时间序列基准套件（TSBS） 此仓库包含用于对多个时间序列数据库进行基准测试的代码，其中包括TimescaleDB，MongoDB，InfluxDB，CrateDB和Cassandra。 该代码基于InfluxDB最初在公开的工作分支。 当前支持的数据库： Akumuli Cassandra ClickHouse CrateDB InfluxDB MongoDB SiriDB TimescaleDB 时间流 VictoriaMetrics 总览 时间序列基准套件（TSBS）是Go程序的集合，这些程序用于生成数据集，然后对各种数据库的读写性能进行基准测试。 目的是使TS

任务 vHive旨在使无服务器系统研究人员能够在现代无服务器平台的深层和分布式软件堆栈中进行创新。 因此，我们构建了vHive来代表领先的功能即服务（FaaS）提供商，集成了提供商使用的相同生产级组件，包括，Cloud Native Computing Foundation的和 。 vHive采用了灵活的编程模型，使研究人员能够快速部署和试验任何可能包含许多功能的无服务器应用程序，这些应用程序可在安全的Firecracker microVM中运行，并具有服务器完整的服务。 可以使用OCI / Docker映像来部署功能和有状态服务。 vHive使系统研究人员能够在关键的无服务器功能方面进行

SIMD 基准测试 测试基本矩阵和向量运算与其 SIMD 对应物的相对性能。 每个操作的时间平均超过 10000 次运行。 使用随机单精度浮点数的 4x4 矩阵或 4D 向量。 对 AVX 128 位 (XMM) 和 256 位 (YMM) 寄存器执行的单独计算。 AVX2/FMA3（128 位）指令集（融合乘加）需要 Intel Haswell CPU 。 所有操作都经过了相当大的优化。 SIMD 矩阵乘法使用线性组合方法。 在带有 Intel i5-4278u 2.6 GHz 双核 Haswell CPU 的 2014 rMBP 上进行测试。 操作系统：在 VMWare Fusion 7 上运行的 Windows 8.1。 使用 MSVC++ 2012 编译： x64 mode 、 /arch:AVX 、 /fp:Fast 通过__rdtsc()在 CPU 时钟周期中计时。 （也可以

使用此深度指南正确设计基准，测量. NET 应用程序的关键性能度量，并分析结果.. 这本书提供了几十个案例研究，以帮助您理解复杂的基准主题。 您将避免常见的陷阱，控制测量的准确性，并提高您的软件的性能。 作者 AndreyAkinshin 已经维护了 Benchmark DotNet (最受欢迎的. NET 基准库) 五年，并涵盖了开发人员通常在基准中犯下的常见错误。 这本书不仅包括. NET 特定的内容，而且还包括关于性能测量的基本知识，这些知识可以应用于任何语言或平台（ 通用的基准方法、统计和现代硬件的低级特性）。

基准短语提取基准数据集 该存储库包含大量精选的基准数据集，用于评估自动关键词提取算法。 这些数据集均使用Stanford CoreNLP套件进行了预处理，并以XML格式提供。 数据集格式 所有数据集均按照以下通用结构存储： dataset/ /test/ <- test documents /train/ <- training documents (if available) /dev/ <- validation documents (if available) /src/ <- e

用于ECG分析的深度学习：PTB-XL的基准和见解 该存储库随附我们的文章 ，该文章建立在基础上。 它允许重现本文所述的ECG基准测试实验，并在我们的框架内对用户提供的模型进行基准测试。 我们还在本页上描述的PTB-XL数据集上保持排行榜的排名，因此请随时将结果作为PR提交。 请引用以下参考文献中列出的相应文章来感谢我们的工作。 设置 安装依赖项 通过创建conda环境来安装依赖项（wfdb，pytorch，torchvision，cudatoolkit，fastai，fastprogress）： conda env create -f ecg_env.yml conda activate ecg_env 取得资料 通过以下bash脚本下载并准备数据集（PTB-XL和ICBEB）： ./get_datasets.sh 该脚本首先下载并将其存储在data/ptbxl/ 。 之后，将下

用于QUIC基准测试的网络模拟器 该项目构建了一个测试框架，该框架可用于在各种网络条件下对QUIC实现的性能进行基准测试和测量。 它使用网络模拟器来模拟网络条件和交叉流量，以及将真实世界与模拟世界联系起来。 它使用docker隔离和强制客户端和服务器之间的流量流经模拟网络。 框架 该框架使用docker-compose组成三个docker映像：网络模拟器（在目录中找到）以及客户端和服务器（在各个QUIC实现目录中找到，对于简单的shell，在目录中找到） 。 该框架在主机上使用两个网络： leftnet （IPv4 193.167.0.0/24，IPv6 fd00：cafe：cafe：0 :: / 64）和rightnet （IPv4 193.167.100.0/24，IPv6 fd00：cafe：cafe :hundred_points: ：/ 64）。 leftnet连接到客户端rightnet映像， righ

覆盖范围 具有相似但真实对象的复制移动伪造数据库 具有类似但真实对象的复制移动伪造数据库（COVERAGE）随附于以下出版物：“ COVERAGE-COPY-MOVE FORFERY DETECTION的新型数据库”，IEEE国际图像处理会议（ICIP），2016年。， 数据集描述： COVERAGE包含带有类似但真实的物体（SGO）的仿冒伪造（CMFD）图像及其原件。 COVERAGE旨在突出并解决由自然图像中的自相似性引起的流行方法的篡改检测歧义。 在“覆盖率”中，用（i）复制和伪造的区域蒙版以及（ii）篡改因子/相似性度量标注伪造的原始对。 为了进行基准测试，使用（i）基于计算机视觉的方法和（ii）人工检测性能来评估伪造质量。 您可以在此处完整的数据集： 。 对于来自中国大陆的用户，如果您在访问OneDrive链接时遇到困难，请使用此 。 密码：zduj 纸 可用纸。 B.

外卖网站源码java Spring Boot 和 gRPC 基准测试 该项目比较了 gRPC + Protocol Buffers 和 REST + JSON 的性能。 比较是在某些条件下进行的，我们在下面的基准测试部分更详细地讨论了这些条件。 因为这个实验是在我的本地机器上进行的，我接受它只是展示了它们相对于彼此的表现。 :memo: 我学到的是？ :pencil: gRPC 和 REST 之间的差异。 :pencil: gRPC和Protocol Buffer背后的理论。 :pencil: 设置一个简单的gRPC服务器和客户端。 :pencil: 利用协议缓冲区进行代码生成。 :pencil: 将REST API与协议缓冲区集成。 :pencil: 使用JMeter 进行基准测试。 :hammer_and_wrench: 项目结构 由 GRPC 和 Spring Boot 服务器支持的单个 Spring Boot 客户端。 样本客户端 一个接受 JSON 和协议缓冲区响应的 Spring Boot 项目。 端口： 5000 端点 // REST /rest/randomNumbers?count={n} -> Generates {n} random numbers as JSON List /r

图神经网络 (GNN) 已成为分析和学习图数据的标准工具包。随着该领域的发展，识别关键架构并验证可推广到更大、更复杂的数据集的新想法变得至关重要。不幸的是，在缺乏具有一致实验设置的标准化基准的情况下，越来越难以衡量新模型的有效性。在本文中，我们介绍了一个可重复的 GNN 基准测试框架，使研究人员能够方便地为任意数据集添加新模型。我们通过对最近的 Weisfeiler-Lehman GNN (WL-GNN) 与基于消息传递的图卷积网络 (GCN) 进行各种图任务（即图回归/分类和节点/链路预测，具有中等规模的数据集。