matlab代码中的rir 介绍 该代码将基于 librispeech 语料库生成分布式多通道模拟语音数据。 模拟环境是单个扬声器位于混响环境中，包含点噪声和背景噪声，麦克风随机放置在房间内。 您可以修改通道数、房间大小、混响时间（T60）、噪声类型和信噪比，以获得所需的模拟数据。 文件结构生成机制是指 用于生成房间脉冲响应 生成默认模拟数据 在此处下载 Librispeech 数据集表格： 打开 Matlab 并打开“ generate/main.m ” 将“ debug_mode ”设置为false 将“ librispeech_dir ”设置为存储数据的路径， 例如： librispeech_dir = '/home/public/data/LibriSpeech' ; 将“ noise_dir ”、“ diffuse_noise_dir ”和“ point_noise_dir ”设置为存储噪声数据的路径，这些文件夹的具体设置见生成特定模拟数据。 您需要自己准备噪声数据。 将“ setname ”设置为您希望生成的集合， 例如： setname = {'train-clean-1

树莓派的联合学习和拆分学习 这是为了发布SRDS 2020论文“物联网的联合学习和拆分学习的端到端评估”的源代码。 如果发现有用，则可用于发布。 请引用我们的工作为： @inproceedings{gao2020end, title={End-to-End Evaluation of Federated Learning and Split Learning for Internet of Things}, author={Gao, Yansong and Kim, Minki and Abuadbba, Sharif and Kim, Yeonjae and Thapa, Chandra and Kim, Kyuyeon and Camtepe, Seyit A and Kim, Hyoungshick and Nepal, Surya}, booktitle={The 39th

Dapr for NET Developers

《Apache Flume Distributed Log Collection for Hadoop》中文翻译版，全书100页，本书注重于Flume应用，不涉及源码研究，想了解更多请加群：220278956

异构网络中的联合优化 该存储库包含本文的代码和实验： 联合学习是一种分布式学习范例，它具有两个与传统的分布式优化不同的关键挑战：（1）网络中每个设备的系统特性方面的显着可变性（系统异质性），以及（2）不完全相同的分布式数据跨网络（统计异质性）。 在这项工作中，我们引入一个框架FedProx，从理论上和经验上解决联邦网络中的异构性。 该存储库包含一组针对联合数据集的详细的经验评估。 我们证明FedProx比FedAvg具有更强大的收敛性。 特别是，在高度异构的环境中，FedProx展示了相对于FedAvg而言更加稳定和准确的收敛行为-将绝对测试准确度平均提高了22％。 一般准则 请注意，如果您想使用FedProx作为基准并运行我们的代码： 如果使用不同的数据集，则至少需要根据您的指标调整学习率和mu参数。 您可能希望从{0.001，0.01，0.1，0.5，1}调整mu。 没有适用于所有

集中分布式计算非常有价值的书籍，一个完整的PDF文件，如果大家想按照章节下载，可以下载免费的PDF文件，https://dspace.mit.edu/handle/1721.1/3719#files-area，希望没有积分的朋友也可以一起学习。当然有积分的朋友们可以选择资助一下我，1积分，不多

The DATA.zip is the run result of SLHH. we provide the original data for readers.

分布式系统领域康奈尔学派教授的经典著作， 对分布式系统的基本问题， CAP的描述，云计算的架构等方面，描述得非常精彩

SET K-COVER问题的解决方案可以通过将传感器分为K组来延长无线传感器网络（WSN）的寿命。 本文基于博弈论，提出了一种新颖的求解SET K-COVER问题的纯分布式方法，其中我们将SET K-COVER问题视为一种非合作的N人纸牌游戏。 WSN中的传感器被视为参与者，由N个传感器选择的覆盖集被视为策略，并且单独覆盖的感测区域被视为每个传感器的收益函数。 在游戏过程之后，所有玩家都选择的最佳策略构成了纳什均衡。 此外，我们分析了初始策略对游戏结果的影响，并提出了避免这种影响的解决方案，以获得更好的覆盖性能。 我们还将覆盖博弈中的纳什均衡的最优性扩展到更一般的情况。 除此之外，还对算法的收敛性能和消息复杂度进行了分析。 与随机，K-COVER和同步Nash均衡收敛算法相比，已经进行了广泛的仿真以显示所提出算法在收敛性，鲁棒性和覆盖率方面的优越性。 最后，基于对小型和大型WSN的真实实验结果，我们得出结论，该算法可以在实际应用环境中应用，并且在收敛性和覆盖率方面都具有良好的性能。 此外，当考虑到一些实际问题时，我们还提供了模拟结果与实际实验结果之间的比较。

介绍了分布式系统的原理，算法，通信协议和设计思想。