| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Reāllaika datu straumes apstrādes un salīdzinošās testēšanas sistēmas projektēšana un ieviešana, izmantojot PyTorch 2 un TensorFlow 2 |
| Nosaukums angļu valodā |
Design and Implementation of a Real-Time Data Stream Processing and Benchmarking System Using PyTorch 2 and TensorFlow 2 |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Padmaraj Nidagundi |
| Recenzents |
Artjoms Supoņenkovs |
| Anotācija |
Pastāvīgi pieaugošais straumējamo datu apjoms, ko ģenerē sensori, finanšu tirgi, rūpnieciskās sistēmas un savienotas ierīces, ir palielinājis pieprasījumu pēc uzticamas reāllaika analītikas. Dziļās mācīšanās ietvari tiek plaši pielietoti šādu plūsmu apstrādei, taču atbilstoša ietvara izvēle joprojām ir sarežģīta, jo publicētie salīdzinājumi balstās uz dažādām datu kopām, aparatūras konfigurācijām un mērīšanas procedūrām. Bakalaura darbs risina šo problēmu, izstrādājot atkārtojamu etalonuzdevumu sistēmu, kas uzņem laikrindu datus, simulē reālistiskus plūsmas ātrumus un mēra dziļās mācīšanās ietvaru veiktspēju kontrolētos apstākļos.
Bakalaura darba mērķis ir izstrādāt un novērtēt reāllaika datu plūsmas apstrādes un etalonuzdevumu izpildes sistēmu, kas ļauj praktiski un atkārtojami novērtēt dziļās mācīšanās ietvaru veiktspēju, izmantojot publiskas laikrindu datu kopas. Sistēma izstrādāta Python valodā ar Apache Kafka kā ziņojumu starpnieku, novērtējot TensorFlow 2.15, PyTorch 2.1 un ONNX Runtime 1.16 ietvarus. Tika izmantotas trīs publiskas datu kopas: UCI elektroenerģijas patēriņa datu kopa, NAB straumējamo anomāliju etalons un Numenta anomāliju etalons laikrindām.
Iegūtie rezultāti rāda, ka PyTorch sasniedza zemāko mediānas secinājumu latentumu 4,3 milisekundes, TensorFlow demonstrēja augstāko stabilo caurlaidspēju 18 200 ierakstu sekundē, savukārt ONNX Runtime piedāvāja stabilāko atmiņas profilu visos pārbaudītajos slodzes līmeņos. Tiek piedāvāti praktiski ieteikumi ietvaru izvēlei atkarībā no latentuma, caurlaidspējas un resursu ierobežojumiem, kas raksturīgi reāllaika analītikas scenārijiem.
Bakalaura darba apjoms ir 82 lappuses, tas satur 14 attēlus, 18 tabulas, 5 pielikumus un 64 atsauces avotus. |
| Atslēgas vārdi |
Atslēgas vārdi: reāllaika datu plūsmas apstrāde, dziļās mācīšanās ietvari, etalonuzdevumu izpilde, laikrindu datu kopas, TensorFlow, PyTorch, veiktspējas novērtējums. |
| Atslēgas vārdi angļu valodā |
Key words: real-time data stream processing, deep learning frameworks, benchmarking, time-series datasets, TensorFlow, PyTorch, performance evaluation. |
| Valoda |
eng |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
26.05.2026 17:36:30 |
