[IMQA] 빠른 웹페이지 만들기 - 당신의 웹페이지는 몇 점인가요?IMQA
웹 성능을 개선하기 위해 알아야 할 세 가지 지표 LCP(Largest Contentful Paint), FID(First Input Delay), CLS(Cumulative Layout Shift)에 대해 자세히 소개하고, Lighthouse로 개선하는 방법에 대해 살펴봅니다.
1. 웹 성능 개선은 무엇을 의미할까요?
2. 웹 성능 알아보기
3. Core Web Vitals
4. Lighthouse란?
5. Lighthouse로 개선하기
모바일 성능 모니터링, 웹 서버 성능 진단 및 부하테스트 컨설팅에 관심이 있으신 분은 아래 연락처로 연락해주시면, 전문 컨설턴트가 안내해드리겠습니다.
- 홈페이지: https://imqa.io
- 메일: support@imqa.io
- 전화: 02-6395-7730
- 채팅: https://imqa.channel.io/
JJUG CCC 2019 Fall の発表資料になります。
OpenAPI Generator を使って小規模な Web API サーバーを開発したときの経験やノウハウをまとめたものです。
https://ccc2019fall.java-users.jp/
https://jjug-cfp.cfapps.io/submissions/92e3117f-d911-4674-b97b-581813cfa0dc
EFK Stack이란 ElasticSearch, Fluentd, Kibana라는 오픈소스의 조합으로, 방대한 양의 데이터를 신속하고 실시간으로 수집/저장/분석/시각화 할 수 있는 솔루션입니다. 특히 컨테이너 환경에서 로그 수집을 위해 주로 사용되는 기술 스택입니다.
Elasitc Stack에 대한 소개와 EFK Stack 설치 방법에 대해 설명합니다.
NHN NEXT 게임 서버 프로그래밍 강의 자료입니다. 최소한의 필요한 이론 내용은 질문 위주로 구성되어 있고 (답은 학생들 개별로 고민해와서 피드백 받는 방식) 해당 내용에 맞는 실습(구현) 과제가 포함되어 있습니다.
참고로, 서버 아키텍처에 관한 과목은 따로 있어서 본 강의에는 포함되어 있지 않습니다.
Course Overview:
This course offers a comprehensive exploration of recommender systems, focusing on both theoretical foundations and practical applications. Through a combination of lectures, hands-on exercises, and real-world case studies, you will gain a deep understanding of the key principles, methodologies, and evaluation techniques that drive effective recommendation algorithms.
Course Objectives:
Acquire a solid understanding of recommender systems, including their significance and impact in various domains.
Explore different types of recommendation algorithms, such as collaborative filtering, content-based filtering, and hybrid approaches.
Study cutting-edge techniques, including deep learning, matrix factorization, and graph-based methods, for enhanced recommendation accuracy.
Gain hands-on experience with popular recommendation frameworks and libraries, and learn how to implement and evaluate recommendation models.
Investigate advanced topics in recommender systems, such as fairness, diversity, and explainability, and their ethical implications.
Analyze and discuss real-world case studies and research papers to gain insights into the challenges and future directions of recommender systems.
Course Structure:
Introduction to Recommender Systems
Collaborative Filtering Techniques
Content-Based Filtering and Hybrid Approaches
Matrix Factorization Methods
Deep Learning for Recommender Systems
Graph-Based Recommendation Approaches
Evaluation Metrics and Experimental Design
Ethical Considerations in Recommender Systems
Fairness, Diversity, and Explainability in Recommendations
Case Studies and Research Trends
Course Delivery:
The course will be delivered through a combination of lectures, interactive discussions, hands-on coding exercises, and group projects. You will have access to state-of-the-art resources, including relevant research papers, datasets, and software tools, to enhance your learning experience.
Spring One 2 GX 2014 - CACHING WITH SPRING: ADVANCED TOPICS AND BEST PRACTICESMichael Plöd
Caching is relevant for a wide range of business applications and there is a huge variety of products in the market ranging from easy to adopt local heap based caches to powerful distributed data grids. This talk addresses advanced usage of Spring’s caching abstraction such as integrating a cache provider that is not integrated by the default Spring Package. In addition to that I will also give an overview of the JCache Specification and it’s adoption in the Spring ecosystem. Finally the presentation will also address various best practices for integrating various caching solutions into enterprise grade applications that don’t have the luxury of having „eventual consistency“ as a non-functional requirement.
배민찬(https://www.baeminchan.com) 서비스의 백엔드 시스템 중 일부가 지난 1년간 어떤 고민과 아이디어, 결과물을 만들어냈는지 공유하려고 합니다. 발표 중 언급되는 용어나 도구에 대해 일반적인 정의나 간단한 설명은 언급되나 자세히 다루지 않습니다. 사용된 도구들로 어떻게 이벤트 기반 분산 시스템을 만들었는지에 대한 이야기가 중심입니다.
[IMQA] 빠른 웹페이지 만들기 - 당신의 웹페이지는 몇 점인가요?IMQA
웹 성능을 개선하기 위해 알아야 할 세 가지 지표 LCP(Largest Contentful Paint), FID(First Input Delay), CLS(Cumulative Layout Shift)에 대해 자세히 소개하고, Lighthouse로 개선하는 방법에 대해 살펴봅니다.
1. 웹 성능 개선은 무엇을 의미할까요?
2. 웹 성능 알아보기
3. Core Web Vitals
4. Lighthouse란?
5. Lighthouse로 개선하기
모바일 성능 모니터링, 웹 서버 성능 진단 및 부하테스트 컨설팅에 관심이 있으신 분은 아래 연락처로 연락해주시면, 전문 컨설턴트가 안내해드리겠습니다.
- 홈페이지: https://imqa.io
- 메일: support@imqa.io
- 전화: 02-6395-7730
- 채팅: https://imqa.channel.io/
JJUG CCC 2019 Fall の発表資料になります。
OpenAPI Generator を使って小規模な Web API サーバーを開発したときの経験やノウハウをまとめたものです。
https://ccc2019fall.java-users.jp/
https://jjug-cfp.cfapps.io/submissions/92e3117f-d911-4674-b97b-581813cfa0dc
EFK Stack이란 ElasticSearch, Fluentd, Kibana라는 오픈소스의 조합으로, 방대한 양의 데이터를 신속하고 실시간으로 수집/저장/분석/시각화 할 수 있는 솔루션입니다. 특히 컨테이너 환경에서 로그 수집을 위해 주로 사용되는 기술 스택입니다.
Elasitc Stack에 대한 소개와 EFK Stack 설치 방법에 대해 설명합니다.
NHN NEXT 게임 서버 프로그래밍 강의 자료입니다. 최소한의 필요한 이론 내용은 질문 위주로 구성되어 있고 (답은 학생들 개별로 고민해와서 피드백 받는 방식) 해당 내용에 맞는 실습(구현) 과제가 포함되어 있습니다.
참고로, 서버 아키텍처에 관한 과목은 따로 있어서 본 강의에는 포함되어 있지 않습니다.
Course Overview:
This course offers a comprehensive exploration of recommender systems, focusing on both theoretical foundations and practical applications. Through a combination of lectures, hands-on exercises, and real-world case studies, you will gain a deep understanding of the key principles, methodologies, and evaluation techniques that drive effective recommendation algorithms.
Course Objectives:
Acquire a solid understanding of recommender systems, including their significance and impact in various domains.
Explore different types of recommendation algorithms, such as collaborative filtering, content-based filtering, and hybrid approaches.
Study cutting-edge techniques, including deep learning, matrix factorization, and graph-based methods, for enhanced recommendation accuracy.
Gain hands-on experience with popular recommendation frameworks and libraries, and learn how to implement and evaluate recommendation models.
Investigate advanced topics in recommender systems, such as fairness, diversity, and explainability, and their ethical implications.
Analyze and discuss real-world case studies and research papers to gain insights into the challenges and future directions of recommender systems.
Course Structure:
Introduction to Recommender Systems
Collaborative Filtering Techniques
Content-Based Filtering and Hybrid Approaches
Matrix Factorization Methods
Deep Learning for Recommender Systems
Graph-Based Recommendation Approaches
Evaluation Metrics and Experimental Design
Ethical Considerations in Recommender Systems
Fairness, Diversity, and Explainability in Recommendations
Case Studies and Research Trends
Course Delivery:
The course will be delivered through a combination of lectures, interactive discussions, hands-on coding exercises, and group projects. You will have access to state-of-the-art resources, including relevant research papers, datasets, and software tools, to enhance your learning experience.
Spring One 2 GX 2014 - CACHING WITH SPRING: ADVANCED TOPICS AND BEST PRACTICESMichael Plöd
Caching is relevant for a wide range of business applications and there is a huge variety of products in the market ranging from easy to adopt local heap based caches to powerful distributed data grids. This talk addresses advanced usage of Spring’s caching abstraction such as integrating a cache provider that is not integrated by the default Spring Package. In addition to that I will also give an overview of the JCache Specification and it’s adoption in the Spring ecosystem. Finally the presentation will also address various best practices for integrating various caching solutions into enterprise grade applications that don’t have the luxury of having „eventual consistency“ as a non-functional requirement.
배민찬(https://www.baeminchan.com) 서비스의 백엔드 시스템 중 일부가 지난 1년간 어떤 고민과 아이디어, 결과물을 만들어냈는지 공유하려고 합니다. 발표 중 언급되는 용어나 도구에 대해 일반적인 정의나 간단한 설명은 언급되나 자세히 다루지 않습니다. 사용된 도구들로 어떻게 이벤트 기반 분산 시스템을 만들었는지에 대한 이야기가 중심입니다.
Exploring Deep Learning Acceleration Technology Embedded in LLMsTae Young Lee
Lab's research presentation
I am a doctoral student at Seoul National University of Science and Technology and am currently the head of the Applying LLMs to Various Industry (AL2VI) Lab.
This is a guide document that how you can setting up JMS Queue and JMX on JBoss AS 7.1.1.Final or EAP6. In EAP5, server port for JMS used 1099, but EAP6 doesn't use that port any longer. This also explains about JBoss JMX to monitor Java heap and JMX via MBean.
If you want to get more information or open source, please email
RabbitMQ/ActiveMQ 와 같은 비동기 메시징 미들웨어를 이용하여 다량의 서버를 orchestration(command & control) 할 수 있는 mcollective에 대한 한글 ppt 자료입니다. 상세한 내용은 http://wiki.tunelinux.pe.kr/x/LQAy 를 참고하시면 됩니다.
SQL 파싱
- 클라이언트에서 보내온 SQL 구문이 서버프로세스 PGA 내부의 Private SQL Area에서 문법체크(Syntax Check)를 우선 진행하고, 테이블 및 컬럼이 있는지, 해당 USER가 테이블 및 컬럼을 SELECT할 권한이 있는지(Semantic Check)를 Data Dictionary를 통해 체크한다. Shared Pool의 Library Cache를 조회해서 동일한 SQL문장이 있는지 확인하는데 문자 하나하나 공백, 대소문자까지 비교하여 동일한 SQL문장이 있다면 기 생성된 Library Cache의 parse-tree와 Query Execution Plan을 가지고 와서 실행한다. 이를 Soft Parsing 이라고 한다. 동일한 SQL문장이 없다면 이후 parse-tree를 만들고 나중을 위해 Library Cache에 저장한다.
The Spring Web model-view-controller (MVC) framework is designed around a DispatcherServlet that dispatches requests to handlers, with configurable handler mappings, view resolution, locale and theme resolution as well as support for uploading files.
2. Master-Slave 패턴 컴포넌트
Master Component
- 마스터 컴포넌트
Slave Component
- 슬레이브 컴포넌트
마스터 컴포넌트는 자신과 동등한 역할을 하는
슬레이브 컴포넌트에 작업을 분산하고,
슬레이브에서 반환된 결과로부터 최종 결과를 계산한다.
3. Master-Slave Pattern - Context
■ 정황(Context)
- 작업을 의미적으로 동일한 여러 서브태스크들로
분할한다.
이미지 출처 : http://www.xoreax.com/slow_build_time_challenge.htm
4. Master-Slave Pattern - Problem
■ 문제(Problem)
- 분할 정복은 문제들을 해결하기 위한 공통원칙.
- 독립적으로 처리되는 여러 개의 동등한
서브태스크들로 작업을 분할한다.
이미지 출처 : http://withman.net/326
5. Master-Slave Pattern - Problem
■ 문제(Problem)
- 분할된 프로세스들에 의해 제공된 결과들로부터
전체 계산 결과가 산출된다.
이미지 출처 : http://eureka0000.tistory.com/entry/%EB%9D%BC%EC%8A%A4%EA%B8%B8%EB%A1%9C
6. Master-Slave Pattern – Force
■ 문제에 내포된 영향력(Force) - 01
- 클라이언트는 계산이 분할 정복 원칙에
근거하고 있다는 사실을 알 필요가 없다.
결과를 Master 컴포넌트에 넘기기
- 클라이언트나 서브태스크의 처리는 작업을
분할하고 최종 결과를 모으는 알고리즘에
좌우되어서는 안 된다.
Master 컴포넌트에서 해야할 일!
7. Master-Slave Pattern – Force
■ 문제에 내포된 영향력(Force) - 02
- 서브태스크들을 처리하기 위해서는
서로 다르지만 의미적으로 동일한 구현들을
사용하는 것이 좋다.
- 서브태스크들을 처리할 때 간혹 조정이
필요하기도 하다.
유한 요소법을 사용하는 모의 실험
애플리케이션의 경우가 그렇다.
8. Master-Slave Pattern – Solution
■ 해법(Solution)
- 서비스의 클라이언트들과 개별 서브태스크들의
프로세싱 간에 조정(coordination)
인스턴스들을 도입한다.
이미지 출처 : MBC 손석희 100분 토론
10. Master-Slave Pattern – Solution
■ 해법(Solution)
- 서브태스크를 여러 개의 슬레이브 컴포넌트에
위임한 다음, 각 슬레이브가 반환하는
결과로부터 최종 결과를 계산한다.
11. Master-Slave Pattern – Solution
■ 응용 분야
- 장애 허용성
서비스에 장애 발생시 복제된 다른
서비스가 대체적으로 작동한다.
- 병렬 컴퓨팅
병렬로 실행되는 서브태스크로 나누어서
실행하고 결과를 종합하여 처리한다.
- 계산 정확도
서비스를 각기 다른 구현들에게 위임한다.
12. Master-Slave Pattern – Structure
■ 마스터 컴포넌트
- 클라이언트가 서비스에 접근할 수 있는
인터페이스 제공
■ 슬레이브 컴포넌트
- 마스터에 정의된 서브태스크들을 처리할 수
있는 서브서비스를 제공한다.
19. Master-Slave Pattern – Implementation
■ 구현(Implementation)
- 1단계 작업을 분할한다.
서브태스크로 나누는 방법을 정의한다.
서브태스크 하나에서 처리될 서브서비스를 파악한다.
- 2단계 서브태스크의 결과들을 조합한다.
개별 서브태스크들을 처리해서 얻은 결과들을 통하여
전체 서비스의 결과를 어떻게 계산할지 정의한다.
20. Master-Slave Pattern – Implementation
■ 구현(Implementation)
- 3단계 마스터와 슬레이브 간의 협력을 정의한다.
1단계에서 파악한 서브서비스 인터페이스를 정의한다.
이 인터페이스는 슬레이브에 구현된다.
마스터는 이 인터페이스를 사용하여 각 서브태스크의
처리를 위임한다.
- 4단계 이전 단계에서 개발된 명세에 따라
슬레이브 컴포넌트를 구현한다.
- 5단계 1~3단계에서 개발한 명세에 따라
마스터 컴포넌트를 구현한다.
21. Master-Slave Pattern – Variant
■ 변형(Variant)
- 장애 허용성을 위한 Master-Slave 패턴
마스터는 정해진 개수의 복제된 구현물에 서비스의
실행을 단지 위임하기만 한다.
장애 허용성(fault tolerance) : 최소한 하나의
슬레이브는 장애가 발생하지 않고 제대로 동작하여
유효한 결과를 제공할 수 있는 상황을 지원하는 것.
- 병렬 계산을 위한 Master-Slave 패턴
Master-Slave 패턴의 가장 일반적인 형태.
서브태스크가 병렬적으로 독립적으로 실행되어,
마스터에 결과를 반환한다.
22. Master-Slave Pattern – Variant
■ 변형(Variant)
- 계산 정확도(computational accuracy)를 위한
Master-Slave 패턴
최소한 3개의 서로 다른 구현물에 서비스를 위임한다.
독립된 슬레이브로 이루어진 구현물들의 작업이 완료될
때까지 기다린다.
마스터는 각각의 결과물을 여러가지 전략적인 방법으로
선택하여 결과를 산출한다.
23. Master-Slave Pattern – Variant
■ 변형(Variant)
- 슬레이브를 조정하는 Master-Slave 패턴
한 슬레이브의 계산이 다른 슬레이브들의 계산 상태에
따라 좌우된다.
예) 유한 요소 모의 실험의 경우 슬레이브들을
자체적으로 조정하기 위해 계산이 완료된 슬레이브는
다른 슬레이브들이 모두 완료될 때까지
일시중단 되어야 한다.
