如果你也在 怎样代写计算机网络Computer Networking CS589这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。计算机网络Computer Networking是一组共享位于网络节点上或由网络节点提供的资源的计算机。这些计算机通过数字互连使用共同的通信协议来相互通信。这些互连是由电信网络技术组成的，基于物理有线、光学和无线射频方法，可以安排在各种网络拓扑结构中。
计算机网络Computer Networking的节点可以包括个人计算机、服务器、网络硬件或其他专用或通用的主机。它们由网络地址识别，也可以有主机名。主机名作为节点的记忆性标签，在最初分配后很少改变。网络地址用于通过通信协议（如互联网协议）来定位和识别节点。计算机网络可按许多标准进行分类，包括用于传输信号的传输介质、带宽、组织网络流量的通信协议、网络规模、拓扑结构、流量控制机制和组织意图。
计算机网络Computer Networking代写，免费提交作业要求， 满意后付款，成绩80\%以下全额退款，安全省心无顾虑。专业硕 博写手团队，所有订单可靠准时，保证 100% 原创。最高质量的计算机网络Computer Networking作业代写，服务覆盖北美、欧洲、澳洲等 国家。 在代写价格方面，考虑到同学们的经济条件，在保障代写质量的前提下，我们为客户提供最合理的价格。 由于作业种类很多，同时其中的大部分作业在字数上都没有具体要求，因此计算机网络Computer Networking作业代写的价格不固定。通常在专家查看完作业要求之后会给出报价。作业难度和截止日期对价格也有很大的影响。
avatest™帮您通过考试
avatest™的各个学科专家已帮了学生顺利通过达上千场考试。我们保证您快速准时完成各时长和类型的考试，包括in class、take home、online、proctor。写手整理各样的资源来或按照您学校的资料教您，创造模拟试题，提供所有的问题例子，以保证您在真实考试中取得的通过率是85%以上。如果您有即将到来的每周、季考、期中或期末考试，我们都能帮助您！
在不断发展的过程中，avatest™如今已经成长为论文代写，留学生作业代写服务行业的翘楚和国际领先的教育集团。全体成员以诚信为圆心，以专业为半径，以贴心的服务时刻陪伴着您， 用专业的力量帮助国外学子取得学业上的成功。
•最快12小时交付
•200+ 英语母语导师
•70分以下全额退款
想知道您作业确定的价格吗? 免费下单以相关学科的专家能了解具体的要求之后在1-3个小时就提出价格。专家的 报价比上列的价格能便宜好几倍。
avatest.™ 为您的留学生涯保驾护航 在计算机Computers代写方面已经树立了自己的口碑, 保证靠谱, 高质且原创的计算机Computers代写服务。我们的专家在计算机网络Computer Networking代写方面经验极为丰富，各种计算机网络Computer Networking相关的作业也就用不着 说。
CS代写|计算机网络代写Computer Networking代考|Estimating $\rho\left(V_q\right)$
To compute $\rho\left(V_q\right)$, we need to compute $\tilde{h}\left(v_i, V_q \backslash\left{v_i\right}\right)$ for all $v_i \in V_q$. However, for large-scale graphs, $V_q$ may also have a large size, posing a challenge for the efficient computation of $\rho\left(V_q\right)$. Although these $\tilde{h}$ ‘s are dependent on each other, they form a finite population. We can still use sampling techniques to efficiently estimate $\rho\left(V_q\right)$ by applying Hoeffding’s inequality for finite populations (Hoeffding, 1963). Specifically, we randomly select $c^{\prime}$ nodes from $V_q$, denoted by $v_1, \ldots, v_c$, to estimate their DHTs to the remaining nodes and take the average $\overline{\rho\left(V_q\right)}$ as an estimate for $\rho\left(V_q\right)$. Here, we can use either Iterative-alg or Sampling-alg for estimating each $\tilde{h}\left(v_i, V_q \backslash\left{v_i\right)\right)$. If Iterative-alg is used, from Theorem 2.1, we obtain bounds for each $\tilde{h}\left(v_i, V_q \backslash\left(v_i\right)\right)$ in the sample set. Aggregating those bounds, we can get bounds for $\overline{\rho\left(V_q\right)}$.
Following the same manner for the proof of Theorem $2.3$ and applying Hoeffding’s inequality for finite populations (Hoeffding, 1963), we can obtain the lower bound for $c^{\prime}$ in order to obtain an $e^{\prime}$-correct answer. We omit the details due to the space limitation. When Samplingalg is used, we provide the lower bound for $c^{\prime}$ in the following theorem.
Theorem $2.4$
Suppose we randomly select the $c^{\prime}$ nodes from $V_q$ to estimate their DHTs to the remaining nodes and take the average $\overline{\rho\left(V_q\right)}$ as an estimate of $\rho\left(V_q\right)$. For the sake of clarity, let $B_i=V_q \backslash\left{v_i\right}$. Suppose, we have used Sampling-alg to obtain an $\epsilon$-correct answer for each $\tilde{h}\left(v_i, B_i\right) \quad\left(i=1, \ldots, c^{\prime}\right)$ with respect to $\left[\tilde{h}{i B_i}^{\prime}, \bar{h}{i B_i}^{\prime \prime}\right]$, then, for any $\epsilon^{\prime}>0$ and $\delta^{\prime}>0$, in order to obtain
$$
\operatorname{Pr}\left(\frac{\sum_{i=1}^{c^{\prime}} \tilde{h}{i B_i}^{\prime}}{c^{\prime}}-\epsilon-\epsilon^{\prime} \leq \rho\left(V_q\right) \leq \frac{\sum{i=1}^{c^{\prime}} \tilde{h}{i B_i}^{\prime \prime}}{c^{\prime}}+\epsilon+\epsilon^{\prime}\right) \geq 1-\delta^{\prime}, $$ $c^{\prime}$ should satisfy $(1-\delta)^{c^{\prime}}\left(1-2 e^{-2 e^{\prime} \epsilon^n}\right) \geq 1-\delta^{\prime}$. Proof From the conditions, we have $$ \operatorname{Pr}\left(\tilde{h}{i B_i}^{\prime}-\epsilon \leq \tilde{h}\left(v_i, B_i\right) \leq \tilde{h}{i B_i}^{\prime \prime}+\epsilon\right) \geq 1-\delta, \quad i=1, \ldots, c^{\prime} . $$ Notice $\overline{\rho\left(V_q\right)}=\sum{i=1}^{c^{\prime}} \tilde{h}\left(v_i, B_i\right) / c^{\prime}$. Since $\tilde{h}^{\prime}$ ‘s are estimated independently, multiplying those probability inequalities together we obtain
$$
\operatorname{Pr}\left(\frac{\sum_{i=1}^{c^{\prime}} \tilde{h}{i B_i}^{\prime}}{c^{\prime}}-\epsilon \leq \overline{\rho\left(V_q\right)} \leq \frac{\sum{i=1}^{c^{\prime}} \tilde{h}_{i B_i}^{\prime \prime}}{c^{\prime}}+\epsilon\right) \geq(1-\delta)^{c^{\prime}} .
$$
CS代写|计算机网络代写Computer Networking代考|Estimating the Significance of
After obtaining the estimate of $\rho\left(V_q\right)$, we need to measure the deviation of $\rho\left(V_q\right)$ from the expected $\rho$ value of $\widehat{V}m$ (i.e., a set of randomly selected $m$ nodes from the graph), in order to distinguish SSC from random results. In particular, we have $$ E\left[\rho\left(\hat{V}_m\right)\right]=\frac{\sum{V_m \subseteq V} \rho\left(V_m\right)}{C_n^m},
$$
where $V_m$ is any set of $m$ nodes. The ideal solution is to obtain the distribution of $\rho\left(\hat{V}_m\right)$ and use the ratio between the number of node sets with size $m$ whose $\rho$ values are greater than or equal to $\rho\left(V_q\right)$ and $C_n^m$ as the significance score for $q$. However, for a large-scale graph, it is very hard to get the distribution since $C_n^m$ is very large. Here, we propose an approximation method. Notice $\rho\left(\hat{V}_m\right)$ is defined as the average of $\tilde{h}\left(v_i, \hat{V}_m \backslash\left{v_i\right}\right)$ where $v_i \in \hat{V}_m$. If we assume these $\tilde{h}$ ‘s are independent, according to Central Limit Theorem, $\rho\left(\hat{V}_m\right)$ can be approximated by a normal distribution, where $\operatorname{Var}\left[\rho\left(\hat{V}_m\right)\right]=\operatorname{Var}\left[\tilde{h}\left(v_i, \hat{V}_m \backslash\left{v_i\right}\right)\right] / m$. If we obtain $E\left[\rho\left(\hat{V}_m\right)\right]$ and $\operatorname{Var}\left[\rho\left(\hat{V}_m\right)\right]$, we can calculate the adjusted SSC $\tilde{\rho}$ for $q$ as follows:
$$
\tilde{\rho}\left(V_q\right)=\frac{\rho\left(V_q\right)-E\left[\rho\left(\hat{V}_m\right)\right]}{\sqrt{\operatorname{Var}\left[\rho\left(\hat{V}_m\right)\right]}} .
$$
计算机网络代写
CS代写|计算机网络代写Computer Networking代考| estimated $\rho\left(V_q\right)$
. CS
用于计算 $\rho\left(V_q\right)$，我们需要计算 $\tilde{h}\left(v_i, V_q \backslash\left{v_i\right}\right)$ 为所有人 $v_i \in V_q$。然而，对于大规模图， $V_q$ 还可能有较大的尺寸，对?的高效计算提出了挑战 $\rho\left(V_q\right)$。尽管这些 $\tilde{h}$ 它们彼此依赖，形成一个有限的种群。我们仍然可以使用抽样技术来进行有效的估计 $\rho\left(V_q\right)$ 通过对有限人口应用Hoeffding不等式(Hoeffding, 1963)。具体来说，我们是随机选择的 $c^{\prime}$ 的节点 $V_q$，表示为 $v_1, \ldots, v_c$，估计其到剩余节点的dht，并取平均值 $\overline{\rho\left(V_q\right)}$ 作为对 $\rho\left(V_q\right)$。在这里，我们可以使用iteration -alg或Sampling-alg对它们进行估计 $\tilde{h}\left(v_i, V_q \backslash\left{v_i\right)\right)$。如果使用迭代alg，根据定理2.1，我们可以得到每个的边界 $\tilde{h}\left(v_i, V_q \backslash\left(v_i\right)\right)$ 在样本集中。把这些边界加起来，我们可以得到 $\overline{\rho\left(V_q\right)}$.
用同样的方法证明定理 $2.3$ 并应用有限总体的Hoeffding不等式(Hoeffding, 1963)，我们可以得到的下界 $c^{\prime}$ 为了得到一个 $e^{\prime}$-正确答案。由于篇幅所限，我们省略了细节。当使用Samplingalg时，我们提供的下界 $c^{\prime}$ 在下面的定理中。
定理$2.4$
假设我们从$V_q$随机选择$c^{\prime}$节点来估计它们到其余节点的dht，并取平均值$\overline{\rho\left(V_q\right)}$作为对$\rho\left(V_q\right)$的估计。为了清晰起见，让$B_i=V_q \backslash\left{v_i\right}$。假设，我们已经使用Sampling-alg为每个$\tilde{h}\left(v_i, B_i\right) \quad\left(i=1, \ldots, c^{\prime}\right)$相对于$\left[\tilde{h}{i B_i}^{\prime}, \bar{h}{i B_i}^{\prime \prime}\right]$获得了$\epsilon$ -正确的答案，那么，对于任何$\epsilon^{\prime}>0$和$\delta^{\prime}>0$，为了得到
$$
\operatorname{Pr}\left(\frac{\sum_{i=1}^{c^{\prime}} \tilde{h}{i B_i}^{\prime}}{c^{\prime}}-\epsilon-\epsilon^{\prime} \leq \rho\left(V_q\right) \leq \frac{\sum{i=1}^{c^{\prime}} \tilde{h}{i B_i}^{\prime \prime}}{c^{\prime}}+\epsilon+\epsilon^{\prime}\right) \geq 1-\delta^{\prime}, $$$c^{\prime}$应该满足$(1-\delta)^{c^{\prime}}\left(1-2 e^{-2 e^{\prime} \epsilon^n}\right) \geq 1-\delta^{\prime}$。从条件来看，我们有$$ \operatorname{Pr}\left(\tilde{h}{i B_i}^{\prime}-\epsilon \leq \tilde{h}\left(v_i, B_i\right) \leq \tilde{h}{i B_i}^{\prime \prime}+\epsilon\right) \geq 1-\delta, \quad i=1, \ldots, c^{\prime} . $$通知$\overline{\rho\left(V_q\right)}=\sum{i=1}^{c^{\prime}} \tilde{h}\left(v_i, B_i\right) / c^{\prime}$。由于$\tilde{h}^{\prime}$是独立估计的，将这些概率不等式相乘，我们得到
$$
\operatorname{Pr}\left(\frac{\sum_{i=1}^{c^{\prime}} \tilde{h}{i B_i}^{\prime}}{c^{\prime}}-\epsilon \leq \overline{\rho\left(V_q\right)} \leq \frac{\sum{i=1}^{c^{\prime}} \tilde{h}_{i B_i}^{\prime \prime}}{c^{\prime}}+\epsilon\right) \geq(1-\delta)^{c^{\prime}} .
$$
CS代写|计算机网络代写Computer Networking代考|估算
. CS的重要性
在得到$\rho\left(V_q\right)$的估计值后，我们需要测量$\rho\left(V_q\right)$与$\widehat{V}m$的$\rho$的期望值(即从图中随机选择的一组$m$节点)之间的偏差，以便将SSC与随机结果区分开来。特别是，我们有$$ E\left[\rho\left(\hat{V}_m\right)\right]=\frac{\sum{V_m \subseteq V} \rho\left(V_m\right)}{C_n^m},
$$
，其中$V_m$是$m$节点的任意集合。理想的解决方案是获得$\rho\left(\hat{V}_m\right)$的分布，并使用规模为$m$的节点集的数量之间的比率(其$\rho$值大于或等于$\rho\left(V_q\right)$和$C_n^m$)作为$q$的显著性评分。但是对于一个大规模的图来说，$C_n^m$非常大，很难得到分布。在这里，我们提出了一种近似方法。注意$\rho\left(\hat{V}_m\right)$被定义为$\tilde{h}\left(v_i, \hat{V}_m \backslash\left{v_i\right}\right)$的平均值，其中$v_i \in \hat{V}_m$。如果我们假设这些$\tilde{h}$是独立的，根据中心极限定理，$\rho\left(\hat{V}_m\right)$可以近似为正态分布，其中$\operatorname{Var}\left[\rho\left(\hat{V}_m\right)\right]=\operatorname{Var}\left[\tilde{h}\left(v_i, \hat{V}_m \backslash\left{v_i\right}\right)\right] / m$。如果我们得到$E\left[\rho\left(\hat{V}_m\right)\right]$和$\operatorname{Var}\left[\rho\left(\hat{V}_m\right)\right]$，我们可以计算$q$调整后的SSC $\tilde{\rho}$:
$$
\tilde{\rho}\left(V_q\right)=\frac{\rho\left(V_q\right)-E\left[\rho\left(\hat{V}_m\right)\right]}{\sqrt{\operatorname{Var}\left[\rho\left(\hat{V}_m\right)\right]}} .
$$
CS代写|计算机网络代写Computer Networking代考 请认准UprivateTA™. UprivateTA™为您的留学生涯保驾护航。
微观经济学代写
微观经济学是主流经济学的一个分支，研究个人和企业在做出有关稀缺资源分配的决策时的行为以及这些个人和企业之间的相互作用。my-assignmentexpert™ 为您的留学生涯保驾护航 在数学Mathematics作业代写方面已经树立了自己的口碑, 保证靠谱, 高质且原创的数学Mathematics代写服务。我们的专家在图论代写Graph Theory代写方面经验极为丰富，各种图论代写Graph Theory相关的作业也就用不着 说。
线性代数代写
线性代数是数学的一个分支，涉及线性方程，如：线性图，如：以及它们在向量空间和通过矩阵的表示。线性代数是几乎所有数学领域的核心。
博弈论代写
现代博弈论始于约翰-冯-诺伊曼（John von Neumann）提出的两人零和博弈中的混合策略均衡的观点及其证明。冯-诺依曼的原始证明使用了关于连续映射到紧凑凸集的布劳威尔定点定理，这成为博弈论和数学经济学的标准方法。在他的论文之后，1944年，他与奥斯卡-莫根斯特恩（Oskar Morgenstern）共同撰写了《游戏和经济行为理论》一书，该书考虑了几个参与者的合作游戏。这本书的第二版提供了预期效用的公理理论，使数理统计学家和经济学家能够处理不确定性下的决策。
微积分代写
微积分，最初被称为无穷小微积分或 “无穷小的微积分”，是对连续变化的数学研究，就像几何学是对形状的研究，而代数是对算术运算的概括研究一样。
它有两个主要分支，微分和积分；微分涉及瞬时变化率和曲线的斜率，而积分涉及数量的累积，以及曲线下或曲线之间的面积。这两个分支通过微积分的基本定理相互联系，它们利用了无限序列和无限级数收敛到一个明确定义的极限的基本概念 。
计量经济学代写
什么是计量经济学？
计量经济学是统计学和数学模型的定量应用，使用数据来发展理论或测试经济学中的现有假设，并根据历史数据预测未来趋势。它对现实世界的数据进行统计试验，然后将结果与被测试的理论进行比较和对比。
根据你是对测试现有理论感兴趣，还是对利用现有数据在这些观察的基础上提出新的假设感兴趣，计量经济学可以细分为两大类：理论和应用。那些经常从事这种实践的人通常被称为计量经济学家。
MATLAB代写
MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。