处理人工智能应用的高性能计算机的架构和评测

人工智能(artificial intelligence,AI)的3块基石是大数据、高性能计算、深度学习算法,大数据被称为"算料",高性能计算被称为"算力",深度学习算法被称为"算法".人工智能主要的研究领域就是算料、算力和算法.算力基础设施作为处理人工智能应用的基石,一直被各个国家给予高度重视.由于人工智能应用的飞速...     

大规模薄膜生长的格子MC模拟并行计算

基于1000×1000个原子的Ti薄膜淀积生长过程的模拟, 在分布式并行系统上提出了区域重叠划分和异步通信的有效并行计算策略, 并运用Monte Carlo方法实现了模拟真实沉积速率下的大规模薄膜生长的并行计算过程, 缩短了薄膜生长模拟计算时间. 实现的并行算法能够模拟比以前粒子数大得多的真实沉积速率下薄膜生长问题, 从而为运用计算机方法模拟薄膜生长提供了有效的手段.     

多级负载平衡系统的设计和实现

目前机群系统中采用的负载平衡多是在作业、进程和线程中的任一级实现，很少有采用多级负载平衡的系统，其原因是为了减少在实现负载平衡的过程中引入的通信开销。该文提出了一种结合作业级和进程级的多级负载平衡算法，通过采用动态多阈值的自适应负载收集技术以减少通信开销。实验结果表明，这种负载平衡方法能够有效地提高并行作业的运行性能。     

基于定位目录的元数据管理方法

元数据的访问性能和可扩展性是影响大规模存储系统整体性能的关键因素。该文提出了一种基于定位目录的元数据组织机制。该机制以定位目录作为元数据定位、负载评价以及元数据动态迁移的基础,保持了元数据的目录相关性,提供了较高的元数据访问的性能;在此基础上的负载评价方法以很小的开销反映操作历史信息的影响。测试数据表明,该机制可以提供良好的负载调节能力。     

基于虚拟机的多个安全级别的日志生成方法

该文的研究目的是提高日志在计算机系统中安全,为数据追踪和分析提供数据的修改情况的可靠依据。与数据类似,日志也有不同的安全级别(SL)。当不同权限的访问者做日志分析、审计等工作时,需要不同SL的日志,可以用多个虚拟机(VM)得到多个SL的数据文件日志。为此,根据数据文件受保护程度,把它们隔离存放在多个SL的工作VM内。当数据文件被访问时,用虚拟机监视器截取每个访问操作,并在日志VM内生成相应的日志。由于工作VM的SL不同,对应的日志VM的SL不同,所得到的日志的SL也各不相同。当VM之间共享文件或者由工作VM向日志VM传递数据时,访问控制模块按规则控制数据的流向。在带有sHype的虚拟机监视器xen的基础上所做实验表明:用多个VM生成多级安全日志的方法对数据文件访问性能的影响比较低。     

基于语义关联的网格监控元数据管理

基于网格资源的异构性和不同所有权现象,为满足中国教育科研网格监控子项目CGSV (chinagrid supervision)中用户的模糊监控需求,提出一种基于语义关联的网格监控元数据管理方案.在局部范围内对资源及其监控元数据分别进行逻辑和语义建模;在全局范围内关联异构资源模型的监控元数据,建立语义关联网络,并依据关联深度来进行监控元数据的查找.实验结果表明: 实现语义关联的CGSV组件(注册服务)每秒钟能处理120次以上的关联查找,验证了该方案的有效性.     

SmartTree:异构网络环境下的应用层组播协议

在Internet环境下,应用层组播系统的效率受到用户能力异构性的影响,但是在组播结构建立时,结点的能力难以准确得知;因此,提出一个可以在组播结构建立后优化组播树的应用层组播协议SmartTree。在SmartTree中,用户先加入一个覆盖网络,然后组成组播树。在系统运行中,组播树结构依据结点的能力动态优化。高带宽用户的能力越来越多的得到利用,减小了组播源结点和用户结点之间的平均跳数和延时。模拟实验结果显示,第一次优化可以使用户结点的平均跳数减小28.2%。     

通用海量数据库性能测试系统的设计与实现

为客观反映数据库实际运行性能,设计一种可配置数据库性能测试标准,它能够针对具体应用数据库系统,建立相应的控制模型、数据模型和事务处理模型。控制模型描述数据库的运行模式,数据模型描述用户访问数据库的数据集合,事务处理模型描述用户访问数据库的行为模式。控制模型通过事务处理模型和数据模型组装动态SQL(standardquery language)语句,然后产生多个并发进程模拟大量实际用户访问数据库,以测试数据库的运行状况和性能。分析与实际测试结果表明,该系统能够根据实际应用系统配置数据库性能测试标准,较之目前国际上通用的固定模型测试标准如TPC-C等,更能够客观反映数据库实际运行性能。     

电力系统潮流并行算法的研究进展

随着高性价比可扩展集群并行系统的逐步成熟和应用 ,大规模电力系统潮流并行计算和分布式仿真成为可能。该文首先简要介绍了电力系统的潮流计算模型及基本算法 ,分析了算法中存在的困难。然后分析了 4类较重要的电力系统潮流并行算法 :分块法、多重因子化法、稀疏矢量法和逆矩阵法 ,同时讨论了这 4种潮流并行算法的基本原理和实用效果 ,比较了各种并行算法的优点和局限性 ,并指出基于集群系统的粗粒度区域分解潮流并行算法最具发展潜力。