需要两个通道)和我们的MapReduce一个改进后,以前的近似因子的$(17+ε).$这两种算法的工作原理是通过维护一个小的coreset来表示完整的点集和他们的分析要求,底层的度量有有限倍的维度。我们还提供了高维数据和实验结果,比较我们的算法的性能与现有的相关的算法。
2023-02-20 cs.DC
Costing Generated Runtime Execution Plans for Large-Scale Machine Learning Programs
IBM Research – Almaden(IBM阿尔马登研究中心)
声明式大规模机器学习(ML)旨在以高级语言规范ML算法,并自动生成混合运行时执行计划,范围从单节点,内存计算到MapReduce(MR)或Spark等类似框架上的分布式计算。大规模机器学习程序的编译为自动优化提供了许多机会。先进的基于成本的优化技术需要-作为一个基本的先决条件-一个准确的成本模型来评估优化决策的影响。在本文中,我们分享了一种简单而强大但准确的技术,用于计算ML程序的替代运行时执行计划的成本。我们的成本模型依赖于生成和计算运行时计划,以自动反映所有连续的优化阶段。成本计算运行时计划还捕获控制流结构,如循环和分支,以及各种成本因素,如IO,延迟和计算成本。最后,我们将所有这些成本因素线性化为预期执行时间的单一度量。在SystemML中,这个成本模型被几个高级优化器所利用,如资源优化和全局数据流优化。我们分享我们的经验教训,以便为ML程序的优化提供基础。
2015-03-22 cs.DC cs.LG
Machine Learning and Cloud Computing: Survey of Distributed and SaaS Solutions
IEAT
将流行的机器学习算法应用于大量数据给ML从业者带来了新的挑战。传统的ML库不能很好地支持大型数据集的处理,因此需要新的方法。使用现代并行计算框架(如MapReduce,CUDA或Dryad)的并行化越来越受欢迎和接受,导致在这些框架之上开发新的ML库。我们将简要介绍最突出的工业和学术成果,如Apache Mahout,GraphLab或Jubatus。我们将研究云计算范式如何影响ML领域。第一个方向是在云中部署流行的统计工具和库(R系统,Python)。第二个产品线是使用插件来增强现有工具,允许用户在云中创建Hadoop集群并在其上运行作业。接下来是ML算法的分布式实现库,以及用于数据分析和数据采掘的复杂系统的内部部署。本次调查的最后一个方法是ML作为软件即服务,一些大数据初创公司(以及大公司)已经向市场开放了他们的解决方案。
2016-03-29 cs.DC cs.LG
Empirical Study of Straggler Problem in Parameter Server on Iterative Convergent Distributed Machine Learning
Chinese University of Hong Kong(香港中文大学)
本研究实证评估了参数服务器架构下多种落后者缓解技术,在矩阵分解、多项逻辑回归和潜在狄利克雷分配等迭代收敛机器学习算法中的有效性,为后续研究提供比较平台。
2023-07-28 cs.DC cs.LG
Distributed Averaging CNN-ELM for Big Data
Universitas Indonesia(印度尼西亚大学)
提高机器学习的可扩展性以处理大量数据是一项具有挑战性的任务。按比例放大的方法有一些局限性。本文提出了一种基于MapReduce的分类器级扩展CNN-ELM方法。映射过程是对一定分区数据的CNN-ELM训练。它涉及许多可以异步训练的CNN-ELM模型。Reduce过程是所有CNN-ELM权重的平均值作为最终训练结果。这种方法可以比单独训练单个CNN-ELM模型节省大量的训练时间。这种方法还通过组合横向扩展和纵向扩展方法来增加机器学习的可扩展性。我们在扩展的MNIST数据集和非MNIST数据集上验证了我们的方法。但是,它也有一些缺点,需要仔细采取额外的迭代学习参数和训练数据分布,需要仔细选择。需要进一步研究使用更复杂的图像数据集。
2016-10-07 cs.CV cs.DC cs.LG
Simeon -- Secure Federated Machine Learning Through Iterative Filtering
School of Computer Science and Engineering, University of New South Wales(新南威尔士大学计算机科学与工程学院);Department of Computer Science, Purdue University(普渡大学计算机科学系)
联邦学习使得全局机器学习模型能够由分布式的、相互不信任的学习代理协作地训练,这些学习代理希望维护其训练数据和其硬件的隐私。一个全局模型被分发给客户端,客户端执行训练,并提交他们新训练的模型,以聚合成一个更好的模型。然而,联邦学习系统容易受到恶意学习代理的干扰,这些恶意学习代理可能希望阻止训练或在最终的全局模型中引起有针对性的错误分类。已经出现了一类容忍拜占庭的聚合算法,提供了不同程度的鲁棒性来对抗这些攻击,通常需要注意的是,攻击者的数量受到训练之前已知的数量的限制。本文介绍了西蒙:一种新的聚合方法,应用基于信誉的迭代过滤技术,即使在存在可能表现出任意行为的攻击者的情况下也能实现鲁棒性。我们比较Simeon国家的最先进的聚合技术,并发现Simeon实现了相当或优越的鲁棒性,各种攻击。值得注意的是,我们表明,Simeon是容忍sybil攻击,其他算法没有,提出了我们的方法的一个关键优势。
2021-03-13 cs.CR cs.DC cs.LG
Mobile Big Data Analytics Using Deep Learning and Apache Spark
Nanyang Technological University(南洋理工大学);Institute for Infocomm Research(资讯通信研究院);Singapore University of Technology and Design(新加坡科技设计大学);Singapore Management University(新加坡管理大学);University of Houston(休斯顿大学)
诸如智能手机和物联网(IoT)小工具的移动设备的激增导致了最近的移动大数据(MBD)时代。收集MBD是无利可图的,除非使用合适的分析和学习方法从数据中提取有意义的信息和隐藏的模式。本文介绍了MBD分析中的深度学习的概述和简短教程,并讨论了Apache Spark上的可扩展学习框架。具体来说,分布式深度学习在许多Spark工作者上作为迭代MapReduce计算执行。每个Spark worker在整个MBD的分区上学习一个部分深度模型,然后通过平均所有部分模型的参数来构建主深度模型。这个基于Spark的框架加快了由许多隐藏层和数百万个参数组成的深度模型的学习。我们使用一个上下文感知的活动识别应用程序与包含数百万个样本的真实数据集来验证我们的框架并评估其加速效率。
2016-02-23 cs.DC cs.LG cs.NE
Game Theoretic Iterative Partitioning for Dynamic Load Balancing in Distributed Network Simulation
大型复杂网络的高保真仿真可以在利用多个处理器或机器的组合资源的分布式计算平台上实现。在离散事件驱动的仿真中,将逻辑过程(LP)分配给机器是影响机器计算和通信负担的关键步骤,这反过来又会影响实验的仿真执行时间。我们研究了一个网络分区游戏,其中每个节点(LP)作为一个自私的球员。我们推导出两个本地节点级成本框架,这是可行的,在这个意义上,所需的机器之间交换的聚合状态信息是独立的模拟网络模型的大小。对于这两个成本框架,我们证明了纯策略的稳定纳什均衡的存在性。使用迭代分区改进,我们提出了基于两个成本标准的博弈论分区算法,并表明每个下降的全球成本。为了利用系统的分布式特性,该算法是分布式的,每个节点的决策基于其本地信息和一些可以在机器对机器之间进行通信的全局量。我们展示了我们的分区算法的性能乐观的离散事件驱动的模拟平台,模拟一个实际的并行模拟器。
2012-10-13 cs.DC
On Parallel or Distributed Asynchronous Iterations with Unbounded Delays and Possible Out of Order Messages or Flexible Communication for Convex Optimization Problems and Machine Learning
LAAS-CNRS(LAAS-法国国家科学研究中心);Université de Toulouse(图卢兹大学);CNRS(法国国家科学研究中心)
我们描述了并行或分布式异步迭代算法的几个特点,如无界延迟,可能的顺序消息或灵活的通信。本文重点讨论了为了研究异步迭代的收敛性或终止性而引入的宏迭代序列的概念。本文还综述了凸优化问题的异步迭代方法。最后,给出了凸优化问题和机器学习中具有灵活通信的并行或分布式异步迭代算法收敛性的一个新结果。
2022-10-05 cs.DC cs.LG cs.NE
Run Time Prediction for Big Data Iterative ML Algorithms: a KMeans case study
在大数据基础设施上运行的数据科学和机器学习算法在从商业智能和分析到网络安全、智慧城市管理以及许多科学和工程领域的活动中越来越重要。随着这些算法进一步集成到日常运营中,了解它们在大数据基础设施上运行的时间对于控制成本和交付时间至关重要。在本文中,我们讨论了理解迭代机器学习算法的运行时间所涉及的问题,并提供了这样一个算法的案例研究-包括使用Edward概率程序设计语言的Spark大数据引擎的K-Means实现的运行时间的统计特征和模型。
2017-10-09 cs.DC
Randomized Composable Coresets for Matching and Vertex Cover
为大规模数据集设计可扩展算法的一种常见方法是将计算分布在机器(比如说$k$)上,并使用它们之间的有限通信来处理数据。这里一个特别有吸引力的框架是同时通信模型,其中每台机器都构建其自身数据的小型代表性摘要,然后从代表性摘要的联合中获得近似/精确的解决方案。如果一个问题所需的代表性摘要很小,那么这将导致一个通信高效和轮最优的协议。虽然许多基本的图形问题承认有效的解决方案,在这个模型中,两个突出的问题是显着缺席的成功列表,即最大匹配问题和最小顶点覆盖问题。事实上,最近的研究表明,对于这两个问题,即使实现polylog $(n)$近似,也需要从每台机器发送整个输入图。我们工作的主要见解是,在同时通信模型中匹配和顶点覆盖的棘手性本质上与跨机器的底层图的对抗性分区有关。我们表明,当底层图形随机划分的机器,这两个问题承认随机组合coresets的大小$\widetilde{O}(n)$,产生一个$\widetilde{O}(1)$近似的解决方案。这导致在$\widetilde{O}(1)$ -近似的同时协议,这些问题与$\widetilde{O}(nk)$总通信时,输入是随机划分在$k$机器。我们进一步证明了我们的结果的最优性。最后,通过一个标准的可组合核心集的应用,我们的结果也意味着MapReduce算法在一轮或两轮通信中具有相同的近似保证
2017-05-23 cs.DC cs.DS
Cascaded Prediction and Asynchronous Execution of Iterative Algorithms on Heterogeneous Platforms
本文提出一种基于机器学习的SpMV级联预测方法和异步并发计算模型,跨阶段预测并缓解预处理开销,使SpMV平均加速1.33倍,迭代算法平均优化2.55倍。
2024-11-15 cs.DC cs.MS