<\/HEAD>
Aujourd'hui, les données croissent de manière exponentielle partout, ce qui les rend si volumineuses et complexes qu'il devient difficile de les gérer <\/SPAN> efficacement <\/SPAN> en utilisant les méthodes traditionnelles de calcul et d'algorithmes, y compris les données géospatiales (GIS, télédétection) et les big data upstream<\/SPAN>.<\/SPAN>
<\/SPAN><\/P>Big Data dans le secteur E&P<\/SPAN><\/SPAN><\/P><\/P>Les défis incluent la capture, la curation, le stockage, la recherche, le partage, le transfert, l'analyse et la visualisation.<\/SPAN><\/P><\/P>Par exemple, dans un champ pétrolier, des milliers de puits de production de pétrole sont équipés de nombreux capteurs qui capturent quotidiennement d'énormes quantités d'informations sur les conditions d'écoulement du puits. Chaque année, des dizaines de téraoctets de données sont collectées et stockées dans des bases de données, qui doivent être traitées et analysées efficacement.<\/SPAN><\/P>
De même, dans le domaine géospatial, lorsqu'on traite des données d'images 'continues' (de centaines de Go à téraoctets) à haute résolution, la plupart des algorithmes basés sur CPU en recherche et développement ne disposent pas d'une puissance de calcul suffisante pour effectuer les tâches traditionnelles de traitement d'image en temps voulu ('à la demande' ou en temps réel), même si les derniers développements de GIS et télédétection peuvent démontrer la capacité à gérer des données / signaux / réseaux 'discrets' basés sur des événements en temps réel, par exemple avec ArcGIS GeoEvent et les outils ESRI GIS pour Hadoop.<\/SPAN> En opération, par conséquent, la puissance de traitement des stations de travail typiques à base de CPU peut devenir un goulot d'étranglement sévère dans le processus de visualisation et d'amélioration des images haute résolution, y compris l'équilibrage des couleurs, l'ajustement par faisceau (bundle adjustment), la détection de changements en temps réel, les marées noires, etc.<\/SPAN><\/P>
Toutes ces applications de données nécessitent des réponses rapides pour des décisions rapides, qui dépendent des performances en temps réel / quasi temps réel de l'analyse algorithmique et du traitement d'images (comme l'équilibrage des couleurs) dans des environnements informatiques avancés (c'est-à-dire le calcul en grappes GPU, le calcul 'Cloud', les applications compatibles MapReduce).<\/SPAN><\/P>
Ces systèmes et applications à la demande peuvent grandement bénéficier des techniques et pratiques de calcul haute performance pour accélérer le traitement et la visualisation des données, soit après que les données ont été collectées et transmises à une station terrestre sur Terre, soit pendant la procédure de collecte des données à bord du capteur, en mode temps réel.<\/SPAN><\/P><\/P>Les infrastructures et algorithmes de calcul parallèle et distribué ainsi que les systèmes FPGA et DSP haute performance sont devenus des outils indispensables pour traiter les flux massifs GIS, télédétection et big data upstream (ci-dessous). Afin d'utiliser correctement ces infrastructures et algorithmes, certains fournisseurs de solutions <\/SPAN>offrent des outils optimaux comme SAS4<\/SUP> Grid Manager SAS Grid Manager | SAS<\/A> pour ce faire<\/SPAN>.<\/SPAN><\/P>
Ces dernières années, les GPUs ont évolué en processeurs many-core hautement parallèles avec une puissance de calcul énorme et une large bande passante mémoire offrant un gain de vitesse de deux à trois ordres de grandeur par rapport aux CPUs. Un ordinateur GPU rentable est devenu une alternative abordable à un cluster informatique CPU coûteux pour de nombreux ingénieurs et chercheurs réalisant diverses applications scientifiques et techniques.
Comparaison des cartes graphiques portables - NotebookCheck.net Tech<\/A> <\/SPAN><\/P><\/P>
En opération, de nombreux algorithmes avancés haute performance pour big data avec SAS et R ont été appliqués avec succès à l'analyse des données pétrolières.<\/SPAN> Cependant, la recherche et le développement de solutions dans la communauté télédétection font toujours face à des défis innovants pour répondre aux exigences opérationnelles en temps réel ou dans les applications compatibles MapReduce, notamment l'automatisation de l'équilibrage des couleurs et du bundle adjustment, en plus de la détection en temps réel des changements & marées noires, etc.<\/SPAN><\/P><\/P>En pratique, nous devrions utiliser des outils efficaces pour surveiller / gérer / diagnostiquer la performance informatique 'haute disponibilité', surtout en tant que système informatique unique comme le traitement parallèle et le calcul en grappes (équilibrage de charge). <\/SPAN> Comme on le sait bien, ces architectures haute performance fonctionnent généralement comme un système informatique unique comprenant N nœuds (CPU-GPU), mémoire partagée et/ou machines virtuelles, ce qui est évidemment différent du grid computing et du cloud computing.<\/SPAN><\/P><\/P>Par exemple, la tâche la plus simple est de surveiller comment les outils géotraitement d'ArcGIS 10.3 et Pro 1.0 utilisent les multiples cœurs et processeurs.<\/SPAN><\/P><\/P><\/P>+++++++++++++++++<\/P>
Linux et Calcul GPU compatible CUDA<\/4>
CUDA4<\/4> est une plateforme informatique parallèle et un modèle de programmation inventé par NVIDIA. Il permet une augmentation spectaculaire des performances informatiques en exploitant la puissance du processeur graphique (GPU).<\/4>
\/><\/>Référez-vous à <A href=\
