排序方式: 共有39条查询结果,搜索用时 15 毫秒
1.
城市地理空间大数据在大数据时代扮演着重要角色,当今大多数数据本质上是空间数据,通过无处不在的位置感知传感器进行采集、管理、存储和分析地理空间数据流,可为商业、科学和工程的发展提供新的决策支持.然而大数据的处理极具挑战性,对于地理空间大数据更是如此,因为大量的数据集必须同时考虑空间和时间的前提下进行分析,高性能计算以其基本的分而治之思想为地理空间大数据的处理提供了必要的解决方案.本文探讨了高性能计算处理地理空间大数据的关键技术,包括地理空间大数据存储与管理、空间索引技术以及并行任务调度技术,对高性能计算用于城市地理空间大数据处理的未来研究方向进行了展望,雾计算、地理人工智能和异构环境下全球统一参考框架将成为高性能计算处理地理空间大数据的重要研究方向. 相似文献
2.
粗粒度并行任务的动态调度算法(PTDS)及其有效性证明 总被引:1,自引:0,他引:1
本文揭示和探讨了并行多机系统中粗粒度并行任务的时间变化对静态任务调度机制的影响,给出了基于预调度的粗粒度并行任务的动态调度算法PTDS,并且严格地定义和证明了PTDS算法的有效性.结果表明PTDS通过局部调整预调度方案,能够有效地获得近似最优的计算任务调度方案. 相似文献
3.
4.
异构计算是高效能计算发展的必然趋势,针对异构计算运行中并行任务和体系结构难匹配的问题,提出了实
现并行任务和体系结构匹配的并行任务分簇方法。首先给出效能的概念及异构计算中体系结构感知的分簇问题,然
后从理论上分析了异构匹配与效能的关系,提出了实现异构计算匹配和结构匹配的分簇理论,目的是发挥异构计算中
机器的潜能,协同处理并行任务,实现高效能。在此基础上,给出相应的算法。最后通过仿真实验说明,该方法可通过
簇图与体系结构的匹配缩短通信开销在执行时间上所占的比例,从而缩短并行执行时间,以提高系统利用率,最终实
现异构计算的高效能。 相似文献
5.
异构计算是高性能计算技术的发展趋势,计算任务与体系结构匹配成为异构计算亟待解决的问题.重构技术为实现两者匹配带来了契机,要么任务重构适应体系结构,要么体系结构重构适应任务.提出基于相似驱动的并行任务重构算法以实现异构计算匹配.通过给出任务和系统匹配度量机制定义了图重构操作和图重构基本问题.根据问题给出细粒度重构算法,该算法主要有3个过程:任务图节点对融合、节点和边重构及重构精化过程.用格林威治大学典型实例图作为并行任务及典型体系结构测试了该算法.实验表明它在给定的误差范围内能保证计算任务和体系结构匹配. 相似文献
6.
7.
车辆实时监管正面临着不断增长的大规模车辆监测数据的实时处理需求,需要采用分布式的并行计算架构来提升大规模车辆监测数据处理的性能,支撑多样化的车辆监测数据处理任务,应对支撑环境的伸缩性需求。在这种架构下,对系统中不同计算节点间的车辆监测数据处理任务的调度提出了更高的要求。针对这一要求,并结合流式到达及历史积累的车辆监测数据的持续化处理需求以及大规模车辆监测数据实时处理中内存敏感的特征,提出一种基于路由表的并行任务调度算法。该算法基于车辆监测数据时空属性以及各计算节点的内存信息建立路由表,并以路由表的形式来进行任务的并行划分和分配调度,从而使得各计算节点达到负载均衡的状态。实验表明该算法能够使计算节点间的负载差异缩小到12%以内。此外,该算法在某市车辆监管实时系统中的实际应用也证明了其有效性。 相似文献
8.
9.
肖瑶星 《计算机光盘软件与应用》2014,(24):99-100
节能调度算法设计是高性能计算领域中的一个研究热点。本文通过软件方法设计异构多核计算机的调度算法,实现系统的弹性节能,达到降低能耗并提升系统性能的目的。本文的调度策略建立在基于处理器异构的并行任务调度的环境中,构建了节能模型,提出了EAPS(Energy-aware parallel scheduling)算法模型,该算法在每一任务完成之后重新计算优先级以使优先级符合任务的实时情况,并对复制的前驱任务是否冗余任务进行判断从而避免资源的浪费,并通过调节节点电压选择能耗最少的节点进行调度,在节能与期望完成时间之间取得平衡。 相似文献
10.