分散式運算的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

最新世代平行運算：分散式系統主流框架實作指南

為了解決分散式運算的問題，作者易哥 這樣論述：

★☆★☆★【分散式系統的原理與實踐】★☆★☆★ 本書是一本說明分散式系統理論、實踐、專案知識的書籍，  更是一本幫助建立完整的分散式系統知識系統的書籍。   　　隨著網路世界的複雜化，當今數位世界已進入元宇宙時代，而Paxos、RabbitMQ及Zookeeper等頂級專案的興起，更讓分散式系統的設計、實作、產品開發等從前專屬於高級系統架構師的工作，逐漸走入程式設計師的日常。但分散式系統包括理論、實踐、專案等多方面內容。這些內容往往交織穿插在一起，給軟體開發者的學習帶來了不少困難，讓許多軟體開發者在學習過程中感到混亂和迷茫。為了幫助讀者學習分散式系統，本書對分散式系統的相關理論、實踐、專案

知識進行了詳細的介紹，理論聯繫實踐、實踐結合專案，層層漸進，力求讓讀者知其然並知其所以然，建立完整的分散式系統知識系統。本書從理論就非常下功夫，並幫助讀者在演算法及CAP、BASE及一致性原理上充分了解，更有使用RabbitMQ及ZooKeeper的專案實作，讓你從普通的軟體開發者，一躍成為規劃全局的系統架構設計師。   　　本書重點 　　✪理論篇（第1章～第4章） 　　介紹了分散式系統的概念，並討論了分散式系統的優缺點及需要面對的問題，也討論了一致性、共識、分散式約束等重要理論知識。   　　✪實踐篇（第5章～第9章） 　　介紹了分散式鎖、分散式交易、服務發現與呼叫、服務保護與閘道、冪等介面

等知識，介紹了理論篇所述的內容如何具體實施。   　　✪專案篇（第10章～第12章） 　　以架設具體的專案為導向，介紹了分散式系統中介軟體。其中，著重介紹了訊息系統中介軟體RabbitMQ和分散式協調中介軟體ZooKeeper。   　　✪複習篇（第13章） 　　對前三篇的內容加以整理。 

分散式運算進入發燒排行的影片

基於OpenStack電算資源雲端監控系統之研究 -以C公司為例

為了解決分散式運算的問題，作者簡嘉萱 這樣論述：

現今社會中資料量的增長已超越硬體的成長速度，近年來已陸續發生硬體效能不足、儲存空間受限、網路資源欠缺等窘境，為了解決這些情況，個案公司於2020年度引進OpenStack，客製化為公司內之分散式雲端運算系統，用以建立個案公司私有雲雲端平台，由於本雲端平台權限管控方便、可分散式運算及資源彈性化的特性，在未來我們會將個案公司內所有的服務都放在這個雲端平台上，本研究除介紹OpenStack的特點外，也針對其建置過程及後續效益與原本的虛擬平台進行比較和分析。而我們利用雲端平台資源彈性化、安全性高的特點建立出個案公司電算資源雲端監控系統，除整合個案公司現有的監控系統外，也加入聲音告警及日誌搜尋等功能，

因此可以比舊有的系統更有效的協助人員值勤。

Software Architecture in Practice中文版 第四版

為了解決分散式運算的問題，作者LenBass,PaulClements,RickKazman 這樣論述：

　　《Software Architecture in Practice》是一本實用且經過驗證的現代軟體架構權威指南，第四版加入了關於行動性、雲端、能源管理、DevOps、量子計算的內容，以及十一篇新章節。本書徹底解釋何謂軟體架構、為何它很重要，以及如何以嚴謹且有效的方式進行設計、實例化、分析、演變與管理軟體架構。 　　本書作者是三位著名的軟體架構師，將在書中介紹完整的生命週期，展示實用的指引、專業的方法，以及經過測試的模型，可用於任何複雜程度的專案。你將學會如何使用架構來處理快速成長的需求、系統的規模與抽象，以及當系統以新的方式動態結合時，如何管理新興的品質屬性。 　

　這本指南帶你深入了解如何利用架構來優化關鍵的品質屬性(包括性能、可修改性、資訊安全、妥善性、互操作性、可測試性、易用性、可部署性…等)，並解釋如何管理與改良既有的架構，轉換它們來解決新問題，以及建構可重複使用的架構，將它變成戰略性商業資產。 　　‧了解架構如何影響技術環境、專案生命週期、商業概況、你自己的實踐法，以及上述因素如何影響架構 　　‧利用經過檢驗的模式、介面與方法來透過架構優化品質 　　‧擔任行動設備、雲端、機器學習與量子計算的架構師 　　‧為能源效率和安全性等日益重要的屬性進行設計 　　‧藉著發現影響架構的重大因素，使用DevOps與部署管道來擴展系統，以及管理架構債務 　　‧

了解架構師在組織裡的角色，以提供更多價值  

結合目標偵測技術與異常活動辨識之 自動視訊監控系統框架設計

為了解決分散式運算的問題，作者王俊曄 這樣論述：

自動視訊監控系統過去以人力為主，是安全巡防人員實地監控區域安全，現在以網路為主，運用數位化網路串連監控設備進行遠端監控，受惠於機器學習的快速發展，自動化視訊監控系統已朝向以智慧為主演進，整合計算機視覺技術來進行異常活動偵測。本論文目的係提出自動視訊監控系統架構以Apache Spark Streaming串流平台為基礎，整合大資料處理與機器學習、深度學習技術以解決異常活動偵測的問題與解高負載問題，並具負載平衡以及即時偵測等效能。使用方法以基礎伺服器核心架構利用 Apache Kafka，連結三台Intel Core i7與1080Ti GPU電腦主機為分散式運算環境，做為伺服節點之間的通訊中

介軟體。使用UCF-Crime資料集作為測試與訓練，還設立了教異常活動的異常場景，異常指數是經過sigmoid所產生，數值範圍0~1，越高分代表越異常，發生異常活動的那瞬間異常值為0.6。實驗結果：網路延遲的實驗中發現兩個Broker可以稍微降低延遲，開啟越多的Topic會提高硬體的負擔，5個Topic的延遲時間相比1個Topic高達4倍左右。開啟多核心可以大幅提高效能，當Topic數量逐漸成長，效能提升幅度也越來越明顯，數據結果證明監控系統能達到低延遲、高吞吐的目標。本研究貢獻有二：1.自動化監控系統能夠做到即時目標偵測。2.運用Kafka降低自動化監控系統的延遲。