相邻的零通信云计算并行方法及其系统身体问题短程相互作用域分解

文摘

虽然并行计算中使用现有的数值解身体问题,吨之间的通信粒子渲染并行效率极低。尽管使用基于短程相互作用域分解,当非常的大,很多通信之间存在粒子在相邻地区,并行效率仍然很低。提出了邻零沟通平行云计算方法身体问题短程相互作用域分解。根据这种方法,相邻子块数据交换和存储没有多余地收购其他的子块并行处理的数据,所以数据传输的等待时间可以保存,因此并行处理效率可以大大提高。

1。介绍

身体问题1)的意思给出了粒子之间有万有引力在三维空间和解决运动的时空状态粒子的条件下,给定的初始位置和速度。如果宇宙中的行星被认为是粒子,然后我们可以考虑的运动一个行星的万有引力身体的问题。当,这是极大的困难,甚至无法采用分析方法(它的基本原理是天体的坐标和速度近似解析表达式的形式及时系列或其他小参数,以讨论天体的坐标或轨道的变化随着时间)或定性方法(使用微分方程的定性理论研究macrolaws和全球的性质身体长期)获得的解决方案。最可行的方法是采用数值方法(2)(直接获得的具体位置和时间天体在一定时间内通过微分方程的计算方法(3])。在身体问题4),的速度和位置粒子根据万有引力在某个时间需要重新计算步骤。因此,更新的速度和位移的计算每个粒子在每个时间步需要添加其他粒子的粒子相互作用的结果,但这将导致计算量每个时间步的复杂性。时间步长越大,误差越大;时间步长越小,越接近现实。当是非常大的,时间步长(TS)很小,串行计算不能工作,因为串行计算总不能完整的计算复杂性是谁的在TS。因此,当非常大,TS很小,必须使用并行计算加速数值解的吗身体问题5,6]。

在传统并行计算(7- - - - - -9和云计算10,11),大量的相邻数据块在复杂网络12的身体需要交换,所以无法理解所需的数据通信的相邻数据块将导致平行的等待过程和并行处理的效率低。利用并行计算来解决身体问题,更新的速度和位移的计算每个粒子在每个时间步需要添加其他粒子的粒子相互作用的结果,因此每个粒子需要与剩余的交流因此,粒子在每个TS。通信需要在每个时期TS。这样的频繁和大量的通信将大大降低并行计算的效率,从而剥夺了并行计算的优点。这就是为什么我们需要找到一个方法来减少沟通。因此,我们需要简化身体的问题身体问题下的短程相互作用。这种简化是有效的,因为遥远的粒子之间的作用力弱,远距离效应可以忽略,只有短程效应被认为是。因此,每个粒子只需要与短程通信粒子没有沟通与其他粒子,大大降低了通信流量。域分解是将物理域划分为子域相同数量的处理器。在每个TS,每个处理器计算力、速度、位移的其域内所有粒子,粒子移动到一个新的子域名时,它将被分配给一个新的处理器。为了计算粒子的力量在其领域,处理器只需要知道信息的粒子相邻子域。域分解并行算法非常适用于解决这个问题身体短程相互作用的问题,因为它只导致邻域需要相互沟通,获取粒子邻域之间的交互。

如果粒子的数量在每个域仍然是非常可观的,那么即使只需要邻域的通信,通信流量依然沉重,还大大影响并行效率。因此,本文提出了相邻零沟通平行相邻数据云计算方法几乎可以完全消除所有沟通解决身体问题短程相互作用域分解。

2。相邻零沟通平行云计算方法

相邻的流程图零沟通平行云计算方法呈现在图1。这个邻零沟通平行云计算方法包括下列步骤。

S100。处理输入数据分为许多子块数据。大量的子块划分从输入数据冗余存储数据包含在相邻子块数据,其中输入数据参考数据需要相对较长的处理时间在一个数据并行处理,而子块数据意味着数据的单一处理相对简单,因此耗时少。

子群的时候数据从输入数据所需的处理通过并行处理单元应基本相同,这样,在并行处理后,可以以最快的速度获得最终结果和等待并行处理单元是可以避免的。

传统数据部分的原理图呈现在图2。输入数据10 20分为许多子块数据,每个相邻数据30,其中,当相邻子块数据20进行并行处理,有必要获得相邻数据30。

相邻的分区示意图零沟通平行云计算方法呈现在图3。两个单位的相邻子块数据(202和204)被用来解释冗余存储。在传统的划分方法,子块数据202 (a)和相邻数据子块数据204年相邻数据(b)。202多余地存储数据子块相邻的数据(b)和子块的数据204年相邻数据(a)。也就是说,这两个子块数据202年和204年的子块数据包括相邻数据单元(a)和(b),相邻的数据单元(a)和(b)使用各自的子块并行处理的数据单位202年和204年。

实现冗余存储的方式包括冗余的分割和nonredundant分割后的数据交换。

冗余细分意味着,在数据分割,分割边界延伸到预设的宽度,这样数据中包含其他子块可以包含数据。数据分割采用的方法如文件分割,分割数据表和数据矩阵分割。

Nonredundant细分意味着主数据分段依照传统数据分割方法和分段子群之间没有数据冗余的数据。同样,nonredundant分割可以采用的方法,如文件分割,分割数据表和数据矩阵分割。随后,每个子块数据单元传输和交换相邻的数据,将这些数据集成到自己的数据,在数据交换可以采用消息传递技术和文件传输技术。

售价。大量的子块数据进行并行处理。在获得各自多余地存储数据子块,并行处理单元进行并行处理。

在并行数据处理方法,因为子块数据冗余存储数据所需的其他子块中的数据并行处理,他们不需要获得数据从其他子块中的数据并行处理,从而可以节省等待时间的数据传输,因此并行处理效率可以提高。

3所示。相邻的零沟通平行的云计算系统身体问题短程相互作用域分解

虽然粒子在域身体问题短程相互作用域分解将从一个领域转移到另一个在不同的时间步长,大部分的粒子在每个域的经验没有显著变化在相邻时间的步骤,所以沟通交通引起的粒子在不同领域的转移是相对较轻。当前时间步只需要更新在当前域改变粒子及其状态在当前域及其邻域,所以当前时间步所需的通信流量只是通信流量消耗的粒子转移及其冗余备份通信在其邻域。因为这种沟通交通非常轻,这是微不足道的通讯交通产生的解决方案身体问题短程相互作用域分解之前采用邻零通信云计算并行方法。

并行处理系统显示在图4。该系统包括数据分割模块100和并行处理单元200。

100进行冗余数据分割模块分割输入数据,允许每个子块数据单元冗余存储数据包含在其相邻子块数据,其中多余的分割方法分割边界延伸到预设宽度数据分割。数据分割采用的方法如文件分割,分割数据表和数据矩阵分割。

并行处理单元200接受调度,进行并行处理的子块数据。并行处理单元300是用来进行并行计算,分布式计算,网络计算、网格计算、云计算、或计算。

并行处理系统显示在图5。该系统包括数据分割模块100′,数据交换模块200′,并行处理单元300。数据分割模块100′进行nonredundant主数据的分割,和nonredundant细分意味着主数据分段依照传统数据分割方法和分段子群之间没有数据冗余的数据。的分割方法可以采用文件分割,分割数据表和数据矩阵分割。

数据交换模块200′交流与冗余存储相邻子块数据。每个子块数据单元传输和交换相邻的数据,将这些数据集成到自己的数据,数据交换可以采用消息传递技术和文件传输技术。

并行处理单元300接受调度,进行并行处理的子块数据。并行处理单元300是用来进行并行计算,分布式计算,网络计算、网格计算、云计算、或计算。

4所示。结果

时间步的数值解身体问题是TS。身体分为域,每一种都有字段;在每个TS粒子数转移;的时空状态身体在已经解决了,在通常是小的,比如0.01%,也通常很小,如4或6。

云计算并行法不使用域分解法(NDPC)如下:

并行云计算方法不使用邻零交流但使用域分解法(NZDPC)如下:

平行的云计算方法使用邻零通信和使用域分解方法(ZDPC)如下:

它可以观察到从表1,NDPC-EV > NZDPC-EV > ZDPC-EV, NDPC-TV > NZDPC-TV > ZDPC-TV,当非常大,非常小,差距更大,这样的巨大优势并行云计算ZDPC使用邻零沟通和域分解方法可以证明。

例如,=女士,TS = 1,,= 6,=,=ms。

NDPC如下:⁡ ; ;

NZDPC如下: ; ;

ZDPC如下: ; 。

根据图6、通讯交通云计算的并行方法使用邻零通信(ZDPC)和域分解方法是最少的,更有利比平行云计算方法没有使用域分解方法(NDPC)和并行云计算方法不使用邻零交流但使用域分解法(NZDPC)。

5。结论

邻零沟通平行云计算方法提出了段输入数据处理成许多子块数据,每个多余地将数据存储在其相邻子块数据,并进行大量的子块数据的并行处理。提出了邻零沟通平行云计算方法身体问题短程相互作用域分解。根据这种方法,相邻子块数据交换和存储没有多余地收购其他的子块并行处理的数据,所以可以节省数据传输的等待时间,因此可以并行处理效率大幅提高,特别是极大地提高并行处理的效率身体问题短程相互作用域分解。

相互竞争的利益

作者宣称没有利益冲突。

确认

这项研究受到了广东省的主要项目批准号下广东省2014年b090901064,项目批准号下2015 a010103013,主要的国家社会科学基金项目批准号下14 zdb101,中国国家自然科学基金批准号下61105133。

引用

1. h·梅农l . Wesolowski g .郑et al .,“自适应技术集群n体宇宙模拟”计算天体物理学和宇宙学,卷2,不。1,硕士论文,2015页。视图:出版商的网站|谷歌学术搜索
2. ,a Marciniak博士审查n体问题的数值解施普林格,2012年。
3. j·k·黑尔和s . m . v .买下,泛函微分方程的介绍施普林格,2013年。
4. 中情局巴兹和l . g . g .胡安,“摄动限制性三体问题,”应用数学和非线性科学,1卷,不。1,第139 - 118页,2016。视图:谷歌学术搜索
5. r .斑点,d .鲁普雷希特,r . Krause et al .,“大规模时空平行体解算器,”《24日为高性能计算国际会议,网络,存储和分析(SC的12)IEEE,页1 - 11,犹他州,盐湖城美国,2012年11月。视图:出版商的网站|谷歌学术搜索
6. p . Totoo H.-W。Loidl”并行的Haskell实现n体问题”,并发计算实践和经验,26卷,不。4、987 - 1019年,2014页。视图:出版商的网站|谷歌学术搜索
7. g·c·福克斯,r·d·威廉姆斯和g·c·梅西纳,并行计算工作美国大众,摩根Kaufmann出版商,伯灵顿,2014。
8. j . Hromkovič通信复杂度和并行计算施普林格,2013年。
9. m . Di Ventra和y v Pershin”并行的方法,“自然物理,9卷,不。4、200 - 202年,2013页。视图:出版商的网站|谷歌学术搜索
10. t . Erl, r . Puttini和z马哈茂德,云计算:概念、技术和设计美国,新世纪,上台北,2013年。
11. j·沙姆西基地、m·a·Khojaye和m·a·卡”数据密集型云计算:需求、期望,挑战,和解决方案,“《网格计算,11卷,不。2、281 - 310年,2013页。视图:出版商的网站|谷歌学术搜索
12. j·冯·d·史,“复杂网络理论及其应用研究P2P网络,”应用数学和非线性科学,1卷,不。1,44-50,2016页。视图:谷歌学术搜索

版权

版权©2016 Dingju朱。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。