空間信息并行處理方法與技術(shù)

目錄
第1章 緒論 1
第2章 高性能計(jì)算與高性能地學(xué)計(jì)算 5
2.1 高性能計(jì)算演化進(jìn)程 5
2.1.1 向量機(jī)、向量并行機(jī)時(shí)代 5
2.1.2 大規(guī)模并行計(jì)算時(shí)代 6
2.1.3 異構(gòu)并行計(jì)算時(shí)代 7
2.1.4 云計(jì)算與大數(shù)據(jù)時(shí)代 8
2.2 常見的高性能計(jì)算硬件平臺 9
2.2.1 Linux集群平臺 9
2.2.2 GPU平臺 10
2.2.3 集成眾核MIC平臺 11
2.3 常見并行模型與方法技術(shù) 14
2.3.1 MPI并行模型 14
2.3.2 OpenMP并行模型 15
2.3.3 CUDA并行模型 16
2.3.4 OpenCL并行模型 17
2.3.5 云計(jì)算編程技術(shù) 20
2.4 衡量高性能計(jì)算并行算法的指標(biāo) 22
2.4.1 計(jì)時(shí)工具 22
2.4.2 加速比 22
2.4.3 執(zhí)行效率 23
2.4.4 可擴(kuò)展性 23
2.4.5 阿姆達(dá)爾定律 23
2.5 高性能地學(xué)計(jì)算 24
2.5.1 高性能地學(xué)計(jì)算研究現(xiàn)狀 24
2.5.2 高性能地學(xué)計(jì)算未來展望 26
2.6 本章小結(jié) 26
第3章 基于集群平臺的MPI并行數(shù)據(jù)處理技術(shù) 28
3.1 概述 28
3.1.1 并行計(jì)算基礎(chǔ) 28
3.1.2 MPI及島filICH 29
3.1.3 相關(guān)研究現(xiàn)狀 31
3.2 基于集群的MPI并行計(jì)算方法 31
3.2.1 集群平臺類型的選擇 31
3.2.2 編程開發(fā)模型和工具的選擇 32
3.2.3 需要開發(fā)的并行程序的定位 32
3.3 基于Linux集群平臺的MODTRAN并行算法 33
3.3.1 應(yīng)用背景概述 33
3.3.2 MODTRAN數(shù)據(jù)處理并行化研究現(xiàn)狀 36
3.3.3 PMODTRAN并行算法設(shè)計(jì) 37
3.3.4 PMüDτ'RAN并行算法實(shí)現(xiàn) 38
3.3.5 PMODτ'RAN并打算法性能測試 41
3.4 基于Linux集群平舍的等高線生成并行算法 44
3.4.1 柵格DEM生成等高線算法原理 45
3.4.2 優(yōu)化后的等高線追蹤串行算法實(shí)現(xiàn) 47
3.4.3 串行算法熱點(diǎn)分析 51
3.4.4 柵格DEM生成等高線并行算法設(shè)計(jì) 53
3.4.5 柵格DEM生成等高線并行算捷實(shí)現(xiàn) 55
3.4.6 柵格DEM生成等高錢并行算法實(shí)驗(yàn)與測試 58
3.4.7 柵格DEM生成等高線并行算法的進(jìn)一步優(yōu)化 61
3.5 基于Windows集群的MPI并行處理方法 66
3.5.1 Windows集群搭建與配直 67
3.5.2 基于Windows集群的并行算法設(shè)計(jì)與實(shí)現(xiàn) 67
3.6 本章小結(jié) 69
第4章 基于Intel多核/眾核平臺的OpenMP井行數(shù)據(jù)處理技術(shù) 71
4.1 概述 71
4.1.1 多核與MIC設(shè)備 71
4.1.2 OpenMP編程模型 72
4.1.3 基于Intel多核/眾核計(jì)算平臺的研究現(xiàn)狀 74
4.2 基于Intel多核/眾核平臺的OpenMP并行數(shù)據(jù)處理方法 75
4.3 基于Intel多核平臺的坡度坡向并行算法 77
4.3.1 坡度坡向算法原理及串行實(shí)現(xiàn) 77
4.3.2 利用句enMP實(shí)現(xiàn)坡度、坡向并行算法 80
4.3.3 在多核平臺上并行坡度、坡向算法性能測試 80
4.4 基于Intel多核/眾核平臺的NLM圖像處理并行算法 81
4.4.1 NLM圖像處理并行算法原理 81
4.4.2 NLM算法并行化研究現(xiàn)狀 83
4.4.3 基于多核平臺的NLM并行算法并行化設(shè)計(jì) 84
4.4.4 基于Intel多核/眾核平臺的NLM并行算法實(shí)現(xiàn) 85
4.4.5 基于Intel眾核平臺MIC的NLM并行算法實(shí)現(xiàn) 87
4.4.6 NLM并行算法在Intel多核/眾核平臺上的性能測試 88
4.5 本章小結(jié) 93
第5章 基于GPU平臺的CUDA/OpenCL并行數(shù)據(jù)處理技術(shù) 94
5.1 概述 94
5.1.1 GPU與通用GPU計(jì)算 94
5.1.2 CUDA與OpenCL編程模型 95
5.1.3 通用GPU計(jì)算在地學(xué)領(lǐng)域的應(yīng)用現(xiàn)狀 96
5.2 基于GPU的空間信息并行處理方法 97
5.3 利用CUDA實(shí)現(xiàn)壓縮感知重構(gòu)并行算法 98
5.3.1 壓縮感知重構(gòu)算法原理及實(shí)現(xiàn) 98
5.3.2 壓縮感知重構(gòu)算捷并行化研究現(xiàn)狀 99
5.3.3 壓縮感知重構(gòu)算法熱點(diǎn)分析及其并行化設(shè)計(jì) 100
5.3.4 基于CUDA的壓縮感知重構(gòu)并行算法實(shí)現(xiàn) 102
5.3.5 基于CUDA的壓縮感知重構(gòu)并行算法性能測試 104
5.4 基于OpenCL的壓縮感知重構(gòu)并行算法 105
5.4.1 基于句OpenCL的壓縮感知重構(gòu)并行算法實(shí)現(xiàn) 105
5.4.2 基于OpenCL的壓縮感知重構(gòu)并行算法實(shí)驗(yàn) 110
5.5 本章小結(jié) 112
第6章 基于CPU+GPUIMIC異構(gòu)平臺的協(xié)同并行數(shù)據(jù)處理技術(shù) 113
6.1 概述 113
6.2 基于CPU+MIC/GPU異構(gòu)平臺的協(xié)同井行處理方法 114
6.3 基于CPU+MIC異構(gòu)計(jì)算平臺下的NLM協(xié)同并行算法 117
6.3.1 CPU+MIC協(xié)同的NLM并行算法 117
6.3.2基于動態(tài)任務(wù)分配的C臼PU+陽C協(xié)同NLM并行算法 199
6.4 基于CPU+PUIMIC異構(gòu)計(jì)算平臺下的泛Kriging協(xié)同并行算法 124
6.4.1 Kriging算法并行化研究現(xiàn)狀 124
6.4.2 Kriging算法原理及其實(shí)現(xiàn) 125
6.4.3 基于句enCL的泛Kriging并行算法設(shè)計(jì) 127
6.4.4 基于句enCL的泛Kriging并行算法實(shí)現(xiàn) 130
6.4.5 基于CPU+GPU!MIC異構(gòu)平臺的泛Kriging并行算法性能測試 138
6.5 不同異構(gòu)計(jì)算平臺算法性能對比實(shí)驗(yàn) 141
6.6 本章小結(jié) 143
第7章 基于大數(shù)據(jù)Sp缸k平臺的并行數(shù)據(jù)處理技術(shù) 144
7.1 概述 144
7.2 云計(jì)算與大數(shù)據(jù)及其關(guān)鍵技術(shù) 145
7.2.1 云計(jì)算與大數(shù)據(jù) 145
7.2.2 Hadoop 146
7.2.3 Sperk 148
7.2.4 Docker容器虛擬化技術(shù) 151
7.2.5 大數(shù)據(jù)集群資源管理框架 153
7.3 基于云計(jì)算/大數(shù)據(jù)平臺的并行數(shù)據(jù)處理方法 155
7.4 DBSCAN算法及其在Spark平臺上并行設(shè)計(jì)與實(shí)現(xiàn) 156
7.4.1 nBSCAN算法 156
7.4.2 nBSCAN算法并行化現(xiàn)狀 158
7.4.3 nBSCAN并行算法在Spark平臺上的設(shè)計(jì)與實(shí)現(xiàn) 160
7.4.4 nBSCAN并行算法在Spark平臺上的優(yōu)化 165
7.4.5 nBSCAN并行算法在不同資源管理器模式下的并行實(shí)現(xiàn) 168
7.5 DBSCAN并行算法性能測試與分析 170
7.5.1 實(shí)驗(yàn)平臺及配置 170
7.5.2 實(shí)驗(yàn)數(shù)據(jù) 171
7.5.3 實(shí)驗(yàn)內(nèi)容 171
7.5.4 測試結(jié)果及分析 172
7.6 基于Spark平臺的DBSCAN并行算法在城市擁培區(qū)域發(fā)現(xiàn)應(yīng)用 177
7.6.1 nBSCAN并行算法在城市擁培區(qū)域發(fā)現(xiàn)的應(yīng)用流程 177
7.6.2 實(shí)驗(yàn)數(shù)據(jù)與平臺 178
7.6.3 實(shí)驗(yàn)測試與分析 178
7.7 本章小結(jié) 182
參考文獻(xiàn) 183