一、一种更有效的并行系统可扩展性模型（论文文献综述）
林文杰[1]（2020）在《基于最小生成树的高分辨率遥感影像层次化分割方法研究》文中认为随着遥感传感器分辨率的不断提高以及高分辨率遥感卫星的不断发射,高分辨率遥感数据逐渐成为主流。在更精细的空间尺度下,高分辨率遥感影像呈现更丰富的地物细节信息,表现为信息内容的复杂性、空间性和海量性等特征,给传统遥感影像分割方法带来新的挑战。针对这些挑战,寻求一种更有效的分割模型和并行化的处理方法是有效提高大尺度高分辨率遥感影像分割精度和处理效率的关键。为此,本文提出基于最小生成树的高分辨率遥感影像层次化分割方法及其并行化重构。前者利用层次化最小生成树模型实现高分辨率遥感影像中覆盖的复杂场景信息的有效刻画,在此基础上利用区域化模糊聚类分割方法构建层次化分割模型。后者基于子块切分的并行划分和区域化并行模糊聚类分割方法,实现大尺度高分辨遥感影像的快速、有效分割。论文的主要工作如下。（1）在高分辨率遥感影像层次化最小生成树模型中,以最小生成树为基本模型,从局部、区域和全局三个尺度,分别利用影像最小生成树域模型、最小异质性区域准则以及区域标号场模型刻画影像的层次化场景信息。其中,影像最小生成树域是一种同时考虑像素空间和光谱信息的影像表达模型,其表现出的空间集聚性对自适应地刻画地物边界有独特效果;同质子区域划分由最小异质性区域划分方法实现,该方法以区域的光谱信息和形状信息为合并准则,对抑制影像中琐碎地物引起的几何噪声有较好效果;同质子区域间的空间关联由区域最小生成树模型描述,进一步降低了传统区域分割算法中用区域邻接关系描述区域间空间关联性时造成的冗余,从而提升了区域分割算法的计算效率。（2）在影像的层次化最小生成树基础上,结合区域化隐马尔可夫随机场-模糊聚类（Regional Hidden Markov Random Field-Fuzzy C-Means,RHMRF-FCM）方法构建影像的层次化模糊聚类分割模型。分割模型由RHMRF-FCM目标函数刻画,并由偏微分方法进行求解。为了验证提出方法的有效性和可行性,以World View-3高分辨率遥感影像为实验数据,重点探讨了最小异质区域划分算法中划分尺度、光谱测度相似性权重、区域形状紧致度权重对最终分割结果的影响,以及对比分析了本文算法和e Cognition软件中多分辨率分割方法和分水岭算法。分割结果的定性、定量分析结果表明:提出方法不仅能有效克服高分辨率遥感影像复杂场景中广泛存在的几何噪声影响,且分割精度优于对比算法。（3）为了提高大尺度高分辨率遥感影像的同质子区域划分速度,在串行算法分析基础上,以子块切分为子任务划分准则,提出一种并行最小异质区域划分-子块缝合方法。同时,为了进一步提高RHMRF-FCM算法的分割速度,从降低并行计算过程中的数据通信量角度,结合主从并行模式,设计一种低数据通信量的并行RHMRF-FCM算法。为了验证提出的并行分割方法的有效性和可行性,从并行分割代价和并行性能分析两个方面进行实验验证。实验结果表明,提出的并行方法与串行方法不仅分割精度上较为接近,而且计算时间、加速比和并行效率上均表现卓越,对于6.7千万个像素的高分辨率遥感影像的最优分割时间仅为1小时,总体最高加速比达2075,并行效率曲线趋势表明提出方法在并行调度的均衡负载方面表现突出,且具有良好的可扩展性能。该论文有图67幅,表8个,参考文献120篇。
张云泉,袁良,陈一峯,冯晓兵,张贺[2]（2020）在《高性能计算多层次不连续非线性可扩展现象研究》文中研究表明高性能计算是计算科学的具体实践,极大地促进了各领域的科学进展,也对国家的经济建设起到了无法替代的基础性作用.从几十年发展的时间尺度和十万至百万核量级并行规模尺度研究大规模并行软件的研制发展历史来看,发现大规模并行应用软件的开发中物理模型、并行算法、并行软件实现以及底层硬件多个层次中存在的可扩展性的两种有趣现象,即不连续性和非线性现象.本文总结分析这一普遍存在现象,系统梳理计算机软硬件发展,特别是高性能计算发展中的可扩展问题,为未来并行计算领域发展提供方法论层面的借鉴和指导.
孟贺[3]（2019）在《概率图模型的学习算法研究》文中进行了进一步梳理概率图模型结合概率论和图论,用紧凑的形式描述多元统计关系,目前广泛应用于不确定性知识表示和推理。在大数据时代的今天,如何加快网络模型学习的速度,使之能够在短时间内利用海量数据学习出复杂的网络模型,对充分利用数据的价值具有重要意义。概率图模型主要有贝叶斯网络和马尔可夫网络两种,本文主要关注于贝叶斯网络的学习问题。贝叶斯网络学习分为结构学习和参数学习,其中结构学习是研究重点。贝叶斯网络的结构学习是NP难问题,因此多使用启发式算法或随机方法来降低网络模型学习复杂度。本文提出了一种基于MCMC方法对序列进行抽样的算法来学习贝叶斯网络结构。相比于在图空间中进行抽样,对序列抽样显着减小了抽样空间。为进一步提高算法效率,本文引入了一种新的序列评分函数,减少了传统评分函数的复杂计算,提高了序列的评价速度,并使用新的整数与组合之间的映射算法,取代传统的哈希算法来计算局部评分的存储位置,加快局部评分的查找过程。此外使用了贝叶斯参数估计方法来学习网络模型的参数。然后,对改进后的学习算法进行了并行化设计,以便在CUDA平台上利用GPU来加速贝叶斯网络的学习。在改进算法中,预处理阶段计算局部评分表和MCMC迭代学习阶段对给定序列中每个节点的最佳局部评分都可以利用GPU线程来并行计算,而且这两个阶段也是整个算法的核心,因此能够显着降低贝叶斯网络模型学习的时间。同时,应用新的归约算法获取节点对应的最优父节点集合,降低了对显卡内存的要求。最后,在实验阶段,本文选取了四个不同规模的贝叶斯网络对改进算法mMCL和基于CUDA GPU的PmMCL并行学习算法进行性能测试,并与经典的MCL学习算法进行比较。实验结果表明,改进算法在保证了模型学习准确性的前提下,mMCL算法在一定程度上提高了贝叶斯网络模型的学习速度,PmMCL并行学习算法显着加快了贝叶斯网络的学习效率,且具有良好的可扩展性。
韩梅[4]（2019）在《基于自我中心网络的通信可视化分析系统设计与实现》文中提出通过计算机领域相关方法,检测和分析通信网络中用户的通信行为规律对于运营商识别网络结构和调整商业战略具有重要的作用。可视化分析结合人类视觉感知能力和直观且友好的交互式界面来展示和探究信息密度稀疏的数据,向用户传递深层次规律,有效地帮助了通信领域专家自动化探索通信用户的网络规律。自我中心网络可以准确地构建个人网络结构。自我中心网络代表特定个体（即自我）与其相关的人之间的关系,即邻居,是社交网络分析中研究的重点内容。作为个人与外部世界之间联系的抽象,自我中心网络通常具有多种属性,并已应用于诸如社会学,人类学和心理学等许多研究领域。多属性的自我中心网络可以帮助用户分析网络中的个体特征和隐藏模式。本文基于自我中心网络理论和可视化分析方法,提出了通信可视化分析框架,并构建了通信数据可视化分析平台。该平台可以从自我中心网络的角度来交互式地探索移动用户的通信行为规律。通信数据可视化分析平台从三个角度探索通信网络规律。在宏观角度下,基于glyph模型提供了一个整体的统计视图,用于探索运营商整个网络下用户通信行为的分布;在介观角度下,提供一个群体分类视图,对用户进行分类并提取用于检查和比较异常行为的特征;在微观角度下,一个自我中心网络视图来交互式展现中心用户和联系人之间的细节,并且加入联系人关系视图和用户时序分析视图,帮助深入分析中心用户的通信规律。该系统可以帮助专家从自我中心角度出发交互式地探索移动用户的通信模式。综上,该系统可以让有关部门和运营商通过一种直观的方式审查大规模通信行为数据,以实现更简单地检测和分析异常用户。此外,该可视化分析平台给通信专家提供一个观察用户通信模式的通道,可以挖掘人类社交互动的新规律。结果表明该系统在识别异常通信行为方面是有效的,而且它的前端交互可视化对于专家挖掘更深层次的规律具有直观有效性。本文提出的设计可以用于任何存在网络结构的场景。
熊焕亮,曾国荪[5]（2016）在《可变结构的并行计算中任务粒度细化可扩展方法》文中研究表明首先评估并行任务及体系结构中影响可扩展性的关键因素,并对并行任务及体系结构进行图建模.然后,提出一种DAG任务粒度细化的可扩展方法,本质上是变换图的结构、调整图节点权值和边权值.进一步推导得出一些关于新扩展方法的有用结论.最后,应用网格模拟工具SimGrid开展实验,结果表明所提出的扩展方法,能实现可变结构并行计算的等速度效率扩展,对于并行计算扩展实践有指导意义.
熊焕亮,吴沧海,匡桂娟,杨文姬[6]（2014）在《固定结构约束下并行计算关键路径不变的可扩展方法》文中提出在固定结构的需求下,并行计算无法通过规模扩展提升其计算性能。针对此类并行计算可扩展问题,分析影响可扩展性的并行任务因素及体系结构因素,采用带权图对并行任务及体系结构进行建模,并提出一种关键路径不变的可扩展方法,其核心思想是固定图结构,仅合理地调整图节点权值和边权值。通过进一步推导,得出一些关于新扩展方法的性质结论。应用网格计算模拟工具Sim Grid开展的实验结果表明,所提出的扩展方法能有效解决此类扩展问题,且保持速度效率不变。
吴沧海,熊焕亮,姜火文,杨文姬[7]（2014）在《固定结构约束下并行计算成比例的可扩展方法》文中进行了进一步梳理针对固定结构下并行计算无法通过规模扩展提升计算性能的问题,提出了一种成比例调整图权的并行计算扩展方法。该方法首先分析影响可扩展性的并行任务因素及体系结构因素;然后采用带权图对并行任务及体系结构进行建模;最后,对并行计算图模型中顶点和边的权值进行调整,实现并行计算的扩展。针对并行任务与体系结构是否具有相同的拓扑结构进行了两组实验,结果显示扩展前后的速度效率不变或近似相等。在上述两组实验的基础上,固定并行任务的算法结构及硬件系统的体系结构,仅调整性能参数,从特定的初始状态开始,以相同的比例作连续多次扩展,结果显示随着并行任务的连续扩展,体系结构资源被充分利用,速度效率逐渐提高,但并行任务扩展至一定程度后,速度效率提高缓慢;而如果并行任务及体系结构按一定的比例一同扩展,并行计算的速度效率近似不变。
胡俊[8]（2012）在《构建分布式系统的关键技术研究与实现》文中认为集群计算以及近年来涌现出的物联网、云计算和无线传感网络等概念均为分布式系统技术的商业应用,因此构建分布式系统是有效实现这些应用的基本要求。本文主要研究了分布式系统的通信和负载均衡问题。在简单介绍了分布式系统及其构建的主要技术后,叙述了分布式系统的研究现状。通信是分布式系统的主要技术之一。本文结合远程过程调用模型,构建了节点信息库;针对应用的透明性,设计了进程通信的两个基本函数Reader和Writer,并采用java语言编程实现;以矩阵计算为实例,在两个节点、三个节点和四个节点组成的系统中分别对这两个函数的功能和性能进行了测试,实验结果表明利用Reader和Writer通信函数是有效的。本文对分布式系统的负载均衡算法进行了研究。在分析了目前常用的负载平衡算法后,建立了一种半分布半集中式动态负载分配模型,并据此设计了相应算法;根据节点响应时间,对模型进行了性能分析,并与原有的动态分配算法进行了比较。讨论结果表明,新模型提高了分布式系统的资源利用率。设计具有应用透明的通信函数,研究系统的负载均衡是构建性能良好的分布式系统的基本要求,本文的工作试图为建立分布式系统原型建立基础。
祝永志,李丙峰,孙婷婷,李佩[9]（2011）在《并行计算系统可扩展性的研究》文中研究表明可扩展性是设计并行计算系统和并行算法所要考虑的一个重要性能指标。分析了等效率、等速度、平均延迟和等并行计算开销比几种并行系统可扩展性模型的特征,提出了一种新的更有效的可扩展性度量标准。通过实验结果分析,该模型能很好地评测并行计算系统的可扩展性。
孔令鑫,祝永志,侯秀杰[10]（2009）在《基于Beowulf集群的可扩展性模型的研究》文中提出可扩展性是衡量并行算法与并行系统匹配程度的一项重要指标。分析了传统的等并行开销计算比评价准则,指出其优缺点。为了适用于基于Beowulf集群的分布式并行计算环境,对传统的等并行开销计算比评价准则进行改进,得到Beowulf环境下的新的可扩展函数。该可扩展函数能够直观地反映基于Beowulf集群的分布式并行系统在机器规模和问题规模扩展时,其性能的扩展特性。用该评价准则分析并论证了编制的并行算法与Beowulf集群相结合的可扩展性。
二、一种更有效的并行系统可扩展性模型（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种更有效的并行系统可扩展性模型（论文提纲范文）
（1）基于最小生成树的高分辨率遥感影像层次化分割方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 缩略语清单 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.3 研究内容 |
| 1.4 论文组织 |
| 2 基本理论 |
| 2.1 图论基础 |
| 2.2 模糊聚类方法 |
| 2.3 并行计算 |
| 2.4 精度评价 |
| 2.5 本章小结 |
| 3 高分辨率遥感影像层次化最小生成树模型 |
| 3.1 影像的图模型 |
| 3.2 影像的最小生成树模型 |
| 3.3 最小异质区域划分 |
| 3.4 区域最小生成树模型 |
| 3.5 层次化最小生成树模型 |
| 3.6 本章小结 |
| 4 基于最小生成树的层次化模糊聚类分割 |
| 4.1 层次化模糊聚类分割模型 |
| 4.2 分割模型求解 |
| 4.3 实验结果与讨论 |
| 4.4 本章小结 |
| 5 基于MST的层次化模糊聚类并行分割 |
| 5.1 串行算法分析 |
| 5.2 最小异质区域并行划分 |
| 5.3 并行RHMRF-FCM算法 |
| 5.4 实验结果与讨论 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 查新结论 |
| 作者简历 |
| 学位论文数据集 |
（2）高性能计算多层次不连续非线性可扩展现象研究（论文提纲范文）
| 1 引言 |
| 2 多层次不连续非线性可扩展现象 |
| 2.1 可扩展性 |
| 2.2 多层次不连续非线性可扩展现象 |
| 2.3 硬件层面的多层次不连续非线性 |
| 2.3.1 计算单元 |
| 2.3.2 存储单元 |
| 2.3.3 指令系统 |
| 2.3.4 I/O |
| 2.4 软件层面的多层次不连续非线性 |
| 2.4.1 物理模型和数值方法 |
| 2.4.2 计算模型 |
| 2.4.3 并行算法 |
| 2.4.4 优化方法 |
| 2.4.5 编程模型 |
| 3 应对方法 |
| 3.1 两层协同设计 |
| 3.2 大规模并行程序优化 |
| 3.3 高效能并行编程模型设计 |
| 4 结论 |
| Background |
（3）概率图模型的学习算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 概率图模型学习算法研究现状 |
| 1.2.2 概率图模型学习算法并行化研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第二章 贝叶斯网络和GPU并行计算概述 |
| 2.1 贝叶斯网络模型的表示 |
| 2.1.1 条件独立性与链式法则 |
| 2.1.2 贝叶斯网络模型表示 |
| 2.2 贝叶斯网络参数学习 |
| 2.2.1 最大似然估计 |
| 2.2.2 贝叶斯估计 |
| 2.3 贝叶斯网络结构学习 |
| 2.3.1 评分函数 |
| 2.3.2 搜索算法 |
| 2.3.3 序列空间 |
| 2.3.4 MCMC抽样算法 |
| 2.4 图形处理器GPU |
| 2.4.1 GPU简介 |
| 2.4.2 GPU通用计算 |
| 2.4.3 GPU与 CPU |
| 2.5 CUDA架构 |
| 2.5.1 CUDA软件体系 |
| 2.5.2 CUDA线程结构 |
| 2.5.3 CUDA存储结构 |
| 2.5.4 CUDA编程模型 |
| 2.6 本章小结 |
| 第三章 贝叶斯网络学习算法研究 |
| 3.1 贝叶斯网络结构学习关键技术 |
| 3.1.1 序列评分函数 |
| 3.1.2 k-组合映射为整数 |
| 3.1.3 根据整数还原k-组合 |
| 3.2 贝叶斯网络结构学习算法 |
| 3.2.1 预处理 |
| 3.2.2 序列评分 |
| 3.2.3 拓扑序列生成及Metropolis-Hastings抽样 |
| 3.2.4 贝叶斯网络学习算法设计与实现 |
| 3.3 贝叶斯网络参数学习 |
| 3.3.1 贝叶斯参数估计方法 |
| 3.3.2 贝叶斯参数估计算法流程 |
| 3.4 本章小结 |
| 第四章 贝叶斯网络学习算法并行化研究 |
| 4.1 并行学习算法流程 |
| 4.2 预处理阶段并行化 |
| 4.3 并行序列评分 |
| 4.4 局部评分归约 |
| 4.5 本章小结 |
| 第五章 实验测试与分析 |
| 5.1 实验目的和方法 |
| 5.2 实验环境 |
| 5.3 实验数据 |
| 5.4 实验结果与分析 |
| 5.4.1 mMCL学习算法效率 |
| 5.4.2 PmMCL并行学习算法效率 |
| 5.4.3 PmMCL并行学习算法可扩展性 |
| 5.4.4 参数学习准确性 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（4）基于自我中心网络的通信可视化分析系统设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 相关研究 |
| 1.2.1 基于通信数据的社交网络研究 |
| 1.2.2 自我中心网络 |
| 1.2.3 数据可视化 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 关键技术介绍 |
| 2.1 聚类算法 |
| 2.1.1 单机集群技术 |
| 2.1.2 多机集群技术 |
| 2.2 分布式系统框架 |
| 2.2.1 分布式文件系统(HDFS) |
| 2.2.2 Spark分布式计算框架 |
| 2.3 数据可视化 |
| 2.3.1 数据可视化流程 |
| 2.3.2 数据可视化基本图表 |
| 2.3.3 可视化设计原则 |
| 2.4 本章小结 |
| 第三章 可视化分析平台设计与实现 |
| 3.1 开发目标 |
| 3.2 开发环境 |
| 3.3 数据描述与数据处理 |
| 3.3.1 数据描述 |
| 3.3.2 数据清洗 |
| 3.4 数据建模 |
| 3.5 整体架构设计 |
| 3.6 详细设计 |
| 3.7 主要功能 |
| 3.7.1 用户分类图 |
| 3.7.2 中心用户分析图 |
| 3.8 本章小结 |
| 第四章 群体层面的可视化设计 |
| 4.1 分析目标 |
| 4.2 数据特征统计 |
| 4.3 用户群体规律设计 |
| 4.3.1 全网用户宏观设计 |
| 4.3.2 基于用户密度的群体设计 |
| 4.3.3 基于聚类的群体设计 |
| 4.4 本章总结 |
| 第五章 基于自我中心网络的用户可视化设计 |
| 5.1 分析目标 |
| 5.2 研究用户概况和可视分析设计 |
| 5.3 相关方法定义 |
| 5.4 自我中心用户可视化设计 |
| 5.4.1 中心用户特征可视化设计 |
| 5.4.2 中心用户与联系人强度可视化设计 |
| 5.4.3 用户联系人之间的关系设计 |
| 5.4.4 用户通信时序设计 |
| 5.5 本章小结 |
| 第六章 系统案例分析 |
| 6.1 用户分类分析 |
| 6.2 用户通信网络结构分析 |
| 6.3 可视化算法对比 |
| 6.4 本章小结 |
| 第七章 全文总结及未来展望 |
| 7.1 全文总结 |
| 7.2 不足与未来展望 |
| 致谢 |
| 参考文献 |
| 攻硕期间取得的研究成果 |
（5）可变结构的并行计算中任务粒度细化可扩展方法（论文提纲范文）
| 1 可变结构并行计算的概念及扩展性度量 |
| 2 可变结构并行计算的图模型 |
| 2.1 可变结构体系结构的图描述 |
| 2.2 可变结构并行任务的图描述 |
| 3 可变结构DAG任务粒度细化的扩展方法 |
| 3.1 DAG任务粒度细化扩展的前提假设 |
| 3.2 DAG任务粒度细化的扩展过程 |
| 4 可变结构并行计算DAG任务粒度细化扩展方法的性能评估 |
| 4.1 DAG任务扩展及粒度细化后并行计算性能分析 |
| 4.1.1 可变结构并行计算扩展参数的详细假定 |
| (1)并行机体系结构扩展参数的假定 |
| (2)DAG并行任务扩展细化参数的假定 |
| (3)扩展及粒度细化后的DAG并行任务与新体系结构的匹配映射 |
| 4.1.2 可变结构并行计算DAG并行任务关键路径的扩展分析 |
| 4.2 可变结构并行计算扩展的仿真实验 |
| 4.2.1 仿真实验工具及实验设计 |
| 4.2.2 仿真实验结果及分析 |
| 5 结束语 |
（6）固定结构约束下并行计算关键路径不变的可扩展方法（论文提纲范文）
| 0 引言 |
| 1 并行计算可扩展性概念 |
| 2 固定结构的并行计算图模型 |
| 2.1 固定结构并行任务的现实需求及图建模 |
| 2.2 固定结构的体系结构现实需求及图建模 |
| 2.3 固定结构约束下并行计算扩展语义 |
| 3 固定结构并行计算关键路径不变的扩展方法 |
| 3.1 固定结构的并行计算可扩展问题描述 |
| 3.2 固定结构的并行计算关键路径不变的可扩展方法 |
| 4 关键路径不变扩展的仿真实验 |
| 4.1 实验平台及实验设计 |
| 4.2 实验结果及分析 |
| 5 结语 |
（7）固定结构约束下并行计算成比例的可扩展方法（论文提纲范文）
| 0 引言 |
| 1 并行任务匹配体系结构的可扩展概念 |
| 2 固定结构的并行计算图模型 |
| 2.1 固定结构并行任务的现实需求及图模型 |
| 2.2 体系结构的固定结构假设及图模型 |
| 2.3 固定结构约束下并行计算扩展内涵 |
| 3 固定结构的并行计算成比例扩展方法 |
| 3.1 固定结构的并行计算成比例扩展过程 |
| 3.2 固定结构的并行计算成比例扩展性质 |
| 4 固定结构的并行计算仿真扩展实验 |
| 4.1 仿真实验平台及实验设计 |
| 4.2 实验结果及分析 |
| 5 结语 |
（8）构建分布式系统的关键技术研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 分布式系统 |
| 1.1.1 基本概念 |
| 1.1.2 体系结构模型 |
| 1.1.3 透明性 |
| 1.1.4 分布式计算的特点 |
| 1.1.5 分布式计算性能评价准则 |
| 1.2 构建分布式系统的主要技术 |
| 1.2.1 进程 |
| 1.2.2 通信 |
| 1.3 研究现状与分析 |
| 1.3.1 目前的有关研究 |
| 1.3.2 分布式计算与网络计算 |
| 1.4 研究内容与研究意义 |
| 1.5 本文章节安排 |
| 第2章 函数Reader& Writer 的设计与实现 |
| 2.1 选择基本通信函数的考虑 |
| 2.2 与Reader 和Writer 函数相关的通信技术 |
| 2.2.1 远程过程调用(RPC)执行过程 |
| 2.2.2 Socket 通信和输入/输出流 |
| 2.2.3 java 序列化/反序列化 |
| 2.3 客户端和服务器端的桩程序实现 |
| 2.3.1 动态代理 |
| 2.3.2 反射和类装载机制 |
| 2.4 分布式系统信息库的建立 |
| 2.5 Reader 和Writer 函数的结构框图 |
| 2.5.1 函数的结构框图 |
| 2.5.2 两个函数的声明 |
| 2.6 本章小结 |
| 第3章 基本通信函数的应用 |
| 3.1 系统运行环境 |
| 3.2 并行矩阵乘法算法 |
| 3.3 使用Reader 和Writer 函数完成分布式运算 |
| 3.4 实验及结果分析 |
| 3.5 本章小结 |
| 第4章 分布式系统节点负载动态平衡策略研究 |
| 4.1 负载均衡概述 |
| 4.2 集中式负载平衡算法 |
| 4.3 分布式负载平衡算法 |
| 4.4 改进的动态负载均衡算法 |
| 4.5 改进算法的性能分析 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 进一步的研究和展望 |
| 致谢 |
| 参考文献 |
| 在学期间的研究成果及发表的学术论文 |
四、一种更有效的并行系统可扩展性模型（论文参考文献）
- [1]基于最小生成树的高分辨率遥感影像层次化分割方法研究[D]. 林文杰. 辽宁工程技术大学, 2020(01)
- [2]高性能计算多层次不连续非线性可扩展现象研究[J]. 张云泉,袁良,陈一峯,冯晓兵,张贺. 计算机学报, 2020(06)
- [3]概率图模型的学习算法研究[D]. 孟贺. 东南大学, 2019(06)
- [4]基于自我中心网络的通信可视化分析系统设计与实现[D]. 韩梅. 电子科技大学, 2019(01)
- [5]可变结构的并行计算中任务粒度细化可扩展方法[J]. 熊焕亮,曾国荪. 同济大学学报(自然科学版), 2016(10)
- [6]固定结构约束下并行计算关键路径不变的可扩展方法[J]. 熊焕亮,吴沧海,匡桂娟,杨文姬. 计算机应用, 2014(12)
- [7]固定结构约束下并行计算成比例的可扩展方法[J]. 吴沧海,熊焕亮,姜火文,杨文姬. 计算机应用, 2014(11)
- [8]构建分布式系统的关键技术研究与实现[D]. 胡俊. 南京邮电大学, 2012(07)
- [9]并行计算系统可扩展性的研究[J]. 祝永志,李丙峰,孙婷婷,李佩. 计算机工程与应用, 2011(21)
- [10]基于Beowulf集群的可扩展性模型的研究[J]. 孔令鑫,祝永志,侯秀杰. 计算机技术与发展, 2009(07)