Обработка данных на параллельных вычислительных комплексах

• Автор: Карпов, Андрей Николаевич
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2006
• Место защиты: Тула
• Количество страниц: 154 с. : ил.

Введение

Глава 1. Параллельные алгоритмы обработки данных

1.1. История развития многопроцессорных комплексов и параллельных вычислений.

1.2. Использование многопроцессорных систем

1.3. Параллелизм в задачах численного моделирования.

1.3.1. Статистическая и динамическая балансировка

1.3.2. Параллелизм типа коллективного решения.

1.3.3. Г еометрический параллелизм

1.3.4. Проблемы распараллеливания при решении сложных задач численного моделирования

1.3.4.1. Проблема распараллеливания на примере моделирования задачи горения.

1.3.4.2. Распараллеливание счетной модели в задачах горения

1.3.4.3. Формальная постановка задачи
1.4. Эффективность параллельной программы.
1.4.1. Понятие эффективной параллельной программы
1.4.2. Свойства идеальной параллельной программы
1.4.3. Адаптации программ к архитектуре параллельных компьютеров.
1.5. Проблемы отладки и мониторинга.
1.6. Научная визуализация параллельных вычислений.
1.6.1. Краткая история развития визуализации
1.6.2. Проблемы визуализации в параллельных вычислениях
1.6.3. Сложности образного представления абстрактных
данных.
1.6.4. Спецификации графического вывода
1.6.5. i визуализация параллельных вычислений
Глава 2. Подходы к реализации параллельных алгоритмов и систем визуализации.
2.1. Моделирование объектов распараллеливания
2.1.1. Уровни декомпозиции объектов распараллеливания
2.1.2. Возможность распараллеливания объектов в алгоритмах численного моделирования
2.2. Геометрический параллелизм
2.3. Распределение нагрузки между процессорами.
2.3.1. Независимые вычисления одинаковой трудности на гомогенных процессорах.
2.3.2. Независимые вычисления одинаковой трудности на гетерогенных процессорах.
2.3.3. Независимые вычисления различной трудности на гомогенных процессорах.
2.3.4. Независимые вычисления различной трудности на гетерогенных процессорах.
2.3.5. Зависимые вычисления одинаковой трудности на гомогенных процессорах
2.3.6. Зависимые вычисления одинаковой трудности на гетерогенных процессорах
2.3.7. Зависимые вычисления различной трудности на гомогенных процессорах.
2.3.8. Зависимые вычисления различной трудности на гетерогенных процессорах.
2.4. Выбор механизма визуализации в реальном времени на
параллельных вычислительных комплексах.
2.4.1. Визуализация на выделенном узле.
2.4.2. Последовательная визуализация на выделенном узле .
2.4.3. Визуализация на счетных узлах.
2.4.4. Визуализация с предварительной обработкой данных
на счтных узлах.
2.5. Модульная архитектура визуализатора.
Глава 3. Реализации параллельных алгоритмов математического моделирования и визуализации.
3.1. Сохранение и восстановление состояния расчта.
3.2. Синхронизация узлов в процессе расчета
3.3. Механизм динамической балансировки на основе статистики
3.4. Предобработка и выборка данных с вычислительных узлов .
3.5. Отображение результатов расчета.
3.5.1. Модульная архитектура визуализатора.
3.5.2. Архитектура модели передачи и преобразования данных
3.5.3. Поддержка внешних источников данных.
3.6. Средства разработки.
3.6.1. Язык программирования .
3.6.2. Библиотека I
3.6.3. Протокол I
3.6.4. Модель компонентных объектов СОМ.
Глава 4. Результаты использования предложенных решений.
4.1. Характеристики разработанных программных средств
4.1.1. Масштабируемость.
4.1.2 Поддержка аппаратных платформ и операционных систем.
4.1.3. Взаимодействие с внешними источниками данных
4.2. Решение практической задачи численного моделирования.
4.2.1. Цель практического исследования .
4.2.2. Оценка возможности расчета практической задачи
4.2.3. Исходные данные практической задачи
4.2.4. Выходные данные практической задачи.
4.2.5. Результаты решения практической задачи и выводы
Заключение.
Библиографические список использованной литературы
Введение


Однако обработка дискретных моделей в вычислительной практике связана с огромными затратами, которые характеризуются не только большим объемом используемой памяти, но и значительно большим временем обработки огромных числовых массивов математическими и графическими функциями. По этой причине практическое решение многих задач стало возможно только благодаря созданию многопроцессорных вычислительных систем. Современные вычислительные установки суперЭВМ, позволяют существенно расширить фронт научных и научнотехнических разработок. СуперЭВМ это многопроцессорные вычислительные системы с максимальной производительностью и максимальным объемом оперативной и дисковой памяти в совокупности со специализированным программным обеспечением, с помощью которого этой системой можно эффективно пользоваться. Многопроцессорные вычислительные системы позволяют разрешить проблемы, возникающие при использовании однопроцессорных компьютеров. Это находит свое отражение, как в расчетном времени, так и в качестве визуализации состояния численной модели в процессе получения промежуточного результата глобального исследования. СуперЭВМ могут быть использованы для решения задач прогнозирования, проектирования, распознавания и синтеза, поэтому они становятся незаменимыми помощниками при решении задач во многих сферах научной деятельности , которые, в свою очередь, диктуются все более усложняющимися запросами практики, а также попытками создания более рациональных общих теоретических моделей для изучения сложных физических и иных явлений. Следует отметить, что при этом накапливается огромный информационный потенциал, поддерживаемый базами данных, управление которыми также может базироваться на применении суперЭВМ. Исследовательские программные комплексы могут быть предназначены как для изучения математических моделей, так и для получения на их основе конкретных научных решений. Реализация таких программ на суперЭВМ позволяет проводить работу по моделированию условий эксплуатации исследуемого объекта, а также предоставлять в достаточном количестве визуальную информацию о состоянии исследуемой системы. Такие наработки заменяют дорогостоящие натурные эксперименты. Использование многопроцессорных систем требует новых подходов к процессу программирования исследовательских комплексов. Следует отметить, что существует проблема будущего при использовании суперЭВМ возможность проведения вычислений на неоднородных системах, то есть параллельное выполнение множества процессов в сети разнородных по аппаратным и программным платформам узлов. В настоящее время разрабатываются средства отладки и мониторинга ПО как для разработчиков, так и для пользователей. Однако для этого требуется проведение дополнительных работ по совершенствованию методов описания быстроменяющихся целевых архитектур. Если все узлы вычислительного кластера имеют одну и ту же архитектуру и производительность, то мы имеем дело с однородным вычислительным кластером, в противном случае с неоднородным. В настоящее время, говоря о кластерах, часто подразумевают однородность. Однако, для того, чтобы сохранить высокий уровень соотношения производительностьстоимость, приходится при наращивании кластера использовать наиболее подходящие в данный момент процессоры, которые могут отличаться не только по производительности, но и по архитектуре. Поэтому постепенно большинство кластеров могут стать неоднородными кластерами. Неоднородность же вносит серьезную проблему в процесс управления выполняющимися ветвями программы. Различие в производительности процессоров требует соответствующего учета при распределении работы между процессами, выполняющимися на разных процессорах. Визуализация данных в научном исследовании является неотъемлемой частью современного анализа явлений практически в любой отрасли естественных наук. Графические представления в форме цветовых распределений или функциональных зависимостей значительно упрощают восприятие блоков данных человеческим мозгом. Это особенно важно при обработке больших трехмерных массивов, с которыми, в основном, приходится иметь дело при численном моделировании.