共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
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. 相似文献
3.
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。 相似文献
4.
5.
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。 相似文献
6.
7.
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。 相似文献
8.
9.
10.
11.
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。 相似文献
12.
《科技通报》2016,(6)
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。 相似文献
13.
14.
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。 相似文献
15.
16.
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. 相似文献
17.
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. 相似文献
18.
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。 相似文献