<\/HEAD>
Hoy en día, los datos están creciendo exponencialmente en todas partes, lo que los hace tan grandes y complejos que se vuelve difícil manejarlos<\/SPAN> de manera efectiva<\/SPAN> utilizando la computación tradicional y algoritmos, incluyendo datos geoespaciales (GIS, teledetección) y (u<\/SPAN>pstream)<\/SPAN> big d<\/SPAN>ata.<\/SPAN>
<\/SPAN><\/P>Big Data en el sector E&P<\/SPAN><\/SPAN><\/P><\/P>Los desafíos incluyen captura, curación, almacenamiento, búsqueda, compartición, transferencia, análisis y visualización. <\/SPAN><\/P><\/P>Por ejemplo, e<\/SPAN>n un campo petrolero, miles de pozos de producción de petróleo están equipados con muchos sensores que capturan diariamente enormes cantidades de información sobre las condiciones de flujo del pozo. Anualmente, se recopilan y almacenan decenas de TB de datos en almacenes de datos, los cuales deben ser procesados y analizados eficazmente.<\/SPAN><\/P>
De manera similar en el dominio geoespacial, al tratar con datos de imagen 'continuos' (de cientos de GB a Terabytes de alta resolución), la mayoría de los algoritmos basados en CPU en investigación y desarrollo no tienen suficiente potencia computacional para realizar tareas tradicionales de procesamiento de imágenes a tiempo ('bajo demanda' o en tiempo real), aunque el desarrollo más reciente de GIS y teledetección puede demostrar la capacidad para manejar datos / señales / redes basadas en eventos 'discretos' en tiempo real, por ejemplo, mediante ArcGIS GeoEvent y herramientas ESRI GIS para Hadoop. <\/SPAN> En operación, por lo tanto, la potencia de procesamiento típica de estaciones de trabajo CPU puede convertirse en un cuello de botella severo en el proceso de visualización y mejora de datos de imagen de alta resolución, incluyendo balance de color, ajuste por paquetes, detección de cambios en tiempo real, derrames de petróleo, etc.<\/SPAN><\/P>
Todas esas aplicaciones de datos requieren respuestas oportunas para decisiones rápidas, que dependen del rendimiento en tiempo real / casi en tiempo real del análisis algorítmico y procesamiento de imágenes (como balanceo de color) en entornos avanzados de TI (es decir, computación en clústeres GPU, computación 'Cloud', aplicaciones habilitadas para MapReduce).<\/SPAN><\/P>
Estos sistemas y aplicaciones bajo demanda pueden beneficiarse enormemente de técnicas y prácticas de computación de alto rendimiento para acelerar el procesamiento y visualización de datos, ya sea después de que los datos han sido recopilados y transmitidos a una estación terrestre en la Tierra, o durante el procedimiento de recolección a bordo del sensor, en tiempo real. <\/SPAN><\/P><\/P>Las instalaciones y algoritmos de computación paralela y distribuida así como sistemas FPGA y DSP de alto rendimiento se han convertido en herramientas indispensables para abordar los problemas del procesamiento masivo continuo GIS, teledetección y upstream big data (a continuación). Para hacer uso adecuado de esas instalaciones y algoritmos, algunos proveedores <\/SPAN>ofrecen las herramientas óptimas como SAS4;<\/SUP> Grid Manager SAS Grid Manager | SAS<\/A> para hacerlo.<\/SPAN><\/SPAN><\/P>
En los últimos años, las GPUs han evolucionado hacia procesadores many-core altamente paralelos con un poder computacional tremendo y un ancho de banda de memoria alto para ofrecer una aceleración entre dos a tres órdenes de magnitud sobre las CPUs. Una computadora GPU rentable se ha convertido en una alternativa asequible a un costoso clúster informático CPU para muchos ingenieros e investigadores que realizan diversas aplicaciones científicas e ingenieriles.
Comparación de Tarjetas Gráficas para Portátiles - NotebookCheck.net Tech<\/A> <\/SPAN><\/P><\/P>
En operación, muchos algoritmos avanzados HPC para big data con SAS y R se han aplicado exitosamente al análisis de datos petroleros. <\/SPAN>Sin embargo, la investigación y desarrollo de soluciones en la comunidad de teledetección aún enfrentan desafíos innovadores para cumplir con los requisitos operativos en aplicaciones en tiempo real o habilitadas para MapReduce, especialmente como la automatización del balanceo de color y ajuste por paquetes, además de la detección en tiempo real de cambios y derrames petroleros, etc.<\/SPAN><\/P><\/P>En la práctica, deberíamos usar herramientas efectivas para monitorear / gestionar / diagnosticar el rendimiento informático 'alta disponibilidad', especialmente como un sistema informático único, como Procesamiento Paralelo y computación en clústeres (balanceo de carga). <\/SPAN>Como es bien sabido, esas arquitecturas HPC usualmente funcionan como un sistema informático único que incluye N nodos (CPU-GPU), memoria compartida y/o máquinas virtuales, que obviamente funcionan diferente a grid computing y cloud computing.<\/SPAN><\/P><\/P>Por ejemplo, la tarea más simple es monitorear qué tan bien/mal las herramientas geoprocesales desde ArcGIS 10.3 y Pro 1.0 utilizan múltiples núcleos y procesadores. <\/SPAN><\/P><\/P><\/P>+++++++++++++++++<\/P>
Linux y Computación GPU habilitada con CUDA<\/STRONG><\/SPAN><\/P>
CUDA4;<\/SUP> es una plataforma informática paralela y modelo de programación inventado por NVIDIA. Permite aumentos dramáticos en el rendimiento computacional aprovechando el poder del procesador gráfico (GPU).<\/P>
Consulte
Guía para comenzar Linux :: Documentación del Kit CUDA<\/A><\/P><\/P>
Windows y Computación GPU habilitada con CUDA<\/STRONG> <\/> <\/> <\/><\/>
Consulte
Guía para comenzar Windows :: Documentación del Kit CUDA
