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(jiàn)的高性能計(jì)算硬件平臺(tái) 9
2.2.1 Linux集群平臺(tái) 9
2.2.2 GPU平臺(tái) 10
2.2.3 集成眾核MIC平臺(tái) 11
2.3 常見(jiàn)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(lái)展望 26
2.6 本章小結(jié) 26
第3章 基于集群平臺(tái)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(tái)類(lèi)型的選擇 31
3.2.2 編程開(kāi)發(fā)模型和工具的選擇 32
3.2.3 需要開(kāi)發(fā)的并行程序的定位 32
3.3 基于Linux集群平臺(tái)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(cè)試 41
3.4 基于Linux集群平舍的等高線(xiàn)生成并行算法 44
3.4.1 柵格DEM生成等高線(xiàn)算法原理 45
3.4.2 優(yōu)化后的等高線(xiàn)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(xiàn)并行算法設(shè)計(jì) 53
3.4.5 柵格DEM生成等高線(xiàn)并行算捷實(shí)現(xiàn) 55
3.4.6 柵格DEM生成等高錢(qián)并行算法實(shí)驗(yàn)與測(cè)試 58
3.4.7 柵格DEM生成等高線(xiàn)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(tái)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(tái)的研究現(xiàn)狀 74
4.2 基于Intel多核/眾核平臺(tái)的OpenMP并行數(shù)據(jù)處理方法 75
4.3 基于Intel多核平臺(tái)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(tái)上并行坡度、坡向算法性能測(cè)試 80
4.4 基于Intel多核/眾核平臺(tái)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(tái)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(tái)的NLM并行算法實(shí)現(xiàn) 85
4.4.5 基于Intel眾核平臺(tái)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(tái)上的性能測(cè)試 88
4.5 本章小結(jié) 93
第5章 基于GPU平臺(tái)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(cè)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(tái)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(tái)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(tái)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(dòng)態(tài)任務(wù)分配的C臼PU+陽(yáng)C協(xié)同NLM并行算法 199
6.4 基于CPU+PUIMIC異構(gòu)計(jì)算平臺(tái)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(tái)的泛Kriging并行算法性能測(cè)試 138
6.5 不同異構(gòu)計(jì)算平臺(tái)算法性能對(duì)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(tái)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(tái)的并行數(shù)據(jù)處理方法 155
7.4 DBSCAN算法及其在Spark平臺(tái)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(tái)上的設(shè)計(jì)與實(shí)現(xiàn) 160
7.4.4 nBSCAN并行算法在Spark平臺(tái)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(cè)試與分析 170
7.5.1 實(shí)驗(yàn)平臺(tái)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(cè)試結(jié)果及分析 172
7.6 基于Spark平臺(tái)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(tái) 178
7.6.3 實(shí)驗(yàn)測(cè)試與分析 178
7.7 本章小結(jié) 182
參考文獻(xiàn) 183