分享到:

LARED-H程序中光路计算的并行化

§1.引言 在激光腔靶耦合的数值模拟中,激光的传播与吸收是十分重要的部分之一。为了得到高效的激光聚变,激光入射的排布设计有一环,两环,  (本文共7页) 阅读全文>>

《计算机系统应用》2015年09期
计算机系统应用

面向过程的任务并行化设计方法

为有效实现迭代问题的并行化,提出了面向过程的任务并行化设计方法.该方法的主要思想是对任务求解的单次迭代过程进行并行化设计.将面向过程的思想运用到...  (本文共4页) 阅读全文>>

《地球信息科学学报》2014年06期
地球信息科学学报

“地理计算并行化”专辑征稿

随着地理学各种相关应用领域中对应急响应、决策支持的实际需求不断增长,对地理计算效率需求的日...  (本文共1页) 阅读全文>>

《软件世界》2009年06期
软件世界

迎接并行化的明天

多核的普及使得计算能力突飞猛进,但是,由于软件技术没有跟上,快速增长的计算能力未能得到...  (本文共4页) 阅读全文>>

《计算机研究与发展》1960年70期
计算机研究与发展

并行化技术与工具

程序并行化工具由于它能有效地解决多种并行机结构间的代码可移植性和大大地减轻用户使用并行机的困难,已成为当今并行处理领域的...  (本文共12页) 阅读全文>>

内蒙古农业大学
内蒙古农业大学

基于Spark的基因组学数据比对算法的并行化研究与比对平台构建

近年来,随着高通量测序技术的出现,极大的推动了生物信息领域的发展,基因组序列比对是生物信息数据分析的关键环节。BLAST(Basic Local Alignment Search Tool)作为应用广泛并且具有较高精度的基因序列局部比对算法,它在保持较高精度的前提下可以相对减少任务运行时间。然而,BLAST在比对海量或者较大数据集的高通量基因数据时存在一定的性能瓶颈,比对效率较低。针对BLAST存在的性能瓶颈问题,本文提出一种基于大数据技术内存计算框架Spark的Spark_BLAST分布式并行方法。该方法基于Spark内存计算的优势,对基因序列进行任务识别、划分、计算等。采用Apache YARN资源调度器完成比对任务调度和资源分配,实现了 BLAST算法的分布式并行计算。本实验通过5节点的Spark集群与单机BLAST实验结果进行对比验证,在不改变比对结果精度的情况下,Spark_BLAST的加速比可达4左右,实验结果表明基...  (本文共48页) 本文目录 | 阅读全文>>