L’alignement de séquences se range dans les problèmes traitant les séquences de caractères comme du texte ou de la voix. Il a pour objectif d’associer, ou non, à chaque caractère d’une séquence, un autre caractère d’une autre séquence. Nous verrons dans cet article différents algorithmes de difficulté croissante et aborderons des applications qui se trouvent en génétique, en recherche d’information ou encore en linguistique comparative.

Au sommaire de l’article

1 Séquence

2 Alignement

3. Programmation dynamique et distance de Levenshtein

3.1 Mise en pratique de la programmation dynamique

3.2 Exemples

4 Alignement global

4.1 L’alignement et l’algorithme de Needleman-Wunsch

4.2 Exemple

5 Alignement local

6 Cas pratique en génétique : l’algorithme BLAST

6.1 Les besoins en génétique

6.2 Au cœur de BLAST

7 Applications en linguistique comparative

Conclusion

Références

Clément Besnier

 > Lire l’intégralité de cet article sur notre plateforme de lecture en ligne Connect  

Retrouvez cet article (et bien d’autres) dans GNU/Linux Magazine n°212, disponible sur la boutique et sur Connect !

Les molécules chimiques sont tout autour de nous, il y a bien entendu celles de synthèse qui font décrier la chronique, mais toute la communication du vivant est basée sur la chimie, à commencer par les odeurs. Comment traiter ces petits composés pourtant aussi importants ? Nous allons le découvrir dans cet article.

Au sommaire de l’article

1 Représentation des molécules chimiques et complexité algorithmique

2 Représentation virtuelle des molécules

3 Création d’une petite chimiothèque

4 Étude de la chimiothèque

Conclusion

Références

Stéphane Téletchéa

 > Lire l’intégralité de cet article sur notre plateforme de lecture en ligne Connect  

Retrouvez cet article (et bien d’autres) dans GNU/Linux Magazine Hors-série n°94, disponible sur la boutique et sur Connect !

Après avoir étudié comment synchroniser deux récepteurs de télévision numérique terrestre (DVB-T) exploités comme source pour le traitement de signaux radiofréquence (radio logicielle), nous démontrons l’utilisation de ce montage pour réaliser des expériences de RADAR passif. Dans ce contexte, les signaux émis par une source non coopérative – dans notre cas émetteur de télévision numérique terrestre – sont recherchés dans les échos réfléchis par des cibles statiques ou en mouvement : la distance et la vitesse des cibles sont identifiées par le retard et le décalage Doppler introduit par la vitesse radiale. L’expérience, d’un coût de quelques dizaines d’euros, permet de se familiariser avec les techniques de traitement classiquement utilisées lors de l’étude de signaux RADAR.

Au sommaire de l’article

1 Quel émetteur choisir ?

2 Rappel sur l’intercorrélation

3 Deux récepteurs DVB-T pour cartographier des cibles statiques

4 Cartographie de cibles statiques

4.1 Remplacer le récepteur DVB-T par un oscilloscope

5 Cas des cibles en mouvement – acquisition par DVB-T

5.1 Cas des avions

5.2 Autocorrélation au lieu d’intercorrélation

5.3 Cas des bateaux

6 Cas des cibles très proches

Conclusion

Remerciements

Références & notes

J.-M. FRIEDT

 > Lire l’intégralité de cet article sur notre plateforme de lecture en ligne Connect  

Retrouvez cet article (et bien d’autres) dans GNU/Linux Magazine n°212, disponible sur la boutique et sur Connect !

Les protéines sont des composants biologiques importants constitués par l’assemblage de briques élémentaires, les acides aminés. L’organisation tridimensionnelle d’une protéine est cependant difficile à prédire à partir de la succession d’acides aminés. Dans cet article, nous allons détailler une étape importante dans le processus de construction d’un modèle tridimensionnel, la prédiction d’éléments de structure secondaire remarquables.

Au sommaire de l’article

1 Composition des protéines et difficultés de prédiction de la structure tridimensionnelle

2 Approches méthodologiques pour la prédiction des éléments de structure secondaire

3 Remplacer l’humain avec du machine learning

3.1 PSIPRED : étape 1, rechercher les séquences similaires

3.2 PSIPRED, étape 2 : prédiction de l’état secondaire

3.3 PSIPRED, étape 3 : validation et performance

Conclusion

Stéphane Téletchéa

 > Lire l’intégralité de cet article sur notre plateforme de lecture en ligne Connect  

Retrouvez cet article (et bien d’autres) dans GNU/Linux Magazine Hors-série n°94, disponible sur la boutique et sur Connect !

La récente vague de ransomwares [1] a placé sous les projecteurs un aspect aussi ingrat qu’essentiel du travail d’administrateur système : les sauvegardes. En effet, quand tous les pare-feux ont été traversé, les antivirus déjoués et les privilèges escaladés, seule la sauvegarde peut nous sauver !

Au sommaire de l’article

1. Introduction à la sauvegarde

1.1 Généralités sur les logiciels de sauvegarde

1.2 Installation

2. Architecture de Bareos

2.1 bareos-dir

2.2 bareos-sd

2.3 bareos-fd

2.4 Configuration du TLS

3. Management de Bareos

3.1 Bconsole

3.2 webui

4. Troubleshooting Bareos

Conclusion

Références

Nicolas Greneche

 > Lire l’intégralité de cet article sur notre plateforme de lecture en ligne Connect  

Retrouvez cet article (et bien d’autres) dans GNU/Linux Magazine n°212, disponible sur la boutique et sur Connect !

Malgré toute notre attention une erreur s’est glissée dans notre dernier magazine. La figure 1 de l’article « Au coeur des microprocesseurs » est erronée. Vous trouverez ci-joint une correction de la figure concernée.

Avec toutes nos excuses.

Le ciel offre une variété étonnante d’objets célestes. Ces variétés ont fait l’objet depuis l’antiquité de classifications plus ou moins précises au fur et à mesure que les observations élargissaient le champ de nos connaissances. L’oeil et le cerveau humain ont su regrouper, expliquer et inventorier les éléments de l’Univers. Essayons alors d’utiliser la puissance du Machine Learning pour caractériser automatiquement ces galaxies lointaines et mystérieuses.

Au sommaire de l’article

1 Classification des galaxies

2 Classification des galaxies avec du ML

2.1 Introduction

2.2 Les données astrophysiques

3. Avant d’aller plus loin

3.1 Transformation des données

3.2 Modélisation

3.3 Évaluation des performances

4 Méthodes de classifications

4.1 Support Vector Machine

4.2 Les méthodes ensemblistes

4.2.1 Random Forest

4.2.2 Boost-tree

4.3 Les réseaux de neurones

4.4 Le Deep Learning

Conclusion

Références

Pour aller plus loin

Julien Zoubian & Christian Surace

 > Lire l’intégralité de cet article sur notre plateforme de lecture en ligne Connect  

Retrouvez cet article (et bien d’autres) dans GNU/Linux Magazine Hors-série n°94, disponible sur la boutique et sur Connect !

L’adoption de plus en plus importante des conteneurs (principalement en utilisant Docker) et des orchestrateurs (majoritairement avec Kubernetes) montre l’engouement des développeurs autour de cette technologie. D’après une étude Datadog d’avril 2018 basée sur 10000 entreprises clientes de la société, environ 25% d’entre elles utilisent Docker et, parmi celles-ci, la moitié ont recours à l’orchestration. On peut également voir qu’en moyenne environ 8 conteneurs sont exécutés par hôte et que ce nombre a tendance à augmenter. La durée de vie moyenne d’un conteneur est d’environ 12 heures avec orchestration et 6 jours sans. La durée de vie d’un conteneur est donc particulièrement faible…

Pour réellement comprendre ces chiffres, il faut être au point avec toutes les techniques citées. Si vous avez toujours voulu savoir à quoi servent les conteneurs, comment les utiliser ou encore comment les gérer à l’aide d’un orchestrateur, alors vous tenez le bon magazine entre vos mains ! Dans ce numéro hors-série, nous allons tâcher de répondre à toutes les questions que vous pourriez vous poser et nous vous guiderons dans la mise en place et l’utilisation de ces technologies.

Ce hors-série constitue la seconde publication adoptant le format de la nouvelle formule. Vous y trouverez donc bien entendu le dossier dédié aux conteneurs, mais également d’autres articles :

■ des articles sur Python avec les nouveautés de la version 3.7 et plus particulièrement l’apparition des dataclasses ;

■ une plongée dans les entrailles de Python pour comprendre réellement ce qui se passe en interne suivant le code exécuté ;

■ un exemple de mise en place d’un système de supervision utilisant Conky et Collectd.

N’hésitez pas à nous écrire pour nous dire ce que vous pensez de nos hors-séries à lecteurs @gnulinuxmag.com. Que vous les trouviez très bien, que vous voyiez des choses à améliorer ou même que vous ayez des idées de sujets sur lesquels vous souhaiteriez écrire ou que vous aimeriez voir traiter, n’hésitez pas !

Je vous laisse maintenant vous plonger dans l’univers des conteneurs et vous souhaite une bonne lecture !

Tristan Colombo

Retrouvez GNU/Linux Magazine Hors-série n°98 :

• en kiosque
• sur notre boutique (pour vous abonner : https://boutique.ed-diamond.com/abonnements/3-gnu-linux-magazine)
• sur notre plateforme de lecture en ligne Connect 

Retour de vacances…

Le lundi matin, vous allumez votre ordinateur et les lignes défilent sous vos yeux : 117 mails non lus. Après deux semaines d’absence vous en avez reçu plus d’une centaine, des mails que vous traitez habituellement journalièrement et dont la lecture, le tri et éventuellement la réponse se diluent dans le temps consacré à vos autres tâches. Mais sur 117 mails, combien sont réellement intéressants ? Je me suis livré à une petite expérience et les chiffres suivants sont donc issus d’un cas concret. Je dispose de deux adresses professionnelles et une personnelle ; je ne me base ici que sur mon adresse tristan@gnulinuxmag.com pour laquelle j’ai de nombreux filtres actifs qui me permettent d’éliminer bon nombre d’indésirables, mais qui sont assez peu restrictifs de manière à limiter le risque de perte de messages importants.

Tout d’abord, sur ces 117 mails il y a ceux que j’ai identifiés immédiatement comme inutiles grâce à l’objet. Le temps de lire l’en-tête et de cocher le mail, il faut compter environ 4 secondes au départ puis rapidement on tourne autour de 6 à 8 secondes de peur d’effacer par inadvertance un mail important. Je compterai donc 6 secondes pour traiter un indésirable. Au final, il me reste 38 mails soit 79 indésirables et 474 secondes soit environ 8 minutes de « travail ». En temps normal, je parcours ces mails « au cas où ». Le temps de traitement est alors plutôt d’environ 14 secondes. Pour les 79 mails supprimés, j’aurais donc consacré en temps normal environ 18 minutes à les traiter… pour rien.

En projetant ce résultat sur mes deux autres adresses (qui contiennent à peu près autant de mails à mon retour), on arrive à 54 minutes soit 27 minutes par semaine. Sur 47 semaines de travail par an, cela représente un peu plus de 21h soit 2 jours et demi (pour les gens qui travaillent 35h par semaine). Beaucoup de temps perdu pour rien ! Quand on pense en plus que d’après Mike Berners-Lee dans « How bad are bananas ? The carbon footprint of everything » (2011), l’empreinte carbone d’un mail simple (sans pièce attachée) est de 4 g (l’ADEME a une évaluation plus importante), cela correspond à 7,5 kg de CO2… uniquement pour les mails indésirables que je reçois au cours d’une année !

Nous ne pouvons pas grand-chose pour réduire l’empreinte carbone de ces mails… par contre il faut faire un choix : risquer de perdre quelques mails et utiliser des filtres plus restrictifs ou perdre du temps… beaucoup de temps. Désormais, au vu de ces chiffres, mon choix est fait.

Et en parlant de temps, vous ne perdrez pas le vôtre en lisant ce numéro de GNU/Linux Magazine regorgeant comme à l’accoutumée d’informations diverses ! Bonne lecture !

Tristan Colombo

Retrouvez GNU/Linux Magazine n°218 :

• en kiosque
• sur notre boutique (pour vous abonner : https://boutique.ed-diamond.com/abonnements/3-gnu-linux-magazine)
• sur notre plateforme de lecture en ligne Connect