粗粒度并行遗传算法性能分析

依据实验来分析影响并行遗传算法性能的因素得到的结论缺乏理论上的说服力．通过对粗粒度并行遗传算法加速比公式的分析，提出了影响并行遗传算法性能的关键因素，同时否定了以迁移率作为评价并行遗传算法性能指标的合理性，并通过实难进一步验证结论的正确性．得到的结论为提高遗传算法的并行化效率提供了可靠的依据。     

并行处理中加速比的研究

本文介绍了并行处理系统中加速比的几个基本概念，分析了几种加速比模型的加速比公式及其特点，提出了可扩充加速比的概念，并分析了其必要条件。     

加速比的局限性分析

并行处理技术是获得高性能计算机的有效而必由的手段，因而成为新一代的结构特征，在并行处理的性能评价中，被广泛采用的一个性能特征就是加速比。加速比是否能够合理地反映并行处理系统的性能呢？我们在本文中分析了加速比的局限性。     

效益加速比：一种新的性能度量特性

虽然ｓｐｅｅｄｕｐ一是用来评价并行处理系统的性能特性，但它并不能真正反映一个并行处理系统的性能，处理结点速度的提高和算法的优化反而使得ｓｐｅｅｄｕｐ降低，这说明ｓｐｅｅｄｕｐ存在着不合理性。本文提出了效益加速比的度量特性，这种度量特性能较为合理地拔映出并行处理系统的性能改善。     

数据并行的性能分析

计算机是一种工具．作为工具，其应用的成功与否具有重要的意义．本文从应用的角度分析了数据并行处理方式下并行处理的性能．首先，本文建立了一个性能分析模型，之后，基于此模型，对影响并行处理性能的各因素进行了详细地分析．本文的分析结果对于并行算法的设计者和并行计算机系统的设计者均具有指导意义．     

Cache对加速比的影响

并行处理是获得高性能计算机的有效而必要的手段，因而成为新一代计算机的结构特征。本文提出了考虑ｃａｈｅ 开销的加速比模型，并从理论和实际应用方面讨论了ｃａｃｈｅ对加速比的影响。     

发展大规模并行巨型机势在必行

近年来,并行处理技术的广泛应用及其巨大优越性使得人们对高性能计算的发展充满信心。随着科学和工程化的纵深发展,大量的数据计算越来越引起人们的极大关注。本文详细介绍了并行处理技术的最新发展。     

并行数据对象的无等待同步实现

并行对象是并行处理系统中多个进程可共享的数据结构。执行这些并行对象的传统方法是利用临界区,即某一时刻只允许一个进程对该对象进行操作.然而,临界区不太适合于异步、容错系统tl.习,如果一个出错进程滞留在临界区时,那么其它没出错的进程就不能往下继续运行.即使在一个不会出错的系统中,一个进程也可能遇到诸如缺页、高速缓存出错等故障而增加延迟时间。     

能耗并行加速比:高性能计算系统综合性能的有效度量

随着并行系统规模的扩大,高性能计算系统运行时消耗的能耗也在急剧增长,过高的能耗也给系统的可靠性、稳定性等方面带来严峻挑战。在这种情形下,能耗问题受到了前所未有的关注。因此,设计和研究高性能计算系统,需要在考虑高计算性能的同时兼顾系统低能耗的要求,这为高性能计算系统的度量模型提出了新的挑战。于是,大规模并行系统逐渐从"高性能"走向"高效能"的衡量标准。基于此,本文采用加速比度量指标,从系统可扩展角度将计算性能和能量消耗要素进行综合,提出了一种度量高性能计算系统综合性能的能耗并行加速比模型。该模型能够直观地反映并行计算系统的效能,旨在指导系统设计和应用研究。最后,通过对该模型的分析和模拟,验证了模型的有效性。     

基于Shared-Nothing的并行Hash连接算法效率分析

该文研究了基于Shared-Nothing结构的几种常用并行连接算法,分析了影响查询响应时间的各种因素.在此基础上,以多种硬件成分作为参数建立一个代价分析模型.使用该模型计算并行Hash算法在每个处理机上的平均任务执行时间和总的查询响应时间,并比较了几种算法在不同硬件配置下的执行效率.所提出的模型和分析方法为评价和选取并行连接算法提供了一种可行的途径.     

SPEEDUP指标的适用性分析

长期以来，ｓｐｅｅｄｕｐ一直被视为衡量并地处理性能的主要指标之。不论是并行计算机系统的设计者，还是并行算法的设计者，均非常重视ｓｐｅｅｄｕｐ指标。那么，ｓｐｅｅｄｕｐ能否像人们仃的那样正确的描述并行处理的性能呢？迄今为止，人们对这一问题尚缺乏认识。本文从ｓｐｅｅｄｕｐ的定义出发，结合实例，全面分析了ｓｐｅｅｄｕｐ度量并行处理的性能存在的问题，以及可能导致的错误，还讨论了ｓｐｅｅｄｕｐ的适应条件。     

并行程序的优化与性能评价

文中讨论了并行程序的优化问题,指出并行程序的优化应从数据划分、通信优化和串行优化三个方面着手。针对传统加速比的缺点和不足,我们提出了优化加速比模型来评价优化并行程序的性能;对ＮＡＳ基准测试程序ＭＧ和ＦＴ进行了优化,用优化加速比模型分析了上述两个程序在ＩＢＭ ＳＰ２上的性能。     

并行计算的数据分配

本文主要讨论分布式存储环境下并行计算的最佳数据分配方案。通过理论分析和两个典型的大规模科技计算问题的数值实验表明，数据分配是影响并行计算性能的主要因素之一     

海洋模式FVCOM2.6并行计算性能TAU分析

本文利用并行程序分析软件Tuning and Analysis Utilities(TAU),对基于Message Passing Interface(MPI)的海洋环流模式Finite-Volume Coastal Ocean Model(FVCOM)2.6版本进行并行性能分析。在Linux集群(Intel Xeon CPU E5450,10GInfiniBand)上,使用不同进程数分别对低分辨率(网格节点数为2108和10378)、高分辨率(网格节点数为15347和26033)的深沪湾潮汐算例进行测试。结果表明,模式单进程运行时,平流项子程序所占运行时间比例较大;模式多进程运行时,通过比较不同算例的加速比,发现算例分辨率对模式的并行性能有较大影响。在本次测试硬件条件下,算例存在某一最佳进程数,低分辨率为32,高分辨率为64,最佳进程数随分辨率增高而增高。到达最佳进程数后,随着进程数增加,模式运行时间反而增加。TAU分析表明,主要是由于MPI_Waitany程序时间比例增加以致阻塞时间占模式运算总时间的比例增大,从而为FVCOM并行性能进一步改善提供参考。     

并行计算时间模型研究

本文系统地总结和探讨了共享和分布式存储环境下的并行计算时间模型。微观上，结合并行机结构特征和通信机制，揭示了延长算法运行时间的关键因素，并据此提出一些优化原则和效率评价准则，能辅助用户修改并行算法达到最优性能；宏观上，给出了基本消息传递的常用通信原语类型和部分原语操作时间经验公式，能辅助用户选择最优通信原语和问题粒度，正确预测程序的运行时间和性能。     

高性能计算与天文大数据研究综述

数据是天文学发展的重要驱动。分布式存储和高性能计算(High Performance Computing,HPC)为应对海量天文数据的复杂性、不规则的存储和计算起到推动作用。天文学研究中多信息和多学科交叉融合成为必然,天文大数据已进入大规模计算时代。高性能计算为天文大数据处理和分析提供了新的手段,针对一些传统手段无法解决的问题给出了新的方案。文中根据天文数据分类和特征,以高性能计算为支撑,对天文大数据的数据融合、高效存取、分析及后续处理、可视化等问题进行了研究,总结了现阶段的技术特点,提出了处理天文大数据的研究策略和技术方法,并对天文大数据处理面对的问题和发展趋势进行了探讨。     

云环境中海量数据的并行分组密码体制研究

云计算环境中,飞速增长的海量数据的安全性越来越受到关注,分组密码算法是保证海量数据安全性的一个有效手段,但面对超大规模的数据量其效率是一个备受关注的问题。提出了一种基于MapReduce架构的并行分组密码机制,能够使标准的分组密码算法应用于大规模的集群环境中,通过并行化来提高海量数据加密与解密的执行效率,并设计了常用的几种并行工作模式。实验证明,提出的算法具有良好的可扩展性和高效的执行性能,能够适用于云计算环境中海量数据的安全保密,为进一步的研究工作奠定了基础。     

数据并行计算：概念,模型与系统

一、引言并行计算,或者并行处理,指的是这样一种努力和相关的研究:利用多个具有计算能力的部件来共同完成一个计算工作,以获得比用一个部件来完成要快的效果。这显然是一个很自然的想法。历史地看,几乎是自从有了计算机,就有了并行处理的想法和实践。在80年代后期到90年代初期,以寻求对人类面临的若干重