असली कंप्यूटर नेटवर्क के लिए, यादृच्छिक रेखांकन के मॉडल


19

मुझे यादृच्छिक ग्राफ़ के मॉडल में दिलचस्पी है जो वास्तविक कंप्यूटर नेटवर्क के ग्राफ़ के समान हैं। मुझे यकीन नहीं है कि सामान्य अच्छी तरह से अध्ययन किए गए मॉडल ( कोने, प्रत्येक संभावित किनारे को संभाव्यता साथ चुना गया है ) वास्तविक कंप्यूटर नेटवर्क (यह है?) का अध्ययन करने के लिए अच्छा है।G(n,p)पीnp

यादृच्छिक ग्राफ के कौन से मॉडल व्यवहार में कंप्यूटर नेटवर्क को समझने के लिए उपयोगी हैं?

आम तौर पर, साहित्य में परिमित यादृच्छिक रेखांकन ( मॉडल के समतुल्य) के अलावा अन्य कौन से मॉडल का अध्ययन किया गया है? (एक आदर्श जवाब परिमित यादृच्छिक रेखांकन के अध्ययन किए गए मॉडल के लिए एक सर्वेक्षण के लिए एक संकेतक होगा।)G(n,p)


2
आपको ऐसे मॉडलों की आवश्यकता कहां है - क्या यह केवल एल्गोरिदम के लिए कुछ परीक्षण इनपुट उत्पन्न करना है, या क्या आप कंप्यूटर नेटवर्क के बारे में कुछ सीखने के लिए मॉडल का विश्लेषण करना चाहते हैं? आप किस प्रकार के कंप्यूटर नेटवर्क में रुचि रखते हैं; आपका पैमाना (LAN बनाम इंटरनेट) क्या है? आप यह क्यों मानते हैं कि वास्तविक कंप्यूटर नेटवर्क एक यादृच्छिक प्रक्रिया द्वारा उत्पन्न होते हैं - आश्चर्यजनक रूप से अक्सर वास्तविक दुनिया के नेटवर्क वास्तव में एक इंजीनियर द्वारा डिज़ाइन किए जाते हैं, जिसमें काफी कम सिक्का-उछाल होता है?
जुक्का सुमेला

@ जुक्का, मैं यह देखने की कोशिश कर रहा हूं कि क्या मैं वास्तविक नेटवर्क के बारे में जानकारी प्राप्त करने के लिए ऐसे यादृच्छिक मॉडलों के लिए लिए विकसित तकनीकों को लागू कर सकता हूं, मुझे अभी और विशिष्ट होना पसंद नहीं है क्योंकि यह दे सकता है मैं के बारे में सोच रहा हूँ समस्या दूर :)। मुझे मुख्य रूप से इंटरनेट की आईपी परत में दिलचस्पी है। मैंने देखा है कि लोग सोशल नेटवर्क से उत्पन्न होने वाले ग्राफ़ का विश्लेषण करने के लिए यादृच्छिक ग्राफ़ का उपयोग करते हैं। मुझे यकीन नहीं है कि ये वास्तविक नेटवर्क यादृच्छिक ग्राफ़ के साथ गुणों को क्यों साझा करते हैं, काम पर सतह के पीछे एक छिपी हुई यादृच्छिक प्रक्रिया हो सकती है (यह पूछने के लिए एक दिलचस्प सवाल जैसा लगता है :)। G(n,p)
केवह

मुझे लगता है कि यादृच्छिक मॉडलों का उपयोग करने में रुचि का हिस्सा यह है कि उनका विश्लेषण करना वास्तविक नेटवर्क का विश्लेषण करने की तुलना में आसान है, इसलिए यह विचार करना उचित है कि क्या वे वास्तविक के लिए पर्याप्त सन्निकटन हैं।
केवह

सभी को अच्छे जवाब के लिए धन्यवाद। (अब मुझे इन पत्रों को पढ़ते हुए कुछ समय
बिताना है

जवाबों:


10

पिछले कुछ वर्षों में, "प्राकृतिक" संरचनात्मक बाधाओं के साथ यादृच्छिक रेखांकन के अध्ययन से कर्षण प्राप्त हुआ है। उदाहरण के लिए, कोई एक प्लानर ग्राफ को सभी लंबर ग्राफ के वर्ग से कोने के साथ खींच सकता है और अध्ययन कर सकता है कि यह कैसे n ∞ के रूप में व्यवहार करता है । Erdss-Rényi यादृच्छिक रेखांकन या इसी तरह के अन्य मॉडलों के विपरीत, इन रेखांकन में किनारे अत्यधिक निर्भर हैं, इसलिए इस तरह के वितरण का अध्ययन करने के लिए छद्म प्रेरणाओं में से एक है किनारों के बीच बहुत सीमित स्वतंत्रता के साथ नेटवर्क मॉडल का विश्लेषण करना।nn

हालाँकि, वर्तमान में यह लक्ष्य काफी दूर लगता है क्योंकि सीमित स्वतंत्रता इस तरह के रेखांकन के गुणों का विश्लेषण करना बहुत कठिन बना देती है। वास्तव में, कई बुनियादी प्रश्न जो कि लिए बहुत आसानी से उत्तर दिए जाते हैं , जैसे डिग्री अनुक्रम का वितरण केवल हाल ही में यादृच्छिक प्लानर ग्राफ़ के लिए हल किया गया है।जी(n,पी)

एक निश्चित संदर्भ के लिए, कॉन्स्टेंटिनोस पनागियोटौ द्वारा कागजात देखें और उसमें निहित उद्धरणों को देखें। सुविधा के लिए, यहां कुछ प्रासंगिक कागजात का एक छोटा सा नमूना है:

  • रैंडम प्लानर रेखांकन के डिग्री वितरण परकॉन्सटैनटिनो पनागियोटौ और एंजेलिका स्टीगर । असतत एल्गोरिथ्म (Soda '11) पर 22 वीं वार्षिक ACM-SIAM संगोष्ठी की कार्यवाही में प्रदर्शित होने के लिए।
  • यादृच्छिक विघटन और त्रिकोणासन के गुणों परनिकला बर्नसकोनी, कॉन्स्टेंटिनोस पानियागोटू और एंजेलिका स्टीगर । असतत एल्गोरिदम पर 19 वीं वार्षिक ACM-SIAM संगोष्ठी की कार्यवाही में (सोडा '08), पी। 132-141। [http://www.mpi-inf.mpg.de/~kpanagio/Dissections.pdf]
  • रैंडम ऑउटरप्लानर और सीरीज़-पैरेलल ग्राफ़ के डिग्री सीक्वेंस परनिकला बर्नसकोनी, कॉन्स्टेंटिनोस पानियागोटू और एंजेलिका स्टीगर । संगणना में यादृच्छिक तकनीक पर 12 वीं अंतर्राष्ट्रीय कार्यशाला की कार्यवाही (RANDOM'08), पी। 303-316। [http://www.mpi-inf.mpg.de/~kpanagio/OPSP.pdf]

1
एक अतिरिक्त टिप्पणी: शोध की यह रेखा वास्तव में लगभग 15 साल पीछे चली जाती है, कम से कम डेनिस, वास्कॉनसेलोस और वेल्श (1996) के एक पेपर के लिए, और एक कारण यह है कि "प्राप्त कर्षण" अब के आवेदन की महान सफलता है जिम्नेज़ और नोय (2009) जैसे विश्लेषणात्मक कॉम्बीनेटरिक्स और एसिम्प्टोटिक एन्यूमरेशन, यहाँ।
RJK

10

यह सर्वेक्षण, न्यूमैन द्वारा जटिल नेटवर्क की संरचना और कार्य , वास्तविक जटिल नेटवर्क के लिए तकनीकों और मॉडलों की समीक्षा करता है, जिसमें छोटे-विश्व प्रभाव, डिग्री वितरण और यादृच्छिक ग्राफ मॉडल जैसी अवधारणाएं शामिल हैं। इसके अलावा, एक ही लेखक के पास एक अच्छा कागज, रैंडम ग्राफ़ नेटवर्क के मॉडल के रूप में , वास्तविक नेटवर्क मॉडल के लिए यादृच्छिक ग्राफ़ के अनुकूलन के बारे में है।

संदर्भ:

1) नेटवर्क के मॉडल के रूप में रैंडम ग्राफ, एमईजे न्यूमैन, हैंडबुक ऑफ ग्राफ्स एंड नेटवर्क्स, एस बोर्नहोल्ड और एचजी स्कस्टर (एड्स), विले-वीसीएच, बर्लिन (2003) में।

2) जटिल नेटवर्क की संरचना और कार्य, MEJ न्यूमैन, SIAM की समीक्षा 45, 167-256 (2003)


1
बस जिज्ञासु: यह "सामाजिक" नेटवर्क बनाम इंटरनेट के लिए है?
सुरेश वेंकट

मैं यह दूसरा है: सामाजिक नेटवर्क के लिए दृष्टिकोण अत्यधिक उपयोगी होना चाहिए, यह देखते हुए कि इन नेटवर्कों के अधिकांश अध्ययन मूल रूप से नेटवर्क के "सार्वभौमिक" गुणों पर केंद्रित थे, और इसमें तंत्रिका टोपोलॉजी, पावर ग्रिड और सड़क नेटवर्क शामिल थे। इसके अलावा, बाराबासी-अल्बर्ट और वॉट्स-स्ट्रोग्ट्ज नेट, प्रत्येक में ऐसे गुण हैं, जो वास्तविक नेटवर्क में हैं और एर्डोस-रेनी ने उपेक्षा की है, बहुत अच्छी तरह से अध्ययन किया गया है
इलियट जेजे

1
@ सुरेश, दोनों संदर्भों में शामिल उन जटिल नेटवर्क में कंप्यूटर नेटवर्क जैसे कि इंटरनेट और सामाजिक नेटवर्क शामिल हैं।
मोहम्मद अल-तुर्कस्टनी

8

वास्तविक कंप्यूटर नेटवर्क किस परत पर है? इंटरनेट एएस स्तर पर है (यकीनन सबसे ऊपरी स्तर पर), एक छोटी सी दुनिया का नेटवर्क जिसमें कुछ बेहद उच्च डिग्री नोड्स हैं। जैसे-जैसे परतें वास्तविक तारों के करीब पहुँचती हैं, ग्राफ भूगोल से अधिक जुड़ा होता है और सामाजिक परत से कम जुड़ा होता है (सामाजिक एक तरह का गलत शब्द है - क्या यह वास्तव में एक सामाजिक नेटवर्क है जब "मित्र" होने वाली संस्थाएँ बहुराष्ट्रीय निगम हैं?) । चरम मामले में, एक स्थानीय ईथरनेट एक तार्किक पेड़ है जो कि (शायद) तार कनेक्शन के भौतिक पैटर्न का एक सबग्राफ है, और तार कनेक्शन का यह पैटर्न शायद एक पेड़ से बहुत अधिक तार नहीं है।

"रियल कंप्यूटर नेटवर्क" बहुत सारे स्वाद और परतों में आते हैं। उनमें से कुछ सामाजिक नेटवर्क की तरह दिखते हैं, कुछ नहीं। इस बारे में अधिक जानकारी के लिए, मैं आपको अपने शोध प्रबंध के अध्याय 2 का सन्दर्भ देता हूँ - http://home.manhattan.edu/~peter.boothe/thesis.pdf


मुझे मुख्य रूप से भौतिक नेटवर्क (IP लेयर) कहना है। लिंक के लिए धन्यवाद, मैं इसकी जांच करूंगा।
केवह

2
IP लेयर फिजिकल लेयर नहीं है। एमपीएलएस और अन्य सर्किट-स्विचिंग तकनीकें इस धारणा को तोड़ती हैं। भौतिक परत तारों है। हमारे पास मल्टी-वायर लिंक भी हैं जो एकल ईथरनेट हॉप्स प्रतीत होते हैं! "क्या परत" का यह प्रश्न पहले निरीक्षण की तुलना में गहरा है, सुझाव दे सकता है, और सावधानीपूर्वक विचार की आवश्यकता है। मेरा सुझाव है कि आप उन संपत्तियों के बारे में सोचते हैं जो आप चाहते हैं कि नेटवर्क हो, उस परत को ढूंढें जहां टोपोलॉजी विश्लेषण आपको उस संपत्ति का विश्लेषण करने में मदद करेगा, और आशा है कि डेटा उपलब्ध है।
पीटर ब्यूह

7

nयूvβ-/(एलα)एल

वैक्समैन, मल्टीपॉइंट कनेक्शन के रूटिंग , आईईईई जे सेलेक्ट करें। क्षेत्र सांप्रदायिक। 6 (9), 1617-1622, 1988 Zegura, कालवेर्ट, भट्टाचार्य, कैसे इंटर-मॉडल , प्रोक। IEEE इन्फोकॉम '96, 1996।


5

वाल्टर विलिंगर ने मॉडल नेटवर्क के लिए स्केल-फ्री ग्राफ़ के उपयोग पर एक कैरियर बनाया है। उद्धृत करने के लिए बहुत कुछ है, इसलिए मैं आपको उसकी DBLP प्रविष्टि की ओर इशारा करता हूँ । इन मॉडलों में मुख्य बिंदु यह है कि उनके पास "वास्तविक" नेटवर्क के समान गुण हैं जिन्हें जी (एन, पी) द्वारा कब्जा नहीं किया गया है।



5

किसी विशिष्ट मॉडल को मज़बूती से खोजने, न्यायोचित करने और विश्लेषण करने के बजाय, आप चाहते हैं कि आपके पास जो वास्तविक जीवन डेटा है उसका उपयोग करना चाहते हैं (यदि आपके पास कोई है)। इसका मतलब है कि एक सामान्य संभावना मॉडल को परिभाषित करना और अपने डेटा को दिए गए मापदंडों को प्रशिक्षित करना (जैसे अधिकतम संभावना अनुमान)।

उदाहरण के लिए, आप पेड़ों के लिए एक SCFG का वर्णन कर सकते हैं (जैसे एसपी1:(एस)एस|पी2:ε) और संभावनाएँ असाइन करें (पी1,पी2) आपके वास्तविक जीवन डेटा सेट में सापेक्ष घटनाओं के आधार पर, जो एक MLE को काफी लाभ देता है। तुम भी अंदर-बाहर एल्गोरिथ्म का उपयोग कर संभावनाओं को प्रशिक्षित कर सकते हैं। एक बोनस के रूप में, आपके पास अपने मॉडल के लिए एक संक्षिप्त विवरण भी है, जिसका उपयोग विभिन्न प्रकार के विश्लेषणों में किया जा सकता है।

जाहिर है, विशिष्ट व्याकरण (और!) डोमेन ज्ञान का उपयोग कर सकता है। उदाहरण के लिए विचार करें कि स्वाद के लिए डॉवेल, एडी (2004) में आरएनए माध्यमिक संरचना भविष्यवाणी के लिए उपयोग किए जाने वाले विभिन्न व्याकरण ।

वेनबर्ग, नेबेल (2010) में इस तकनीक पर कुछ विवरण प्राप्त करें । मैं नहीं जानता कि कैसे (अच्छी तरह से) यह सामान्य रेखांकन पर लागू किया जा सकता है, हालांकि।

यदि आपको अधिक शक्ति की आवश्यकता है तो आप बहुआयामी (एस) सीएफजी (जैसे सेकी, काटो (2008) ) या लंबाई- / स्थिति-निर्भर एससीजीजी ( वेनबर्ग, नेबेल (2010) ) जैसे सामान ले जा सकते हैं ।


1
यह अच्छा है, लेकिन SCFG के संदर्भ-मुक्त प्रकृति आपके शिक्षार्थी को कुछ वैश्विक संरचना की उपेक्षा करने के लिए मजबूर नहीं करती है जो आपके प्रशिक्षण सेट में नेटवर्क है?
Artem Kaznatcheev

खैर, हाँ, गैर-संदर्भ-मुक्त सुविधाएँ खो जाती हैं। लेकिन ध्यान दें कि (औसत) नोड डिग्री जैसे गुण कैप्चर किए जा सकते हैं। अधिक जानकारी के लिए, मेरा संपादन देखें।
राफेल 10

धन्यवाद! मैं करीब से देखूंगा। हिडन एमडीपी भी औसत डिग्री जैसी संपत्तियों पर कब्जा नहीं कर सकता? ऐसा लगता है कि एक नियमित भाषा को पकड़ने में सक्षम होना चाहिए, या क्या मैं भ्रमित हूं? (इसके अलावा, मामूली बिंदु: वेनबर्ग, नेबेल लिंक में एक अनुगामी चरित्र है जो लिंक को मारता है, यह स्पष्ट है कि आप क्या लिंक चाहते हैं, लेकिन यदि आप अधिक संपादन करते हैं तो यह फिक्सिंग के लायक हो सकता है)।
Artem Kaznatcheev

निश्चित रूप से, मैं सिर्फ यह बताना चाहता था कि आप उस मॉडल का उपयोग करके कुछ वैश्विक विशेषताओं को कवर कर सकते हैं। REG कुछ भी कवर कर सकता है, लेकिन स्वाभाविक रूप से गैर-नियमित संरचनाओं को मॉडल करने में विफल होगा। (धन्यवाद, निश्चित)
राफेल

3

Erdos-Renyi यादृच्छिक रेखांकन का उपयोग करने के साथ समस्या (जी(n,पी) या जी(n,)) यह है कि वे एक पॉइसन डिग्री वितरण का पालन करते हैं, जो उन्हें दूसरे पल प्रदान करता है। "वेब ग्राफ़" या "इंटरनेट ग्राफ़" सहित कई वास्तविक विश्व ग्राफ़, एक डिग्री वितरण के पक्ष में इस डिग्री वितरण का पालन नहीं करते हैं, जिसमें दूसरे पल में अधिक परिवर्तनशीलता है। मेरी राय में, सबसे बड़ा अंतर बिजली कानून की डिग्री वितरण है जो उनमें से कई हैं। उदाहरण के लिए रैंडम नेटवर्क में स्केलिंग का उभरना देखें ।

जैसा कि आप शायद जानते हैं, वर्ल्ड वाइड वेब के लिए कनेक्टिविटी ग्राफ के बीच अंतर दिखाई देता है और इंटरनेट इन्फ्रास्ट्रक्चर के लिए कनेक्टिविटी ग्राफ का विरोध करता है। मैं निश्चित रूप से एक विशेषज्ञ होने का दावा नहीं करता, लेकिन मैंने ली, एल्डर्सन, तनाका, डॉयल और विलिंगर्स के पेपर "टुवर्ड्स ऑफ़ स्केल-फ्री ग्राफ़्स: डेफिनिशन, प्रॉपर्टीज़, एंड इम्प्लीकेशन्स" देखा है, जो एक 'एस-मेट्रिक का परिचय देते हैं। ग्राफ के 'स्केल-फ़्रीनेस' को मापने के लिए ( स्केल-फ़्री ग्राफ़ की परिभाषा के साथ अभी तक बहस के तहत जहां तक ​​मुझे पता है) कि ग्राफ़ मॉडल का दावा है कि ऐसे ग्राफ़ बनाता है जो एक राउटर पर इंटरनेट कनेक्टिविटी के समान हैं स्तर।

यहाँ कुछ और जेनेरिक मॉडल हैं जो रुचि के हो सकते हैं:

बर्जर, बोर्ग्स, चैयस, डिसूजा और क्लेनबर्ग का पेपर "प्रतियोगिता-प्रेरित पसंदीदा अधिवास"

कार्लसन और डॉयल के अत्यधिक अनुकूलित सहिष्णुता: डिज़ाइन किए गए सिस्टम में पावर लॉ के लिए एक तंत्र

मोलॉइड और रीड के रैंडम ग्राफ़ के लिए एक क्रिटिकल पॉइंट के साथ एक दिया डिग्री सीक्वेंस जो "मिटाया मॉडल" का परिचय देता है

बढ़ते नेटवर्क में न्यूमैन का क्लस्टरिंग और तरजीही लगाव (जिसका उल्लेख पहले ही किया जा चुका है)

कोई भी स्पष्ट रूप से एक डिग्री वितरण उत्पन्न कर सकता है और इस तरह से एक ग्राफ़ बना सकता है, लेकिन यह मेरे लिए स्पष्ट नहीं है कि राउटर स्तर पर यह इंटरनेट ग्राफ़ को कैसे बंद करता है।

बेशक, इस विषय पर बहुत अधिक साहित्य है और मैंने केवल हाइलाइट्स में से कुछ (जो मैं मानता हूं) दिया है।

जहां तक ​​मैं समझता हूं, कई परिणाम जो यादृच्छिक रेखांकन के एर्दोस-रेनी मॉडल के लिए काम करते थे (जी(n,पी) या जी(n,)) ठीक से काम नहीं करते हैं क्योंकि स्केल-फ्री या पावर लॉ की डिग्री डिस्ट्रीब्यूशन में दूसरे पल डायवर्जन करते हुए रैंडम ग्राफ वितरित करती है। मैं इस विषय के बारे में पर्याप्त रूप से जानने का दावा नहीं करता कि स्पष्ट रूप से "सबसे" प्रमाणों के बारे में दावे किए जा सकते हैं, लेकिन मैंने जो देखा है, एर्डोस-रेनी के यादृच्छिक ग्राफ़ पर गुणों के लिए सबूतों की पहली कुछ पंक्तियों में से एक स्पष्ट रूप से एक परिमित मानता है डिग्री वितरण में दूसरा पल। मेरे दृष्टिकोण से, यह समझ में आता है कि एक परिमित दूसरे क्षण के रूप में एर्दोस-रेनी ग्राफ़ को स्थानीय रूप से अधिक वृक्षों की तरह बनाता है (देखें मर्टेंस और मोंटानारी की सूचना, भौतिकी और अभिकलन) जो प्रभावी रूप से गुण / पथ / संरचना को स्वतंत्रता देता है। चूँकि पावर-लॉ डिग्री वितरित रैंडम ग्राफ़ में एक दूसरे पल का परिवर्तन होता है, इसलिए यह स्थानीय पेड़ जैसी संरचना नष्ट हो जाती है (और इस तरह अलग-अलग प्रूफ तकनीक?)। मुझे इस अंतर्ज्ञान को अमान्य होने पर खुशी होगी यदि कोई अधिक ज्ञान या अंतर्दृष्टि के साथ यह दिखाने के लिए था कि ऐसा क्यों नहीं है।

उम्मीद है की वो मदद करदे।


3

हालाँकि यह एक पुराना विषय है जिसका मैं जवाब दे रहा हूँ क्योंकि बहुत से लोग हैं जो अभी भी ऐसे पोस्ट पर जाते हैं। मैं एक और उत्तर में एक टिप्पणी से प्रेरित हूं।

बाराबासी-अल्बर्ट मॉडल और अन्य मॉडल जो स्केल-फ्री ग्राफ़ का उत्पादन करते हैं, उन्हें रूटर स्तर पर और स्वायत्त-सिस्टम स्तर पर इंटरनेट को मॉडल करने का प्रस्ताव दिया गया है। हालांकि शुरू में ऐसे मॉडल जहां सटीक माना जाता था, यह पता चला कि हमारे पास सभी लिंक की खोज में कठिनाइयों के कारण इंटरनेट टोपोलॉजी की पूरी छवि नहीं है। हालांकि यह माना जाता है कि यह भारी पूंछ है, यह प्रगति में बहुत काम आता है।

आपके संदर्भ के लिए आप पढ़ सकते हैं: आरजी क्लेग, सी डि कैरानो-गिलफेडर, एस झोउ, इंटरनेट के पावर लॉ मॉडलिंग पर एक महत्वपूर्ण नज़र


2

रैंडम ग्राफ के बारे में कई किताबें हैं, जैसे बोल्लोबेस बुक और छोटे-दुनिया के कई मॉडल जैसे कि विकिपीडिया की कड़ी या तरजीही लगाव की विकिपीडिया की कड़ी , कंप्यूटर नेटवर्क के बीच छोटी दूरी के साथ नेटवर्क नेटवर्क या पावर डिस्ट्रिब्यूशन के बाद वितरण के लिए। , क्रमशः।

मुझे लगता है कि एक वास्तविक कंप्यूटर नेटवर्क को मॉडल करने का कोई आसान तरीका नहीं है, लेकिन मुझे पूरा यकीन है कि जी (एन, पी) इसे बहुत अच्छी तरह से मॉडल नहीं करेगा। जब तक आप बहुत विशिष्ट संगठित नेटवर्क के साथ काम नहीं कर रहे हैं।


2

मेरी सिफारिश आर-मेट यादृच्छिक ग्राफ जनरेटर के अन्वेषकों द्वारा लिखित सर्वेक्षण पत्र है। http://portal.acm.org/citation.cfm?id=1132954

आर-मेट यादृच्छिक ग्राफ जनरेटर बहुत सरल और व्यापक रूप से उपयोग किया जाता है। उदाहरण के लिए, यह जनरेटर ग्राफ 500 बेंचमार्क ( http://www.graph500.org/ ) में अपनाया गया है ।

हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.