<\/HEAD>
Heutzutage wachsen Daten überall exponentiell, was sie so groß und komplex macht, dass es schwierig wird, diese <\/SPAN>effektiv mit traditionellen Rechenmethoden und Algorithmen zu verarbeiten, einschließlich Geodaten (GIS, Fernerkundung) und (u<\/SPAN>pstream)<\/SPAN> Big Data.<\/SPAN>
<\/SPAN><\/P>Big Data im E&P-Sektor<\/SPAN><\/SPAN><\/P><\/P>Die Herausforderungen umfassen Erfassung, Aufbereitung, Speicherung, Suche, Teilen, Übertragung, Analyse und Visualisierung.<\/SPAN><\/P><\/P>Zum Beispiel sind in einem Ölfeld Tausende von Ölproduktionsbohrungen mit vielen Sensoren ausgestattet, die täglich enorme Mengen an Informationen über die Förderbedingungen der Bohrung erfassen. Jährlich werden mehrere zehn Terabyte Daten gesammelt und in Datenspeichern abgelegt, die effektiv verarbeitet und analysiert werden müssen.<\/SPAN><\/P>
Ähnlich verhält es sich im geospatialen Bereich, wenn mit (hunderten von GB bis Terabytes hochauflösender) 'kontinuierlicher' Bilddaten gearbeitet wird. Die meisten CPU-basierten Algorithmen in Forschung und Entwicklung verfügen nicht über ausreichende Rechenleistung, um traditionelle Bildverarbeitungsaufgaben zeitnah ('on-demand' oder Echtzeit) durchzuführen, obwohl die neuesten Entwicklungen in GIS und Fernerkundung die Fähigkeit demonstrieren können, mit Echtzeit-'diskreten' ereignisbasierten Daten / Signalen / Netzwerken umzugehen, beispielsweise durch ArcGIS GeoEvent und ESRI GIS-Tools für Hadoop.<\/SPAN> Im Betrieb kann daher die Rechenleistung typischer CPU-Desktop-Arbeitsstationen zu einem ernsthaften Engpass bei der Betrachtung und Verbesserung hochauflösender Bilddaten werden, einschließlich Farbangleichung, Bündelanpassung, Echtzeit-Änderungserkennung, Ölverschmutzungen usw.<\/SPAN><\/P>
All diese Datenanwendungen erfordern zeitnahe Reaktionen für schnelle Entscheidungen, die von der Echtzeit- bzw. nahezu Echtzeit-Leistung der Algorithmusanalyse und Bildverarbeitung (wie Farbangleichung) in fortschrittlichen IT-Umgebungen abhängen (z. B. GPU-Cluster-Computing, 'Cloud'-Computing, MapReduce-fähige Anwendungen).<\/SPAN><\/P>
Diese On-Demand-Systeme und -Anwendungen können erheblich von Hochleistungsrechnertechniken profitieren, um die Datenverarbeitung und Visualisierung zu beschleunigen – entweder nachdem die Daten gesammelt und an eine Bodenstation auf der Erde übertragen wurden oder während des Datenerfassungsverfahrens an Bord des Sensors in Echtzeit.<\/SPAN><\/P><\/P>Parallele und verteilte Recheneinrichtungen und Algorithmen sowie Hochleistungs-FPGA- und DSP-Systeme sind unverzichtbare Werkzeuge geworden, um die Herausforderungen bei der Verarbeitung massiver Streaming-GIS-, Fernerkundungs- und Upstream-Big-Data-Daten (siehe unten) zu bewältigen. Um diese Einrichtungen und Algorithmen richtig zu nutzen, bieten einige Lösungsanbieter optimale Werkzeuge wie SAS4;<\/SUP> Grid Manager SAS Grid Manager | SAS<\/A> an.<\/SPAN><\/SPAN><\/P>
In den letzten Jahren haben sich GPUs zu hochgradig parallelen Many-Core-Prozessoren mit enormer Rechenleistung und hoher Speicherbandbreite entwickelt, die eine Beschleunigung um zwei bis drei Größenordnungen gegenüber CPUs bieten. Ein kostengünstiger GPU-Computer ist für viele Ingenieure und Forscher eine erschwingliche Alternative zu teuren CPU-Computerclustern für verschiedene technische und wissenschaftliche Anwendungen.
Vergleich von Laptop-Grafikkarten - NotebookCheck.net Tech<\/A> <\/SPAN><\/P><\/P>
Im Betrieb werden viele fortschrittliche Hochleistungsrechneralgorithmen für Big Data mit SAS und R erfolgreich auf Ölproduktionsdatenanalysen angewendet.<\/SPAN> Die Forschung und Lösungsentwicklung in der Fernerkundungsgemeinschaft steht jedoch weiterhin vor innovativen Herausforderungen, um den betrieblichen Anforderungen in Echtzeit- oder MapReduce-fähigen Anwendungen gerecht zu werden – insbesondere bei der Automatisierung von Farbangleichung und Bündelanpassung sowie der Echtzeiterkennung von Veränderungen & Ölverschmutzungen usw.<\/SPAN><\/P><\/P>In der Praxis sollten wir effektive Werkzeuge verwenden, um die ‚High Availability‘ der Rechenleistung zu überwachen / verwalten / diagnostizieren – insbesondere als einzelnes Rechensystem wie Parallel Processing und (Lastenausgleichs-) Cluster Computing.<\/SPAN> Wie bekannt ist, werden diese Hochleistungsarchitekturen üblicherweise als ein einzelnes Rechensystem betrieben, das N Knoten (CPU-GPU), gemeinsamen Speicher und/oder virtuelle Maschinen umfasst – was sich offensichtlich vom Grid Computing und Cloud Computing unterscheidet.<\/SPAN><\/P><\/P>Zum Beispiel besteht die einfachste Aufgabe darin zu überwachen, wie gut/schlecht die Geoverarbeitungswerkzeuge von ArcGIS 10.3 und Pro 1.0 die Mehrkernprozessoren nutzen.<\/SPAN><\/P><\/P><\/P>+++++++++++++++++<\/P>
Linux- und CUDA-fähiges GPU-Computing<\/STRONG><\/SPAN><\/P>
CUDA4;<\/SUP> ist eine parallele Rechenplattform und ein Programmiermodell, das von NVIDIA erfunden wurde. Es ermöglicht dramatische Leistungssteigerungen durch Nutzung der Leistung der Graphics Processing Unit (GPU).<\/P>
Siehe
Getting Started Linux :: CUDA Toolkit Documentation<\/A><\/P><\/P>
Windows- und CUDA-fähiges GPU-Computing<\/STRONG> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> <\/> Referenzieren Sie bitte
Getting Started Windows :: CUDA Toolkit Documentation< \/A >< \/ P >< P >< \/ P >< P >< SPAN style= "font-size :14 pt ; " >< STRONG > WebGL and the implementation of MPEG Dash< \/STRONG > </ SPAN > – ein Streaming-Videostandard , der langsam unter Branchenakteuren an Bedeutung gewinnt — in IE11< \/ P >< P >< \/ P >< P >< A href= "http : \/ \/techcrunch.com \/2013 \/06 \/26 \/microsoft-confirms-webgl-support-for-internet-explorer-11 \/" title= "http : \/ \/techcrunch.com \/2013 \/06 \/26 \/microsoft-confirms-webgl-support-for-internet-explorer-11 \/" rel= "nofollow noopener noreferrer " > Microsoft (endlich) bestätigt WebGL-Unterstützung für Internet Explorer 11 | TechCrunch< \/A >< \/BODY >< \/HTML >
