分布式并行网络数据存储技术

The bases of distributed parallel network data storage technology(DPNDS) are high speed network tech-nology, database technology, artificial intelligence and multimedia technology. It will become the foundation of mod-ern information society because of the excellent management efficiency, reliability, availability, expansibility and lowcost. In this paper, we discuss the key technology of DPNDS which includes data distributing, parallel data process-ing, data network storage, object-oriented data storage and then give some suggestions about the new research direc-tion.

面向大数据的分布式并行集群存储技术研究

本文研究了面向大数据的分布式并行集群存储技术,分别介绍了面向大数据的分布式内存数据库技术原理、分布式并行集群存储及其优势,对于大数据的整合、处理更加便捷。

遥感影像并行服务系统设计与实现

实现海量遥感影像快速处理的重要基础是高速影像数据服务。基于影像瓦片模型、分布式并行存储体系结构,设计和实现遥感影像并行服务系统——瓦片服务系统,用于快速存储和访问以瓦片方式组织的遥感影像,为高速影像处理、实景城市等提供高吞吐数据服务。实验结果表明:瓦片服务系统具有快速存储和访问海量遥感影像的能力,在高速影像处理与影像服务等领域具有广阔应用前景。

结构静力有限元分层并行计算方法

根据分布式存储并行计算机的体系结构特点,提出了一种结构静力有限元分层并行计算方法.该方法在两级分区两次缩聚策略的基础上不仅实现了大量数据的分布式存储,提高了数据的内存访问速率;而且实现了计算过程的三层并行,有效提高了通信效率;此外,它还进一步降低了界面方程的规模,大幅度减少了界面方程的求解时间.因此,它能够充分利用分布式存储并行计算机的体系结构特点提升大规模并行计算效率.最后通过典型数值算例验证了该方法的正确性和有效性.

结构动力数值仿真两级并行计算系统开发及应用

根据分布式存储并行计算机的体系结构特点,设计了一个结构动力数值仿真两级并行计算系统.首先通过两级分区为并行计算准备数据,并将数据分布式存储在各节点的局部存储器上;在结构动力分析过程中,通过进一步缩减问题规模和有效地提高通信效率大幅度减少了界面方程求解时间以及系统求解总时间.文中详细阐述了该系统工作原理、并行计算流程和系统实现的相关软件开发工具.最后通过典型数值算例验证了该系统的有效性.

基于Hadoop的海量数据存储系统设计

随着互联网应用的广泛普及,互联网承载的网络数据信息呈爆炸式增长,为了实现对海量的、繁杂的、无序的网络信息数据资源进行智能分析、存储和管理,针对网络海量数据信息高度异构的特点,分析了海量网络数据存储系统体系结构,提出一种基于云计算的网络数据的存储管理系统。运行表明,系统能够高效完成海量数据的管理和分析任务,效率高,系统安全可靠、易维护、具有良好的可扩展性。

大规模并行结构动力分析分层计算方法

多核分布式存储超级计算机的兴起为大规模并行结构动力分析提供了强有力的计算工具。根据多核分布式计算环境的特点,提出了一种大规模并行结构动力分析分层计算方法。该方法在传统隐式动力分析的区域分解法的基础上,利用两级分区和两次缩聚策略进行求解。不但通过进一步缩减求解问题规模有效提高了界面方程的收敛速度,而且通过三层并行计算有效提高了通信效率。该方法并不对有限元模型引入近似,属于精确的动力子区域分层计算方法。典型数值算例表明,该方法计算精度与商业软件ANSYS完全法求解精度相当;同传统区域分解法相比,该方法能够获得较高的并行计算性能。

计算与通信重叠和并行I/O在粒子模拟中的应用

三维电磁场粒子模拟是研究空间众多微观物理现象的一项先进数值模拟方法。虽然应用MPI和OpenMP混合编程技术实现了程序并行,但阻塞通信的通信同步和应用网络文件系统集中式数据I/O的数据传输降低了程序效率。介绍引入非阻塞通信法,最初计算需要通信部分,在其他计算继续时,进行非阻塞通信,最后接收全部数据,从而实现计算和通信重叠,减少通信等待时间;在分布式存储系统中,各节点同时把本节点数据输入输出到本地单独文件中,大幅度减少数据并行I/O时间,随着数据量和CPU数的增加,改善更加明显,从而提高程序性能。