Distributed Parallel Computing Using Navigational Programming

Message Passing (MP) and Distributed Shared Memory (DSM) are the two most common approaches to distributed parallel computing. MP is difficult to use, whereas DSM is not scalable. Performance scalability and ease of programming can be achieved at the same time by using navigational programming (NavP). This approach combines the advantages of MP and DSM, and it balances convenience and flexibility. Similar to MP, NavP suggests to its programmers the principle of pivot-computes and hence is efficient and scalable. Like DSM, NavP supports incremental parallelization and shared variable programming and is therefore easy to use. The implementation and performance analysis of real-world algorithms, namely parallel Jacobi iteration and parallel Cholesky factorization, presented in this paper supports the claim that the NavP approach is better suited for general-purpose parallel distributed programming than either MP or DSM.     

网格计算环境下分布并行计算的一种实现方法

网格计算为人们处理很多复杂问题提供了新方法。文章利用GlobusToolkit来构建网格计算环境,并把它扩展为分布并行计算的支撑环境,为实现分布并行计算提供了新方法。讨论了任务分布、系统通信和容错机制等关键问题。最后给出了基于网格计算环境下的一个分布并行计算实例,取得了令人满意的实验结果。     

基于Java的分布式并行计算关键技术

本文首先概述了 Java技术的引入对分布式并行计算技术的影响 ,然后就工作机群的组织、问题分布、系统内通信、容错机制等四个关键问题进行讨论 ,分析常见的问题和各种解决方案 ,最后对基于 Java的分布式并行计算的进一步发展前景作简要描述     

一种基于移动Agent的分布式并行计算模型

针对传统的分布式并行计算方案所存在的缺点,提出了一种基于移动Agent技术的分布式并行计算模型。在简单介绍移动Agent技术后,给出了基于移动Agent的分布式并行计算模型,并详细叙述了该模型的具体工作过程和实现方案。模型设计完成后,用此模型来解决计算量很大的数值计算问题。首先利用数学工具分析设计出该问题的适合于分布式并行计算的方案,然后依照模型实现实验程序。实验测试表明根据该模型实现的分布式并行计算程序具有较高的加速比和并行效率,并有效地提高了分布式并行计算的稳定性、灵活性、可扩展性和移动性。     

并行与分布计算课程建设探索

本文根据我系近年教学改革与课程建设经验,探讨了面向计算机科学与技术专业本科生的并行与分布计算课程的课程规划和建设,并总结了一些经验。     

分布式计算中可靠的数据放置方法

数据放置活动在以计算为主的分布式计算中被看作是次要的任务。文章将数据放置工作与计算工作区别对待,定义分布式计算过程中的数据放置模型,给出数据放置协议和可靠的数据传输算法,使得数据放置活动在分布式计算中像计算工作一样被排列、调度、监控、管理以及检测。对数据放置方法进行了系统的评价,取得了较好的效果。     

神经网络求解偏微分方程的分布式算法

本文提出了一种人工神经网络(Artificial Neural Networks,即ANN)求解偏微分方程的分布式的算法。文章介绍了这种算法的必要性,以分布式的人工神经网络完成了对热传导方程的求解为例,验证了这种算法的可行性,并给出了不同条件下的实验结果。     

一种对象化并行计算框架

分布式计算、并行计算、内存计算是目前提高计算性能的关键技术和热点研究领域。在大数据环境下,针对数据型统计分析系统性能劣化明显、不能满足用户使用需求的问题,提出了一种轻量级高性能对象化并行计算架构,研制了该架构的对象服务组件、对象管理服务组件和客户端代理组件,并将该架构和组件在国家电网资产质量监督管理系统中进行了验证应用,其效果表明该框架能大幅提升大数据处理效率。     

基于LSF集群系统的分布式并行计算

介绍了LSF集群系统和分布式并行计算的基本概念,基于LSF集群系统提出了一个分布式并行计算的基本结构和分级任务调度策略,另外在此结构上实现了矩阵相乘的分布式并行计算,并对此结构进行了性能评测,最后分析了基于LSF集群系统的分布式并行计算具有的优点和存在的不足.     

基于网格计算技术的电力系统分布式并行计算——底层平台设计与实现

文章提出了基于网格计算来实现电力系统分布式并行计算的方案。主要涉及计算池(ComputingPool)的设计、资源的管理与动态分配,以及图论分割和稀疏数值计算库的设计和实现等。文章首先介绍了网格计算应用于电力系统分布式并行计算的概念,在此基础上,分析了基于GlobusR网格计算开发平台实现的以上功能模块。最后对测试平台和测试结果进行了简要的介绍。     

Linux环境下的并行计算

进行大规模科学计算的常用手段是并行计算。从性能和费用等方面考虑,在支持网络并行计算的操作系统中优先选择的系统应是Linux。本文介绍了LINUX环境下的一些并行计算软件,讨论了分布式并行计算的一些概念和需要解决的一些问题。     

基于网格的分布并行计算策略

网格计算为用户处理很多复杂问题提供了新方法,用网格实现大规模分布并行计算是必然的趋势。文章给出了基于网格中间件Globus Toolkit来实现分布并行计算的两种策略：紧密耦合并行程序和松散耦台并行服务,并给出实现这两种策略的实现方法,为实现分布并行计算提供了新方法。最后根据所提出的并行计算策略,在网格计算环境下实现了一个分布并行计算实例,并给出了相应的试验结果。     

基于分布式系统的有限元并行计算的研究

有限单元法是现代工程设计和分析的重要数值方法之一,但要对这些大型或超大型复杂结构进行有效的结构分析,需要有高性能的计算资源、有效的算法和先进的软件编制手段。Java多线程技术是构建并行系统的有效手段,文章基于分布式系统用Java多线程技术实现了一个有限元并行应用系统。     

云计算环境下并行分布式数据挖掘平台研究

网络技术在带给人们大量信息的同时,也极大地增加了人们从海量数据中发现有用知识的难度,而解决这一问题的努力促进了数据挖掘技术的出现和快速发展。云计算是能够提供动态资源池、虚拟化和高可用性的计算平台,云计算开发平台可被用来开发高性能应用程序。研究云计算环境下并行分布式数据挖掘平台的3个层次,依下而上为分布式计算层,知识发现平台层以及用户应用层。     

分布并行的分形图像压缩算法

分形图像压缩算法的时间复杂性很大，在单机上受到限制，针对这方面提出的分类方法，基于邻域搜索算法等虽然降低了时间复杂性，但同时也影响了图像的压缩质量，本文把分布并行机制引入分形压缩算法，提出分布并行的自适应四分树分形压缩算法，并在基于Java RMI的分布并行计算系统中加以实现，实验表明可以获得接近计算结点数的加速比。     

LBGK模型的分布式并行计算

以二维9速模型D2Q9(LBGK)为例,针对不同集合形状的流场,研究了数据分布与通信量及并行效率之间的关系。在“自强3000”集群式超级计算机上就流场网格的不同规模、多种数据分布及通信方案进行了数值实验。测试结果表明,LBGK模型的并行效率高、可扩展性好,在数据分布方案与流场网格形状相似时,并行效率最高。该结论与理论分析相吻合。     

基于高速网络的广域高性能并行与分布式计算

本文试图说明以下观点：越来越多的高性能应用要求利用地理上分布的、各式各样的计算和数据资源。这些应用希望能够通过高速网络将地理上分布、异构的各种高性能计算机、数据服务器、大型检索存储系统和可视化、虚拟现实系统等连接并集成起来，形成一个网络虚拟计算机（称为元计算机），来实现应用计算问题。这种元计算实质上就是基于高速网络的广域高性能并行与分布式计算。     

一种用计算域分解的等几何分析并行化方法

提出一种按照计算域分解的并行化方法来构建等几何分析的刚度矩阵和右侧向量.将计算域分解成为若干个不相交的子区域,然后为每个区域分配一个处理器,所有处理器并行进行子区域上面的计算,所有处理器完成子区域的计算以后,使用一个快速的归并算法完成线性系统的装配.实验表明,本文提出的方法在8核的机器上可以达到6.46的加速比,能够在4秒左右的时间计算680万个矩阵元素个数.使用Intel MKL稀疏求解器来求解线性系统,本文的等几何分析求解器能够在大约10秒的时间内求解52万的自由度,本文的方法比ISOGAT速度要快上万倍.     

Object Clustering for High Performance Parallel Computing

In this article we present a new parallel programming environment, called distributed object-oriented virtual computing environment (DOVE), for clustered computers based on distributed object model. In DOVE, a parallel program is built as a collection of concurrent objects each of which has its own computing power and which interacts with one another by remote method invocation. The parallelism is encapsulated within distributed objects, which can be handled the same way as local objects. The main goal of DOVE is to provide users with an easy-to-use transparent parallel programming environment while supporting efficient parallelism encapsulated and distributed among objects. For the experiment and evaluation of DOVE, two parallel application programs have been developed both on DOVE and PVM.