<\/HEAD>
Dnes data exponenciálně rostou všude, což je činí tak velkými a složitými, že je obtížné s nimi efektivně zacházet<\/SPAN> pomocí tradičních výpočetních metod a algoritmů, včetně geospatialních dat (GIS, dálkové průzkumy) a (u<\/SPAN>pstream)<\/SPAN> big d<\/SPAN>at.<\/SPAN>
<\/SPAN><\/P>Big Data v E&P sektoru<\/SPAN><\/SPAN><\/P><\/P>Výzvy zahrnují zachycení, kuraci, ukládání, vyhledávání, sdílení, přenos, analýzu a vizualizaci. <\/SPAN><\/P><\/P>Například v ropném poli jsou tisíce ropných vrtů vybaveny mnoha senzory, které denně zachycují obrovské množství informací o podmínkách průtoku vrtu. Ročně se shromažďují a ukládají desítky TB dat do datových úložišť, která je třeba efektivně zpracovávat a analyzovat.<\/SPAN><\/P>
Podobně v geospatialní oblasti, při práci s (stovkami GB až terabajty vysoce rozlišených) 'kontinuálních' obrazových dat většina algoritmů založených na CPU ve výzkumu a vývoji nemá dostatečný výpočetní výkon k provedení tradičních úloh zpracování obrazu včas ('na požádání' nebo v reálném čase), i když nejnovější vývoj GIS a dálkového průzkumu může demonstrovat schopnost pracovat s reálnými 'diskrétními' daty založenými na událostech / signálech / sítích, například pomocí ArcGIS GeoEvent a ESRI GIS nástrojů pro Hadoop. <\/SPAN> V provozu se proto výpočetní výkon typických desktopových pracovních stanic s CPU může stát vážnou překážkou při prohlížení a vylepšování vysoce rozlišených obrazových dat, včetně barevného vyvážení, bundle adjustment, detekce změn v reálném čase, ropných skvrn atd.<\/SPAN><\/P>
Všechny tyto datové aplikace vyžadují včasné reakce pro rychlá rozhodnutí, která závisí na výkonu algoritmické analýzy a zpracování obrazů v reálném čase / téměř reálném čase (například barevné vyvážení) v pokročilých IT prostředích (tj. GPU cluster computing, 'Cloud' computing, aplikace podporující MapReduce).<\/SPAN><\/P>
Tyto systémy a aplikace na požádání mohou výrazně těžit z technik a praktik vysokovýkonného výpočtu ke zrychlení zpracování dat a vizualizace, buď po shromáždění dat a jejich přenosu na pozemní stanici na Zemi, nebo během sběru dat přímo na palubě senzoru v reálném čase. <\/SPAN><\/P><\/P>Paralelní a distribuované výpočetní zařízení a algoritmy stejně jako vysokovýkonné FPGA a DSP systémy se staly nepostradatelnými nástroji pro řešení problémů zpracování masivních streamů GIS, dálkového průzkumu a upstream big data (níže). Aby bylo možné tyto zařízení a algoritmy správně využít, někteří dodavatelé řešení <\/SPAN>nabízejí optimální nástroje jako SAS4;<\/SUP> Grid Manager SAS Grid Manager | SAS<\/A> k tomu určené<\/SPAN>.<\/SPAN><\/P>
V posledních letech se GPU vyvinuly do vysoce paralelních procesorů s mnoha jádry s ohromným výpočetním výkonem a vysokou propustností paměti, které nabízejí zrychlení o dva až tři řády oproti CPU. Cenově dostupný GPU počítač se stal dostupnou alternativou k drahému CPU clusteru pro mnoho inženýrů a vědců provádějících různé inženýrské a vědecké aplikace.
Porovnání grafických karet notebooků - NotebookCheck.net Tech<\/A> <\/SPAN><\/P><\/P>
V provozu bylo mnoho pokročilých algoritmů vysokovýkonného výpočtu big data s SAS a R úspěšně aplikováno na analytiku dat z ropné produkce. <\/SPAN>Nicméně výzkum a vývoj řešení v komunitě dálkového průzkumu stále čelí inovativním výzvám splnit provozní požadavky v reálném čase nebo aplikacích podporujících MapReduce, zejména jako automatizace barevného vyvážení a bundle adjustment kromě detekce změn & ropných skvrn v reálném čase atd.<\/SPAN><\/P><\/P>V praxi bychom měli používat efektivní nástroje k monitorování \/ správě \/ diagnostice výkonu výpočtů s 'vysokou dostupností', zejména jako jednoho výpočetního systému, jako je paralelní zpracování a (load-balancing) cluster computing. <\/SPAN>Jak je známo, tyto vysokovýkonné architektury obvykle fungují jako jeden výpočetní systém zahrnující N uzlů (CPU-GPU), sdílenou paměť a \/ nebo virtuální stroje, což je zjevně odlišné od grid computingu a cloud computingu.<\/SPAN><\/P><\/P>Například nejjednodušší úkol je sledovat, jak dobře \/ špatně geoprocessingové nástroje z ArcGIS 10.3 a Pro 1.0 využívají více jader a procesorů. <\/SPAN><\/P><\/P><\/P>+++++++++++++++++<\/P>
Linux a CUDA-enabled GPU Computing<\/STRONG><\/SPAN><\/P>
CUDA4;<\/SUP> je paralelní výpočetní platforma a programovací model vynalezený společností NVIDIA. Umožňuje dramatické zvýšení výpočetního výkonu využitím síly grafického procesoru (GPU).<\/P>
Odkazujte se na
Getting Started Linux :: CUDA Toolkit Documentation<\/A><\/P><\/P>
Windows a CUDA-enabled GPU Computing<\/STRONG> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/>
