数据分块并行优化的分布式AES加密算法

随着海量的数据被放入云计算系统当中,基于云计算的数据安全研究就有很大的意义,本文针对云计算网络的特点,提出了一种数据分块并行优化的分布式AES加密算法。该模型通过使用切片算法对大数据文件进行分割,得到能够独立执行AES加密算法的数据分片。在加密过程中,利用集群的并行特性,使用并行计算程序设计中的基于数据分块的并行设计与AES加密算法中的分组加密ECB模式相结合的办法对大数据文件进行加密。仿真实验结果表明,本文提出的改进算法提高了加密的效率,Map加速比在16核集群中达到接近于处理器核数的结果。     

集群系统计算性能测试研究

为了研究一个具体集群系统的计算性能,文章利用2个Benchmark工具(NAS parallel Benchmark,Linpack)测试一个拥有4个计算节点的集群系统的并行计算能力、高性能计算能力两个方面的性能.文章通过对比不同的系统软硬件配置和测试参数条件下的测试结果,对集群系统的总体计算效能做出了客观的评估,并对集群的优化提出了合理的建议.     

MPI并行编程及集群构建

随着科学计算的快速发展很多计算要求快速,高精度的处理。并行计算虽然不能解决所有的问题,但是在它的适用范围之内,能够轻松的利用多个CPU提供的计算资源来快速,高精度的协作完成一个复杂的计算任务。本文在Linux系统平台下,用MPI并行程序设计技术,实现了集群的构建及在该集群系统环境上对系统的性能进行测试,测试结果表明了系统的可行性。     

并行计算技术在疲劳应力求解中的应用

疲劳监测系统是监测关键结构部件疲劳损伤状态最有效的手段,而应力求解是疲劳监测系统中最为耗时的一个处理步骤,该步骤的计算性能将影响系统的整体性能。对．NET平台的并行计算技术进行了探讨,以疲劳监测系统中的应力求解为例,构建了一个支持并行计算的应力求解器,充分利用多核CPU的硬件资源,通过真实的热工数据,测试并验证了多核并行计算技术,结果显示其能够显著提升应力求解的运行效率,为疲劳监测系统的整体性能提高提供了保障。     

基于Spark MapReduce框架的分布式渲染系统研究

三维渲染是电影、动画和游戏制作所需的重要工具,耗费大量时间和资源,是计算密集和数据密集的复杂过程。分布式渲染是目前提高渲染效率最有效可行的手段之一。提出了一套基于Spark MapReduce的分布式渲染系统,该系统使用由集群资源管理器Apache Mesos、支持内存驻留的MapReduce计算框架Spark、分布式Hadoop文件系统构成的分布式计算集群。在这个集群之上,设计并实现一个符合MapReduce算法工作模式的渲染接口程序,用于调用外部渲染程序Blender实现单帧渲染任务。测试结果表明,基于Spark MapReduce框架的分布式渲染能够显著提高渲染速度,减轻开发所需工作量。     

MPI并行计算在图像处理方面的应用

随着科学技术的不断发展,人们在很多工程方面对计算机的运行速度提出两个更高的要求。图形处理广泛应用在神经网络计算和地形匹配等方面,其在运行过程中将产生大量的计算任务,这在一定程度上对计算机本身所具有的性能提出了更高的要求。近年来,微处理器本身的性能有了较大的提升,在局域网高速发展的状态,人们可以使用微机通过局域网进行连接,形成并行集群计算系统,有利于提高对图像的处理。基于此,本文就对MPI并行计算在图像处理方面的应用进行探讨。     

波动方程三维叠前深度偏移并行计算的负载平衡方案

运用集群式并行机结构的软硬件特点,进行波动方程三维叠前深度偏移,已成为加速其庞大计算的有效工具。而集群式并行机节点之间的负载平衡,则是制约并行计算算法加速比的关键问题。提出运用索引排序方法以实现节点计算任务静态分配负载平衡,运用堆排序算法以实现节点计算任务动态分配负载平衡。分别以炮集域、频率域数据分解策略为例,展示负载平衡的实现过程。测试结果表明,负载平衡并行算法具有良好的并行效率。     

格子Boltzmann方法在GPU平台下对多孔介质流动的模拟

GPU有着强大的并行计算能力,现在越来越多的被人应用到科学计算领域了。格子Boltzmann是一种模拟不可压缩流动的计算方法,由于其具有天然的并行性,因此本文利用GPU的并行计算能力,在GPU平台上,利用格子Boltzmann模拟周期性的绕方块多孔介质流动,在保证程序结果的计算精度的情况下,极大的提高了程序计算效率。同时将计算结果同有限元的结果进行比较,也得到了较好的计算结果。     

《中国科学院》北京国家技术转移中心项目简介(新兴信息产业)

1高性能并行计算软件包项目概况随着处理器从单核到多核、众核的技术变迁,互联网海量数据的涌现和各个领域对更高效、更复杂计算需求的牵引,并行计算正成为可见未来的潮流和趋势。高效并行算法和并行软件实现方法是实验室的核心技术能力,并居于国内领先水平。本项目将基于已有的高性能数学库、PRIS求解器、并行数据压缩查询软件ParaMidQuery和可视化软件包Explorer等4项成果,经过充分调研,面向市场需求,集成研制高性能并行软件包。该软件产品将主要面向国内高性能计算市场,同时兼顾海量数据处理和并行可视化等非数值计算市场。其主要特点或竞争力在于:     

基于GPU的Bor?vka最小生成树改进算法

为了提高Bor?vka最小生成树算法的效率,本文基于NVIDIA GPU提出一种并行Bor?vka算法,设计了适用于GPU通用并行计算架构的邻接表图存储方式,通过避免Bor?vka算法每次迭代后的破圈操作以及合并超节点后的数据重组操作,并将算法中具有并行特性的部分移植到GPU并行执行,从而提高了算法的效率。实验表明,相比于CPU版Bor?vka算法,该算法具有较为明显的加速效果。     

一种基于WCF对等网络的并行计算环境

为了研究基于分布式对象的并行计算,采用微软Windows Communication Foundation中的对等网络技术,设计并实现了一个并行计算环境。以并行求π为例,通过比较并行计算的加速比,证明了本并行计算环境的有效性。     

物联网平台下基于云计算的智能家居系统设计

物联网平台下采用云计算进行智能家居系统设计,提高家居控制的可靠性和智能性。传统的智能家居系统设计采用并行计算的Zig Bee技术,由于采用单线程驱动方式导致智能家居控制的指令容易出现中断。在物联网平台下,提出一种基于云计算和Android客户端的智能家居系统设计方法。首先进行了智能家居系统的总体设计,然后基于云计算方法进行智能家居控制的控制指令融合处理,在物联网平台下进行智能家居系统的模块化硬件设计,构建2个并行输入/输出外围接口单元PPI,设计DMA控制器和2个"看门狗"定时器,从而在物联网平台下实现智能家居控制的无缝连接和远程控制。实验测试结果表明,该智能家居系统的控制收敛性,系统稳定性和面向对象性较好。     

多重网格算法综述

本文总结了多重网格算法的基本物理背景、各部分应用准则以及已取得的丰硕应用成果,仔细探讨了影响经典多重网格算法并行效率的几个瓶颈问题,以及最新理论框架下多重网格算法所赋予的新的生命力和广阔应用前景。基于当前并行计算特点,展望了多重网格并行计算的几个有意义的尝试方向。     

基于模式的并行程序设计方法的研究现状

并行程序设计是并行计算的难点之一,基于模式的并行程序设计方法为程序员提供了并行程序的框架,比使用并行库(PVM和MPI)具有更高的抽象程度和通用性。本文简单地介绍了目前国际上三种应用此方法所开发的模型或项目以及我们所研究的SRVRT模型,并做出了比较。     

机械自动化运行参数的测试分析

机械化水平的不断提高推动了工业机械的自动化发展,自动化机械的广泛应用提高了生产效率,降低了人力成本。自动化机械能够通过大量的参数设置控制机械自动运行,而不再需要人工操作改变机械运行状态,因此其参数的设置成为机械生产效率的关键因素。合理的参数数值能够提高机械的运行质量和运行效率,为了在众多参数中选取合理的范围,需要对参数设置进行测试,以找出最优设置。针对某大型自动化减速器的运行参数测试数据进行研究,探讨其使用并行、多通道的频率信号方式进行自动化运行参数设置测试的方法是否具有优越性。     

基于AHP-GST的中卫型企业集群创新能力评价

国内外集群发展的实践表明,中卫型企业集群的在知识共创和联合创新方面显示出了较大的竞争优势,这种优势源自集群独特的网络结构.对其创新能力进行合理科学的评价,可以发现其存在的系统缺陷,明晰集群创新网络各要素之间的耦合效率,从中找出阻碍集群创新的障碍因素.首先根据中卫型集群创新能力的构成及机理构建了评价指标体系;其次,运用灰色系统理论建立了集群创新能力的多层次灰色评价模型,对集群创新能力进行了定量评价;最后,通过实例分析加以验证.为相关部门政策制定提供了方法和依据.     

一类线程池的有限元刚度矩阵的分解方法

在有限元的计算中,用刚度矩阵的方法来分解有限元问题的步骤,其耗时占整个计算时间的75％-95％,而笔者所利用的并行计算的分解算法利用线程池可产生重复利用的多线程,能够节省很多时间,可高效率地实现有限元刚度矩阵的并行分解,并且能够对其进行优化重组,最后将该算法应用于一维的刚度矩阵.结果表明,该算法效率高、原理简单清晰.     

基于hadoop平台的分布式数据挖掘系统研究

以Hadoop为代表的分布式系统,正在逐渐成为大数据挖掘系统必要组成部分。因此,就是在Hadoop分布式系统上完成数据挖掘任务的一次实践。主要任务是使用Hadoop搭建分布式集群环境,并在该环境上部署数据挖掘任务。研究Hadoop系统架构,对其分布式文件系统HDFS和MapReduce并行编程模型的原理和实现进行深入理解。系统掌握数据挖掘过程,将传统的数据挖掘算法使用MapReduce编程实现,并针对Hadoop平台的数据挖掘算法的执行情况进行研究,主要分析其执行效率和可扩展性。选择数据挖掘中的数据聚类任务作为代表,并选择K-means聚类算法做深入研究,掌握其原理并编写其MapReduce版本,在Hadoop平台上测试并验证其效果。通过不同集群规模和不同数据规模的对比试验得出,使用Hadoop分布式系统进行数据挖掘任务具有良好地加速比和效率,计算能力的扩展性能分析也显示了其具有较大的潜力。     

基于试验任务相关的并行化关联挖掘研究

通过分析关联挖掘和传统Apriori算法的特征,设计并实现一种基于任务相关和布尔矩阵的并行化Apriori关联挖掘算法。该算法通过分而治之的分布式并行计算承载平台Map Reduce进行计算,只需扫描一次数据库,将事务数据库转化为布尔矩阵,仅对任务相关的项集进行连接合并与向量内积运算,提升了Apriori算法的关联挖掘效率。     

集群创新系统(CIS)的学习效率探析——基于复杂网络的观点

指出集群创新系统的异质性主体之间形成了复杂的网络关系,分别或联合地创造、储存和转移知识,从而激发、引入和扩散新技术．以集群创新网络为分析对象,利用复杂性网络方法对集群创新系统的学习效率进行初步探讨．通过对计算机仿真结果的解释,指出影响集群创新系统学习效率的主要因素,并通过案例进行验证性分析．