GRAPES区域模式的输入输出分析和优化

新一代全球/区域多尺度统一的同化与数值预报系统Global/Regional Assimilation and PreEdiction System(GRAPES)是中国气象局(China Meteorological Administration,CMA)自主研发的数值天气预报软件.随着对模式分辨率和预测时效性要求的提高,GRAPES的输入输出(I/O)性能成为了一个重要的瓶颈.分析了GRAPES区域模式的I/O行为,提出并设计实现了一个高性能I/O框架.该框架采用二进制编码以及多I/O通道技术实现了灵活可配置的输出方式.同时,通过非堵塞通信的方式实现了异步I/O,隐藏了I/O与通信的开销.工作在曙光"派"超级计算机上进行了测试,结果显示该框架不仅可以提高I/O性能达到10倍以上,也可以减少性能抖动带来的性能不确定性问题.     

新一代数值预报模式GRAPES的并行计算方案设计与实现

GRAPES (global and regional assimilation and prediction system)是由中国气象科学研究院灾害天气国家重点实验室自主研究开发的中国新一代数值天气预报系统,其目标是科研?业务通用.为了实现这一目标,结合高性能计算机的体系结构设计并实现模式的并行计算是必不可少的.作为核心开发技术之一,GRAPES系统设计并实现了模式的并行计算方案,包括中尺度有限区模式的并行计算和全球模式并行计算. GRAPES模式并行计算版本在IBM-Cluster1600上的测试表明,GRAPES模式的并行计算程序正确、稳定、有效,为其业务化之路奠定了基础,同时也为系统未来的可持续开发、优化创造了条件.     

内存优化三剑客

众所周知,内存的多寡直接影响着系统的稳定性和运行速度。在１２８Ｍ内存渐成装机主流的今天,就算拥有２５６Ｍ内存,你也会发现系统常常由于资源耗尽而慢如蜗牛甚至当机。究其原因,与Ｗｉｎｄｏｗｓ对内存的管理机制不够完善有很大关系。Ｗｉｎｄｏｗｓ作为一个支持多任务的平台,加载的程序越多,消耗的内存也就越多。当物理内存（ＲＡＭ）不够时,就会使用虚拟内存。由于虚拟内存的存取速度远远慢于ＲＡＭ,因此降低了系统性能。另一方面,许多程序往往霸占了内存都挂在后台,或者即使退出后仍然没有释放所占用的内存,加上程序在频繁…     

系统内存的监控与优化

内存的分配与管理是操作系统资源管理的重要任务之一。进入Windows时代,操作系统开始从内存分配与调度者的单一身份转变为内存的分配与消费者多重角色。 DOS时代4兆,8兆内存可以供操作系统,应用程序相安无事,另外再加上一个占用数兆内存的硬盘Cache程序有效地减少读写硬盘次数,提高系统运行效率。在Windows95出现以后,操作系统与应用软件争夺消耗内存资源的矛盾日益突出,迫使用户不得不升级内存。但是,无论用户购买使用何种档次的计算机,还是能够看到计算机在频繁地读写硬盘、交换文件,而且系统崩溃,程序异常中止,死机等故障频频发生,在这些故障中,有相当比例的问题是由于内存资源减少到临界值而引发的。内存监控与优化工具,试图通过对内存资源的监测,统计分析出系统当前所需内存资源,回收整理操作系统散失的内存碎片,动态地进行内存分配,从而避免因为可用内存消耗殆尽而引发的各种故障。     

优化内存的三个步骤

内存设置及优化不当，会严重影响系统的性能。下面笔者就为大家介绍内存优化的简单方法，三步即可轻松提升系统性能。     

内存优化的猫腻

在网上可以找到大量关于内存优化的文章和软件，“优化内存，让系统运行如飞”．当你面对这种诱惑能不动心吗?在不增加物理内存的前提下让可用内存增加几十兆，这等好事当然不容错过。一旦你相信了他们描绘的美好前景，那你就上当了，这些内存优化软件看上去是不错，可实际上却毫无用处，在某些情况下甚至还会降低系统性能。     

基于GPU的GRAPES模型并行加速及性能优化

GRAPES(globalregional assimilation and prediction system)数值天气预报模式作为地球大气一个典型的非线性化离散系统,计算量非常巨大,因此利用低成本、低功耗和高性能的GPU对GRAPES模式进行并行加速成为目前的研究热点.首先通过实现GRAPES模式在GPU中的并行加速,发现系统性能提升并不理想.在此基础上,提出了性能优化策略,包括缓解数据传输时间、降低设备内存加载和存储的数量和避免线程控制流分支,实验结果表明,利用GPU的性能优化策略有效地提升了GRAPES系统性能.     

一类新的带记忆模型的非单调信赖域算法

本文就无约束优化问题提出了一个带记忆模型的非单调信赖域算法。与传统的非单调信赖域算法不同,文中的信赖域子问题的逼近模型为记忆模型,该模型使我们可以从更全面的角度来求得信赖域试探步,从而避免了传统非单调信赖域方法中试探步的求取完全依赖于当前点的信息而过于局部化的困难。文中提出了一个带记忆模型的非单调信赖域
域算法,并证明了其全局收敛性。     

沈阳市降水概率预报模式研究

利用日本数值天气预报产品和地面天气图，集成多种统计学方法对沈阳市降水概率进行预报，经专家订正后对社会发布。本预报模式避免了单一统计学方法的局限性，并且实现了历史因子的自动追加，能够反映最新的天气信息。经在沈阳市气象台一年的试预报，根据预报结果计算得半贝里尔得分B=0．065；Bias得分为Bias=2％；预报技巧得分Bs=80．8％。同时准确率明显高于日本数值预报结果。     

一种新的Java存储模型L-JMM

Java存储模型是Java语言和Java虚拟机研究中的核心关键部分,目前Java语言规范中的存储模型不能保证Java技术所必需的语义特性,而且不利于Java虚拟机的性能优化.提出了一种新的Java存储模型,该模型取消了规范中Java存储模型中对存储密致性的要求,保证了Location一致性;同时根据Java语义的要求,对Java语言中不同类型的变量详细规定了多线程存储操作的行为规则.该模型不仅能保证Java程序的正确性,同时能有效提高Java程序的运行效率.最后通过仿真实验验证了该存储模型的关键特性.     

多Markov链预取模型在网络内存系统中的应用

主机通过高速网络访问远程内存的性能已经达到或远高于访问本地磁盘的性能,通过各种优化手段,网络内存系统的性能能得到更好的提升。该文基于一个Linux网络内存系统(LNMS),在客户端一级提出了一种新的预取算法m-ppm,该算法发展了多Markov链预取模型,使之更适合LNMS。在LNMS上实现了另2种常用的预取算法以作比较,实验数据表明,m-ppm算法对多用户模式更有效。     

iOS开发UITableView加载图片的内存管理

首先对移动操作系统iOS开发过程的内存泄露、缓存等相关知识作了详细叙述,介绍了使用iOS集成开发环境Xcode进行内存调试的方法.针对视图UITableView中含有大量网络图片时的内存问题,为了达到内存最优化和良好用户体验的目标,提出异步下载网络图片和本地缓存的解决方法.最后测试结果表明UITableView在下载图片和滑动的过程中内存占用量趋于稳定,app的运行速度较为顺畅,拥有较好的用户体验.     

iOS开发UITableView加载图片的内存管理①

首先对移动操作系统iOS开发过程的内存泄露、缓存等相关知识作了详细叙述,介绍了使用iOS集成开发环境xcode进行内存调试的方法．针对视图UITableView中含有大量网络图片时的内存问题,为了达到内存最优化和良好用户体验的目标,提出异步下载网络图片和本地缓存的解决方法．最后测试结果表明UITableView在下载图片和滑动的过程中内存占用量趋于稳定,app的运行速度较为顺畅,拥有较好的用户体验．     

LNMS网络内存系统及性能优化技术

在Linux环境下设计并实现了一个两级服务结构的网络内存系统(LNMS)。LNMS较传统网络内存系统具有更好的可扩展性。对LNMS提出了两种性能优化技术：预取和主动内存技术。在预取优化方面,针对并发应用提出一种M-PPM算法。主动内存技术则发掘了内存服务器的计算能力。实验表明,两种优化技术可有效地提升网络内存系统的性能。     

A Study on Modeling and Optimization of Memory Systems

Accesses Per Cycle(APC),Concurrent Average Memory Access Time(C-AMAT),and Layered Performance Matching(LPM)are three memory performance models that consider both data locality and memory assess concurrency.The APC model measures the throughput of a memory architecture and therefore reflects the quality of service(QoS)of a memory system.The C-AMAT model provides a recursive expression for the memory access delay and therefore can be used for identifying the potential bottlenecks in a memory hierarchy.The LPM method transforms a global memory system optimization into localized optimizations at each memory layer by matching the data access demands of the applications with the underlying memory system design.These three models have been proposed separately through prior efforts.This paper reexamines the three models under one coherent mathematical framework.More specifically,we present a new memory-centric view of data accesses.We divide the memory cycles at each memory layer into four distinct categories and use them to recursively define the memory access latency and concurrency along the memory hierarchy.This new perspective offers new insights with a clear formulation of the memory performance considering both locality and concurrency.Consequently,the performance model can be easily understood and applied in engineering practices.As such,the memory-centric approach helps establish a unified mathematical foundation for model-driven performance analysis and optimization of contemporary and future memory systems.