ডিএজি রান কনফিগারেশন

Alice Dupont

বৃহস্পতিবার, ১৩ ফেব্রুয়ারী, ২০২৫ ৫:৩৫:০০ PM

বায়ুপ্রবাহে গতিশীল টাস্ক নির্ভরতাগুলির শক্তি আনলক করা
অ্যাপাচি এয়ারফ্লো একটি শক্তিশালী ওয়ার্কফ্লো অটোমেশন সরঞ্জাম, তবে গতিশীল নির্ভরতাগুলি পরিচালনা করা কখনও কখনও ধাঁধা সমাধানের মতো অনুভব করতে পারে। একটি নির্দেশিত অ্যাসাইক্লিক গ্রাফ (ডিএজি) ডিজাইন করার সময়, হার্ডকোডিং টাস্ক সিকোয়েন্সগুলি সাধারণ ব্যবহারের ক্ষেত্রে কাজ করতে পারে, তবে যদি রানটাইমে কাঠামোটি নির্ধারণ করা দরকার? 🤔
কল্পনা করুন যে আপনি কোনও ডেটা পাইপলাইনে কাজ করছেন যেখানে কার্যকর করা কাজগুলি আগত ডেটার উপর নির্ভর করে। উদাহরণস্বরূপ, একটি দৈনিক কনফিগারেশনের উপর ভিত্তি করে ফাইলগুলির বিভিন্ন সেট প্রক্রিয়াজাতকরণ বা ব্যবসায়ের নিয়মের ভিত্তিতে ভেরিয়েবল ট্রান্সফর্মেশনগুলি সম্পাদন করা। এই জাতীয় ক্ষেত্রে, একটি স্ট্যাটিক ডিএজি এটি কাটবে না - আপনার গতিশীলভাবে নির্ভরতা সংজ্ঞায়িত করার জন্য একটি উপায় প্রয়োজন।
এটি ঠিক যেখানে এয়ারফ্লো এর গেম-চেঞ্জার হতে পারে। কোনও ডিএজি ট্রিগার করার সময় একটি কনফিগারেশন ডিকশনারি পাস করে আপনি গতিশীলভাবে টাস্ক সিকোয়েন্সগুলি তৈরি করতে পারেন। যাইহোক, এটি একটি কাঠামোগত উপায়ে বাস্তবায়নের জন্য এয়ারফ্লোর এক্সিকিউশন মডেলটির গভীর বোঝার প্রয়োজন।
এই নিবন্ধে, আমরা কীভাবে একটি গতিশীল ডিএজি তৈরি করতে পারি যেখানে টাস্ক নির্ভরতাগুলি রানটাইম ব্যবহার করে নির্ধারিত হয় তা অনুসন্ধান করব । আপনি যদি এটি অর্জনের জন্য লড়াই করে যাচ্ছেন এবং একটি পরিষ্কার সমাধান খুঁজে না পেয়ে থাকেন তবে চিন্তা করবেন না - আপনি একা নন! ব্যবহারিক উদাহরণ সহ ধাপে ধাপে এটিকে ভেঙে দিন। 🚀

কমান্ড ব্যবহারের উদাহরণ

dag_run.conf ডিএজি রান ট্রিগার করার সময় গতিশীল কনফিগারেশন মানগুলি পুনরুদ্ধার করার অনুমতি দেয়। রানটাইম প্যারামিটারগুলি পাস করার জন্য প্রয়োজনীয়।

PythonOperator এয়ারফ্লোতে এমন একটি কাজ সংজ্ঞায়িত করে যা একটি পাইথন ফাংশন সম্পাদন করে, একটি ডিএজি -র ভিতরে নমনীয় এক্সিকিউশন লজিককে অনুমতি দেয়।

set_upstream() স্পষ্টভাবে কার্যগুলির মধ্যে একটি নির্ভরতা সংজ্ঞায়িত করে, এটি নিশ্চিত করে যে একটি টাস্ক অন্য একের কাজ শেষ হওয়ার পরে কার্যকর করে।

@dag আরও পাইথোনিক এবং কাঠামোগত উপায়ে ডিএজিগুলি সংজ্ঞায়িত করতে টাস্কফ্লো এপিআই দ্বারা সরবরাহিত একটি সাজসজ্জা।

@task টাস্কফ্লো এপিআই ব্যবহার করে এয়ারফ্লোতে কার্যগুলি সংজ্ঞায়িত করার অনুমতি দেয়, টাস্ক তৈরি এবং ডেটা পাসিংকে সহজতর করে।

override(task_id=...) একক ফাংশন থেকে একাধিক কাজ ইনস্ট্যান্ট করার সময় কোনও টাস্কের আইডি গতিশীলভাবে সংশোধন করতে ব্যবহৃত হয়।

extract_elements(dag_run=None) একটি ফাংশন যা DAG_RUN.Conf অভিধান থেকে গতিশীলভাবে কার্য সম্পাদন কনফিগার করতে মানগুলি বের করে।

schedule_interval=None নিশ্চিত করে যে কোনও নির্দিষ্ট সময়সূচীতে চলার পরিবর্তে ম্যানুয়ালি ট্রিগার করা হলে ডিএজি কেবল কার্যকর করা হয়।

op_args=[element] একটি পাইথোনোপারেটর টাস্কে গতিশীল যুক্তিগুলি পাস করে, প্রতি টাস্ক উদাহরণে বিভিন্ন মৃত্যুদন্ড কার্যকর করে।

catchup=False রিয়েল-টাইম কনফিগারেশনের জন্য দরকারী কোনও বিরতি দেওয়ার পরে শুরু হওয়ার পরে সমস্ত মিসড ডিএজি মৃত্যুদণ্ড কার্যকর করা থেকে এয়ারফ্লোকে বাধা দেয়।

কমান্ড	ব্যবহারের উদাহরণ
dag_run.conf	ডিএজি রান ট্রিগার করার সময় গতিশীল কনফিগারেশন মানগুলি পুনরুদ্ধার করার অনুমতি দেয়। রানটাইম প্যারামিটারগুলি পাস করার জন্য প্রয়োজনীয়।
PythonOperator	এয়ারফ্লোতে এমন একটি কাজ সংজ্ঞায়িত করে যা একটি পাইথন ফাংশন সম্পাদন করে, একটি ডিএজি -র ভিতরে নমনীয় এক্সিকিউশন লজিককে অনুমতি দেয়।
set_upstream()	স্পষ্টভাবে কার্যগুলির মধ্যে একটি নির্ভরতা সংজ্ঞায়িত করে, এটি নিশ্চিত করে যে একটি টাস্ক অন্য একের কাজ শেষ হওয়ার পরে কার্যকর করে।
@dag	আরও পাইথোনিক এবং কাঠামোগত উপায়ে ডিএজিগুলি সংজ্ঞায়িত করতে টাস্কফ্লো এপিআই দ্বারা সরবরাহিত একটি সাজসজ্জা।
@task	টাস্কফ্লো এপিআই ব্যবহার করে এয়ারফ্লোতে কার্যগুলি সংজ্ঞায়িত করার অনুমতি দেয়, টাস্ক তৈরি এবং ডেটা পাসিংকে সহজতর করে।
override(task_id=...)	একক ফাংশন থেকে একাধিক কাজ ইনস্ট্যান্ট করার সময় কোনও টাস্কের আইডি গতিশীলভাবে সংশোধন করতে ব্যবহৃত হয়।
extract_elements(dag_run=None)	একটি ফাংশন যা DAG_RUN.Conf অভিধান থেকে গতিশীলভাবে কার্য সম্পাদন কনফিগার করতে মানগুলি বের করে।
schedule_interval=None	নিশ্চিত করে যে কোনও নির্দিষ্ট সময়সূচীতে চলার পরিবর্তে ম্যানুয়ালি ট্রিগার করা হলে ডিএজি কেবল কার্যকর করা হয়।
op_args=[element]	একটি পাইথোনোপারেটর টাস্কে গতিশীল যুক্তিগুলি পাস করে, প্রতি টাস্ক উদাহরণে বিভিন্ন মৃত্যুদন্ড কার্যকর করে।
catchup=False	রিয়েল-টাইম কনফিগারেশনের জন্য দরকারী কোনও বিরতি দেওয়ার পরে শুরু হওয়ার পরে সমস্ত মিসড ডিএজি মৃত্যুদণ্ড কার্যকর করা থেকে এয়ারফ্লোকে বাধা দেয়।

এয়ারফ্লোতে রানটাইম কনফিগারেশন সহ গতিশীল ডিএজিএস বিল্ডিং

অ্যাপাচি এয়ারফ্লো জটিল কর্মপ্রবাহকে অর্কেস্টেটিংয়ের জন্য একটি শক্তিশালী সরঞ্জাম, তবে এর সত্য শক্তি তার নমনীয়তার মধ্যে রয়েছে। পূর্বে উপস্থাপিত স্ক্রিপ্টগুলি কীভাবে তৈরি করবেন তা প্রমাণ করে যেখানে টাস্ক নির্ভরতাগুলি রানটাইম ব্যবহার করে নির্ধারিত হয় । প্রক্রিয়া করার জন্য উপাদানগুলির তালিকাটি হার্ডকোডিংয়ের পরিবর্তে, ডিএজি ট্রিগার করার সময় তাদের গতিশীলভাবে পুনরুদ্ধার করে, আরও অভিযোজিত কর্মপ্রবাহের জন্য অনুমতি দেয়। এটি রিয়েল-ওয়ার্ল্ড দৃশ্যে বিশেষত কার্যকর যেমন ভেরিয়েবল ডেটাসেটগুলি প্রক্রিয়াজাতকরণ বা বাহ্যিক অবস্থার উপর ভিত্তি করে নির্দিষ্ট কাজগুলি সম্পাদন করা। এমন একটি ইটিএল পাইপলাইন কল্পনা করুন যেখানে ফাইলগুলি প্রতিদিনের পরিবর্তনের প্রক্রিয়া করতে পারে - এই পদ্ধতির অটোমেশনকে আরও সহজ করে তোলে। 🚀

প্রথম স্ক্রিপ্ট ব্যবহার করে কার্য সম্পাদন এবং গতিশীলভাবে নির্ভরতা সেট করতে। এটি থেকে উপাদানগুলির তালিকা বের করে , প্রয়োজন তখনই কাজগুলি তৈরি করা হয় তা নিশ্চিত করে। তালিকার প্রতিটি উপাদান একটি অনন্য কার্য হয়ে যায় এবং নির্ভরতাগুলি ক্রমানুসারে সেট করা হয়। দ্বিতীয় পদ্ধতির উত্তোলন , যা সাজসজ্জার সাথে ডাগ সৃষ্টিকে সহজতর করে @ড্যাগ এবং । এই পদ্ধতিটি ডিএজিটিকে আরও পঠনযোগ্য করে তোলে এবং ক্লিনার এক্সিকিউশন লজিক বজায় রাখে। এই পদ্ধতিগুলি নিশ্চিত করে যে ওয়ার্কফ্লোগুলি কোড পরিবর্তনের প্রয়োজন ছাড়াই বিভিন্ন কনফিগারেশনের সাথে খাপ খাইয়ে নিতে পারে।

উদাহরণস্বরূপ, এমন একটি দৃশ্য বিবেচনা করুন যেখানে একটি ই-বাণিজ্য সংস্থা ব্যাচগুলিতে অর্ডারগুলি প্রক্রিয়া করে। কিছু দিনের মধ্যে অন্যদের তুলনায় আরও জরুরি অর্ডার থাকতে পারে, বিভিন্ন টাস্ক সিকোয়েন্সের প্রয়োজন হয়। স্ট্যাটিক ডিএজি ব্যবহারের অর্থ প্রতিবার অগ্রাধিকার পরিবর্তনের সময় কোডটি সংশোধন করা। আমাদের গতিশীল ডিএজি পদ্ধতির সাথে, একটি বাহ্যিক সিস্টেম প্রক্রিয়াটিকে আরও দক্ষ করে তোলে, একটি নির্দিষ্ট টাস্ক সিকোয়েন্স দিয়ে ডিএজি ট্রিগার করতে পারে। আর একটি ব্যবহারের কেসটি ডেটা সায়েন্সে রয়েছে, যেখানে আগত ডেটা বিতরণের ভিত্তিতে মডেলগুলিকে পুনরায় প্রশিক্ষণের প্রয়োজন হতে পারে। গতিশীলভাবে প্রয়োজনীয় মডেল কনফিগারেশনগুলি পাস করে, কেবল প্রয়োজনীয় গণনাগুলি কার্যকর করা হয়, সময় এবং সংস্থানগুলি সংরক্ষণ করে। 🎯

সংক্ষেপে, এই স্ক্রিপ্টগুলি রানটাইম ইনপুটগুলির উপর ভিত্তি করে গতিশীলভাবে ডিএজি তৈরি করার জন্য একটি ভিত্তি সরবরাহ করে। লিভারিং দ্বারা বা traditional তিহ্যবাহী পাইথনোপারেটর পদ্ধতির, বিকাশকারীরা নমনীয়, মডুলার এবং দক্ষ কর্মপ্রবাহ তৈরি করতে পারে। এটি ম্যানুয়াল হস্তক্ষেপের প্রয়োজনীয়তা দূর করে এবং অন্যান্য অটোমেশন সিস্টেমগুলির সাথে বিরামবিহীন সংহতকরণের অনুমতি দেয়। গ্রাহকের অর্ডারগুলি প্রক্রিয়াজাতকরণ, ডেটা পাইপলাইন পরিচালনা করা, বা ক্লাউড ওয়ার্কফ্লোকে অর্কেস্ট্রেটিং, গতিশীল ডিএজিগুলি নির্দিষ্ট ব্যবসায়ের প্রয়োজন অনুসারে স্মার্ট অটোমেশন সক্ষম করে।

রানটাইম কনফিগারেশন সহ এয়ারফ্লোতে গতিশীল টাস্ক সিকোয়েন্সিং বাস্তবায়ন

অ্যাপাচি এয়ারফ্লো ব্যবহার করে পাইথন-ভিত্তিক ব্যাকএন্ড অটোমেশন

from airflow import DAG
from airflow.operators.python import PythonOperator
from airflow.utils.dates import days_ago
from airflow.models import DagRun
import json
# Define default args
default_args = {
    'owner': 'airflow',
    'depends_on_past': False,
    'start_date': days_ago(1),
}
# Function to process each element
def process_element(element, kwargs):
    print(f"Processing element: {element}")
# Define DAG
dag = DAG(
    'dynamic_task_dag',
    default_args=default_args,
    schedule_interval=None,
)
# Extract elements from dag_run.conf
def generate_tasks(kwargs):
    conf = kwargs.get('dag_run').conf or {}
    elements = conf.get('elements', [])
    task_list = []
    for i, group in enumerate(elements):
        for j, element in enumerate(group):
            task_id = f"process_element_{i}_{j}"
            task = PythonOperator(
                task_id=task_id,
                python_callable=process_element,
                op_args=[element],
                dag=dag,
            )
            task_list.append(task)
    return task_list
# Generate dynamic tasks
tasks = generate_tasks()
# Define dependencies dynamically
for i in range(len(tasks) - 1):
    tasks[i + 1].set_upstream(tasks[i])

বিকল্প পদ্ধতির: আরও ভাল পঠনযোগ্যতার জন্য টাস্কফ্লো এপিআই ব্যবহার করা

এয়ারফ্লো এর টাস্কফ্লো এপিআই ব্যবহার করে আধুনিক পাইথন পদ্ধতির

from airflow.decorators import dag, task
from datetime import datetime
# Define DAG
@dag(schedule_interval=None, start_date=datetime(2025, 1, 28), catchup=False)
def dynamic_taskflow_dag():
    @task
    def process_element(element: str):
        print(f"Processing {element}")
    @task
    def extract_elements(dag_run=None):
        conf = dag_run.conf or {}
        return conf.get('elements', [])
    elements = extract_elements()
    task_groups = [[process_element(element) for element in group] for group in elements]
    # Define dependencies dynamically
    for i in range(len(task_groups) - 1):
        for upstream_task in task_groups[i]:
            for downstream_task in task_groups[i + 1]:
                downstream_task.set_upstream(upstream_task)
dynamic_taskflow_dag()

বায়ুপ্রবাহে শর্তসাপেক্ষ সম্পাদনের সাথে গতিশীল টাস্ক সিকোয়েন্সিং বাড়ানো

একটি শক্তিশালী এখনও প্রায়শই উপেক্ষা করা বৈশিষ্ট্য শর্তাধীন সম্পাদন, যা গতিশীল টাস্ক সিকোয়েন্সিংয়ের নমনীয়তাটিকে আরও উন্নত করতে পারে। টাস্ক নির্ভরতা পুনরুদ্ধার করার সময় দরকারী, বাস্তব-বিশ্বের পরিস্থিতিগুলি প্রায়শই নির্দিষ্ট শর্তগুলির ভিত্তিতে কেবলমাত্র নির্দিষ্ট কিছু কাজ সম্পাদন করার প্রয়োজন হয়। উদাহরণস্বরূপ, কিছু ডেটাসেটের বিশ্লেষণের আগে প্রিপ্রোসেসিংয়ের প্রয়োজন হতে পারে, আবার অন্যরা সরাসরি প্রক্রিয়া করা যায়।

এয়ারফ্লোতে শর্তসাপেক্ষ সম্পাদন ব্যবহার করে প্রয়োগ করা যেতে পারে , যা পূর্বনির্ধারিত যুক্তির ভিত্তিতে কার্যকর করার জন্য পরবর্তী কাজটি নির্ধারণ করে। ধরুন আমাদের কাছে একটি গতিশীল ডিএজি রয়েছে যা ফাইলগুলি প্রক্রিয়া করে তবে কেবলমাত্র একটি নির্দিষ্ট আকারের উপরে ফাইলগুলির বৈধতা প্রয়োজন। ধারাবাহিকভাবে সমস্ত কার্য সম্পাদন করার পরিবর্তে, আমরা কোন কাজগুলি চালাতে হবে, কার্যকরকরণের সময়কে অনুকূলকরণ এবং সংস্থান ব্যবহার হ্রাস করার জন্য গতিশীলভাবে সিদ্ধান্ত নিতে পারি। এই পদ্ধতির বিষয়টি নিশ্চিত করে যে কেবলমাত্র প্রাসঙ্গিক কর্মপ্রবাহগুলি ট্রিগার করা হয়েছে, ডেটা পাইপলাইনগুলিকে আরও দক্ষ করে তোলে। 🚀

ডায়নামিক ডিএজিগুলি বাড়ানোর আরেকটি উপায় হ'ল অন্তর্ভুক্ত করে (ক্রস-যোগাযোগের বার্তা)। এক্সকোমগুলি কার্যগুলি ডেটা বিনিময় করতে দেয়, যার অর্থ একটি গতিশীলভাবে তৈরি টাস্ক সিকোয়েন্সটি পদক্ষেপের মধ্যে তথ্য পাস করতে পারে। উদাহরণস্বরূপ, একটি ইটিএল পাইপলাইনে, একটি প্রাক -প্রসেসিং টাস্ক প্রয়োজনীয় রূপান্তরগুলি নির্ধারণ করতে পারে এবং সেই বিবরণগুলি পরবর্তী কার্যগুলিতে পাস করতে পারে। এই পদ্ধতিটি সত্যিকারের ডেটা-চালিত ওয়ার্কফ্লোগুলিকে সক্ষম করে, যেখানে বাস্তবায়ন প্রবাহ রিয়েল-টাইম ইনপুটগুলির উপর ভিত্তি করে অভিযোজিত হয়, অটোমেশন ক্ষমতাগুলি উল্লেখযোগ্যভাবে বৃদ্ধি করে।

কি জন্য ব্যবহৃত?
এটি কোনও ডিএজি ট্রিগার করার সময়, কর্মপ্রবাহকে আরও নমনীয় করে তোলার সময় রানটাইমে কনফিগারেশন প্যারামিটারগুলি পাস করার অনুমতি দেয়।
আমি কীভাবে গতিশীলভাবে বায়ু প্রবাহে কাজগুলি তৈরি করতে পারি?
আপনি একটি এর একাধিক উদাহরণ ইনস্ট্যান্ট করতে একটি লুপ ব্যবহার করতে পারেন বা ব্যবহার করুন টাস্কফ্লো এপিআইতে সাজসজ্জা।
ব্যবহারের সুবিধা কী ?
এটি শর্তসাপেক্ষ সম্পাদন সক্ষম করে, ডিএজিগুলিকে পূর্বনির্ধারিত যুক্তির উপর ভিত্তি করে বিভিন্ন পাথ অনুসরণ করতে দেয়, দক্ষতার উন্নতি করে।
কিভাবে ডায়নামিক ডিএজিএস বাড়ান?
এক্সকোমগুলি পরবর্তী কাজগুলি পূর্ববর্তী পদক্ষেপগুলি থেকে প্রাসঙ্গিক তথ্য গ্রহণ করে তা নিশ্চিত করে কার্যগুলি ডেটা ভাগ করার অনুমতি দেয়।
আমি কি গতিশীলভাবে নির্ভরতা সেট করতে পারি?
হ্যাঁ, আপনি ব্যবহার করতে পারেন এবং একটি ডিএজি -র মধ্যে গতিশীলভাবে নির্ভরতা সংজ্ঞায়িত করার পদ্ধতিগুলি।

বাস্তবায়ন এয়ারফ্লোতে ওয়ার্কফ্লো অটোমেশনকে উল্লেখযোগ্যভাবে বাড়ায়, এটি পরিবর্তনের প্রয়োজনীয়তার সাথে অভিযোজিত করে তোলে। রানটাইম কনফিগারেশনগুলি উপকারের মাধ্যমে, বিকাশকারীরা স্ট্যাটিক ডিএজি সংজ্ঞাগুলি এড়াতে এবং পরিবর্তে নমনীয়, ডেটা-চালিত পাইপলাইন তৈরি করতে পারে। এই পদ্ধতির পরিবেশগুলিতে বিশেষত মূল্যবান যেখানে রিয়েল-টাইম ইনপুট যেমন আর্থিক প্রতিবেদন বা মেশিন লার্নিং মডেল প্রশিক্ষণের ভিত্তিতে কাজগুলি সংজ্ঞায়িত করা দরকার। 🎯

সংহত করে , শর্তসাপেক্ষ সম্পাদন এবং নির্ভরতা পরিচালনা, দলগুলি স্কেলযোগ্য এবং দক্ষ কর্মপ্রবাহ তৈরি করতে পারে। ই-কমার্স লেনদেনগুলি প্রক্রিয়াজাতকরণ, ক্লাউড-ভিত্তিক ডেটা ট্রান্সফর্মেশন পরিচালনা করা, বা অর্কেস্ট্রেটিং জটিল ব্যাচের কাজগুলি, এয়ারফ্লোর গতিশীল ডিএজি ক্ষমতাগুলি একটি অনুকূলিত এবং স্বয়ংক্রিয় সমাধান সরবরাহ করে কিনা। এই কৌশলগুলিতে বিনিয়োগ করা ম্যানুয়াল হস্তক্ষেপ হ্রাস করার সময় ব্যবসায়গুলিকে অপারেশনগুলি সহজতর করার অনুমতি দেয়।

অ্যাপাচি এয়ারফ্লো ডকুমেন্টেশন - ডিএজি কনফিগারেশন এবং রানটাইম প্যারামিটারগুলিতে বিশদ অন্তর্দৃষ্টি: অ্যাপাচি এয়ারফ্লো অফিসিয়াল ডক্স
ডায়নামিক ড্যাগ তৈরির উপর মাঝারি নিবন্ধ - ব্যবহারের জন্য গাইড গতিশীল টাস্ক সিকোয়েন্সিংয়ের জন্য: মাঝারি: এয়ারফ্লোতে গতিশীল ডাগ
স্ট্যাক ওভারফ্লো আলোচনা - ইনপুট কনফিগারেশনের উপর ভিত্তি করে গতিশীলভাবে ডিএজি তৈরি করার জন্য সম্প্রদায় সমাধান: স্ট্যাক ওভারফ্লো থ্রেড
ডেটা ইঞ্জিনিয়ারিং ব্লগ - স্কেলযোগ্য এয়ারফ্লো ওয়ার্কফ্লো ডিজাইনের জন্য সেরা অনুশীলন: ডেটা ইঞ্জিনিয়ারিং ব্লগ

ডিএজি রান কনফিগারেশন ব্যবহার করে এয়ারফ্লোতে গতিশীল টাস্ক সিকোয়েন্সগুলি তৈরি করা

এয়ারফ্লোতে রানটাইম কনফিগারেশন সহ গতিশীল ডিএজিএস বিল্ডিং

রানটাইম কনফিগারেশন সহ এয়ারফ্লোতে গতিশীল টাস্ক সিকোয়েন্সিং বাস্তবায়ন

বিকল্প পদ্ধতির: আরও ভাল পঠনযোগ্যতার জন্য টাস্কফ্লো এপিআই ব্যবহার করা

বায়ুপ্রবাহে শর্তসাপেক্ষ সম্পাদনের সাথে গতিশীল টাস্ক সিকোয়েন্সিং বাড়ানো