【GCP白皮書】GCP 上防護並緩解 DDoS 的最佳實踐

透過 Google 完善的機制,可以保護雲端基礎設施以及運行於其上的正式服務。此機制旨在確保沒有任何單一服務可以拖垮共享基礎設施,並在共用基礎架構的客戶間提供妥善的隔離。此文將帶您了解,面對 DDoS 攻擊,部署在 GCP 上的應用該如何防禦及緩解的十項最佳實踐。

閱讀白皮書全文 – GCP 上防護並緩解 DDoS 的最佳實踐

繼續閱讀 “【GCP白皮書】GCP 上防護並緩解 DDoS 的最佳實踐”

如何在 TensorFlow 部署推薦系統:建立模型 (一)

本文是系列教程中的第一部分,將向您展示如何在 Google Cloud Platform (GCP) 中使用 TensorFlowCloud ML Engine 來實踐機器學習 (ML) 的推薦系統。而這個部分會介紹如何在開發系統上安裝 TensorFlow 模型程式碼並在 MovieLens 的資料集上執行模型。

本教程的推薦系統使用加權交替最小平方 (WALS) 演算法,而 WALS 包含於 TensorFlow 程式庫中的 contrib.factorization package,採用大型矩陣因式分解對用戶和項目做評分。更多 WALS 相關的資訊,請參閱概述 繼續閱讀 “如何在 TensorFlow 部署推薦系統:建立模型 (一)”

如何在 TensorFlow 內建立推薦系統:總覽

本文的內容是由數個教程所組成的概述,此系列教程將向您展示如何在 Google Cloud Platform (GCP) 中使用 TensorFlowCloud ML Engine 實作推薦系統 (recommendation system)。

本文內容將涵蓋:

  • 概述以矩陣分解為基礎的推薦系統理論。
  • 描述如何使用加權交替最小平方法 (weighted alternating least squares – WALS) 來進行矩陣分解。
  • 提供系列教程概述,並提供在 GCP 上實作推薦系統的逐步指南。

繼續閱讀 “如何在 TensorFlow 內建立推薦系統:總覽”