В четвертой главе даются основные характеристики разработанного программного комплекса инструментальных средств, проведены результаты экспериментальных исследований по распараллеливанию алгоритмов с применением мультипроцессорных систем на примере прикладных задач, показывающих функциональные возможности разработанного программно-инструментального комплекса.
Приведена информация о разработанных на основе предложенного инструментального комплекса прикладных задачах. Приведены результаты комплексного тестирования разработанного программного обеспечения на ряде МВС. Экспериментально показано, что имеется ускорение счета при увеличении количества вычислительных узлов.
В частности, в рамках нескольких научно исследовательских проектов, с использованием ПС были построены прикладные системы решающие следующие задачи:
· задача поиска и классификации объектов на изображениях, базирующейся на аппарате искусственных нейронных сетей. Данная задача, помимо реализации ИНС, включает в себя набор модулей предобработки (включая и параллельные реализации) и использует практически все функциональные возможности, предоставляемые разработанным инструментальным комплексом;
· задача обработки снимков ДЗЗ;
· задача контроля и диагностики подсистем космического аппарата.
Результаты тестирования в виде графиков производительности представлены в таблицах 2-5 и на рисунках 6-8 соответственно.
1) Прикладная задача поиска и распознавания объектов
Таблица 2 − Результаты тестирования производительности (ускорение счета)
Кол-во вычислительных потоков на узел | |||||||||
1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | ||
Кол-во узлов КВУ | 1 | - | - | - | - | - | - | - | - |
2 | 1,00 | 2,19 | 2,72 | 2,77 | 2,93 | 2,96 | 2,94 | 2,96 | |
3 | 1,20 | 3,67 | 3,59 | 4,73 | 4,59 | 4,61 | 4,58 | 4,49 | |
4 | 1,26 | 3,60 | 3,34 | 4,81 | 5,17 | 5,09 | 4,83 | 5,03 | |
5 | 1,23 | 3,43 | 3,60 | 5,46 | 5,78 | 5,92 | 5,69 | 5,56 | |
6 | 1,22 | 3,60 | 3,08 | 5,38 | 4,13 | 4,73 | 5,35 | 3,46 |
|
Рисунок 6 − График эффективности параллельной реализации |
Тестирование показывает, что конвейеризация счета в пределах одного вычислительного узла дает прирост производительности почти в три раза. Наивысшая производительность достигнута при запуске счета задачи в конфигурации 5 узлов КВУ, по шесть вычислительных потоков на каждом, при этом максимальное достигнутое ускорение составляет 5.92.
2) Прикладная задача обработки изображений ДЗЗ
Таблица 3 − Результаты тестирования производительности (ускорение счета)
Кол-во вычислительных потоков на узел | |||||||||
1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | ||
Кол-во узлов КВУ | 1 | 1,00 | 1,03 | 1,03 | 1,03 | 1,04 | 1,04 | 1,03 | 1,03 |
2 | 2,00 | 2,05 | 2,05 | 2,05 | 2,05 | 2,05 | 2,05 | 2,05 | |
3 | 2,93 | 2,96 | 2,96 | 2,97 | 2,96 | 2,96 | 2,95 | 2,95 | |
4 | 3,08 | 3,10 | 3,09 | 3,67 | 3,66 | 3,10 | 3,09 | 3,67 | |
5 | 3,78 | 3,82 | 3,82 | 3,74 | 3,81 | 3,82 | 3,82 | 3,81 | |
6 | 5,52 | 5,65 | 5,56 | 5,59 | 5,65 | 5,61 | 5,62 | 5,64 |
|
Рисунок 7 − График эффективности параллельной реализации |
Тестирование производительности на задаче обработки снимков ДЗЗ показывает отсутствие ускорения от конвейеризации вычислений, что объясняется подходом к декомпозиции общего алгоритма решения задачи. Малое количество модулей входящих в схему решения задачи не позволяет эффективно использовать конвейер обработки данных, однако, за счет внутреннего параллелизма основного модуля обработки, присутствует, близкое к линейному, ускорение счета при увеличении количества использованных узлов КВУ.
3) Прикладная задача контроли и диагностики подсистем КА
Таблица 4 − Результаты тестирования производительности (ускорение счета)
Кол-во вычислительных потоков на узел | |||||||||
1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | ||
Кол-во узлов КВУ | 1 | 1,00 | 1,97 | 2,43 | 2,51 | 2,55 | 2,55 | 2,59 | 2,58 |
2 | 1,77 | 3,45 | 3,87 | 4,59 | 4,73 | 4,80 | 4,78 | 4,79 | |
3 | 2,42 | 4,54 | 5,57 | 6,39 | 6,47 | 6,44 | 6,45 | 6,47 | |
4 | 3,11 | 5,63 | 6,35 | 7,09 | 7,10 | 7,21 | 7,13 | 7,23 | |
5 | 3,60 | 5,73 | 7,35 | 7,90 | 8,15 | 8,25 | 8,06 | 8,26 | |
6 | 3,99 | 6,33 | 8,50 | 8,21 | 8,12 | 8,04 | 8,08 | 8,10 |
|
Рисунок 8 − График эффективности параллельной реализации |
Тестирование разработанной системы на задаче контроля и диагностики показывает наличие ускорения как при увеличении количества узлов КВУ, так и при конвейеризации вычислений. При этом конвейеризация вычислений выглядит более предпочтительным подходом, поскольку задача имеет низкую гранулярность параллелизма и увеличение количества задействованных узлов КВУ приводит к снижению эффективности.
Заключение содержит основные результаты и выводы по диссертационной работе.
В приложении приведены копии документов, подтверждающих практическое использование и внедрение результатов диссертации.
ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ
1. Проведены исследования существующих методов организации конвейерно-параллельных вычислений на МВС, инструментальных средств и комплексов на их основе;
2. Разработана структурная модель программно-инструментального комплекса поддержки конвейерно-параллельных вычислений на МВС;
3. Разработан алгоритм диспетчеризации, обеспечивающий динамическую балансировку нагрузки на вычислительные узлы МВС, действующий в условиях отсутствия информации об априорных оценках времени, требуемого для выполнения отдельных подзадач и позволяющий получить преимущество от использования МВС.
4. Разработан и реализован прототип комплекса программно-инструментальных средств для организации конвейерно-параллельных вычислений на мультипроцессорных системах.
ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ
работы из списка, рекомендованного ВАК РФ
1. , , Хачумов и распознавание локальных объектов на аэрокосмических снимках. – Авиакосмическое приборостроение, 2007, №9, с.39-45. (лично автором – 1 с.)
2. , , , , Снегирев нейронных сетей и средств распараллеливания для высокопроизводительной обработки данных. - Информационно-измерительные и управляющие системы, 2007, №7, т.5, с.48-53. (лично автором – 1 с.)
3. Талалаев архитектуры параллельной программной системы распознавания графических образов на основе искусственных нейронных сетей – «Нейрокомпьютеры: разработка, применение», 2008, №9, с.43-51.
4. , , Хачумов архитектуры нейросетевой системы контроля, диагностики и обработки изображений космического назначения – Авиакосмическое приборостроение, 2009, №5, с.39-47. (лично автором – 3 с.)
5. , , Хачумов распознавания, географической привязки и наблюдения объектов на основе анализа полутоновых снимков – Авиакосмическое приборостроение, 2009, №12, с. 19-24. (лично автором – 2 с.)
6. Талалаев конвейерно-параллельных вычислений для обработки потоков данных – Информационные технологии и вычислительные системы, 2011, №1, с.8-13.
7. Хачумов характеристики кластерных вычислителей и анализ эффективности параллельных программных средств обработки потоков данных – Авиакосмическое приборостроение, 2011, №12, c.3-17 (лично автором – 4 с.)
другие работы
8. , , Хачумов эффективности применения искусственных нейронных сетей для решения задач распознавания, сжатия и прогнозирования. - Искусственный интеллект и принятие решений, 2008, №2, с.24-33.
9. , , Хачумов и кластеризация текстовых и графических элементов на полутоновых снимках. – Искусственный интеллект и принятие решений, 2008, №3, с.72-84.
10. , , Хачумов система для распознавания графических образов с помощью моделей искусственных нейронных сетей. - Высокие технологии, фундаментальные и прикладные исследования, образование. Сборник трудов Второй международной научно-практической конференции “Исследование, разработка и применение высоких технологий в промышленности“. 07-09.01.2006, Санкт-Петербург, Россия. / Под ред. , , . СПб.: Изд-во Политехн. ун-та, Т. 6:, 2006, с. 6.
11. , , Щербаков нейронных сетей для распознавания графических образов на кластерном вычислительном устройстве. – Сб. трудов 2-ой Международной научн.-практической конференции «Исследование, разработка и применение высоких технологий в промышленности» (07-09.02.2006, Санкт-Петербург) – Санкт-Петербург: Издат.-во Политехнического университета, 2006, с.8-10.
12. , , Применение нейронных сетей и средств распараллеливания для высокоскоростной обработки потоков данных. - Тезисы докладов научно-технической конференции ФГУП "РНИИ КП", посвященной. 60-летию предприятия (10-12 октября 2006 г.) - М.: ФГУП "РНИИ КП", 2006, с.79-80.
13. Talalaev A.A., Tishchenko I.P., Fralenko V.P., Khachumov V.M.. Neural methods in aerospace systems. – 9th International Conference “Pattern Recognition and image analysis: New Information Technologies” (PRIA-9-2008): Conference proceedings. (Nizhni Novgorod, 14-20.09.2008) – Н. Новгород, издательство “Диалог Культур”, т. 2, с.193-196.
14. Khachumov V.M., Talalaev A.A., Tishenko I.P., Fralenko V.P., Emelyanova J.G., Konstantinov K.A., Pogodin S.V. Program neural network system of telemetric information control, spacecraft subsystems diagnostic and space images processing. – First Specialized Symposium “Space & Global Security of Humanity” (November 2-4, 2009, Amathus Beach Hotel, Limassol, Cyprus).
15. Круглов А. В., Ватутин В. М., Попов С. В., Заднепровский В. Ф., Талалаев А. А., Хачумов контроля и диагностики космических подсистем с применением суперкомпьютерных технологий - тезисы трудов III Всероссийской научно-технической конференции «Актуальные проблемы ракетно-космического приборостроения и информационных технологий» (электронный сборник, 1-3 июня 2010 года).
|
Из за большого объема этот материал размещен на нескольких страницах:
1 2 3 |
