<\/HEAD>
Hoje, os dados estão crescendo exponencialmente em todos os lugares, o que os torna tão grandes e complexos que se torna difícil lidar <\/SPAN> com eles de forma eficaz<\/SPAN> usando computação tradicional e algoritmos, incluindo dados geoespaciais (GIS, sensoriamento remoto) e (u<\/SPAN>pstream)<\/SPAN> big d<\/SPAN>ata.<\/SPAN>
<\/SPAN><\/P>Big Data no setor de E&P<\/SPAN><\/SPAN><\/P><\/P>Os desafios incluem captura, curadoria, armazenamento, busca, compartilhamento, transferência, análise e visualização. <\/SPAN><\/P><\/P>Por exemplo, em um campo petrolífero, milhares de poços de produção de petróleo estão equipados com muitos sensores que capturam diariamente enormes quantidades de informações sobre as condições de fluxo do poço. Anualmente, dezenas de TB de dados são coletados e armazenados em repositórios de dados, que precisam ser processados e analisados de forma eficaz.<\/SPAN><\/P>
De forma semelhante no domínio geoespacial, ao lidar com dados de imagem 'contínuos' (de centenas de GB a Terabytes de alta resolução), a maioria dos algoritmos baseados em CPUs em pesquisa e desenvolvimento não possui poder computacional suficiente para realizar tarefas tradicionais de processamento de imagem em tempo hábil ('sob demanda' ou em tempo real), embora o desenvolvimento mais recente do GIS e sensoriamento remoto possa demonstrar a capacidade de lidar com dados / sinais / redes baseados em eventos 'discretos' em tempo real, por exemplo, pelo ArcGIS GeoEvent e ferramentas ESRI GIS para Hadoop. <\/SPAN> Portanto, na operação, o poder de processamento das estações de trabalho desktop típicas com CPU pode se tornar um gargalo severo no processo de visualização e aprimoramento de dados de imagem em alta resolução, incluindo balanceamento de cores, ajuste conjunto, detecção de mudanças em tempo real, derramamentos de óleo etc.<\/SPAN><\/P>
Todas essas aplicações de dados exigem respostas rápidas para decisões ágeis, que dependem do desempenho em tempo real / quase em tempo real da análise algorítmica e do processamento de imagens (como balanceamento de cores) em ambientes avançados de TI (ou seja, computação em cluster GPUs, computação 'Cloud', aplicações habilitadas para MapReduce).<\/SPAN><\/P>
Esses sistemas e aplicações sob demanda podem se beneficiar muito das técnicas e práticas de computação de alto desempenho para acelerar o processamento e visualização dos dados, seja após os dados terem sido coletados e transmitidos para uma estação terrestre na Terra ou durante o procedimento de coleta dos dados a bordo do sensor, em modo tempo real. <\/SPAN><\/P><\/P>Instalações e algoritmos de computação paralela e distribuída, bem como sistemas FPGA e DSP de alto desempenho tornaram-se ferramentas indispensáveis para enfrentar os problemas do processamento massivo dos fluxos GIS, sensoriamento remoto e upstream big data (abaixo). Para fazer uso adequado dessas instalações e algoritmos, alguns fornecedores de soluções <\/SPAN>oferecem ferramentas ótimas como SAS4;<\/SUP> Grid Manager SAS Grid Manager | SAS<\/A> para isso<\/SPAN>.<\/SPAN><\/P>
Nos últimos anos, GPUs evoluíram para processadores many-core altamente paralelos com tremendo poder computacional e alta largura de banda de memória para oferecer um aumento na velocidade entre duas a três ordens de magnitude sobre as CPUs. Um computador GPU custo-efetivo tornou-se uma alternativa acessível a um caro cluster computacional CPU para muitos engenheiros e pesquisadores realizando várias aplicações científicas e engenheirísticas.
Comparação das Placas Gráficas para Laptop - NotebookCheck.net Tech<\/A> <\/SPAN><\/P><\/P>
Na operação, muitos algoritmos avançados de computação de alto desempenho para big data com SAS e R têm sido aplicados com sucesso à análise dos dados da produção petrolífera. <\/SPAN>No entanto, a pesquisa e o desenvolvimento de soluções na comunidade de sensoriamento remoto ainda enfrentam desafios inovadores para atender aos requisitos operacionais em aplicações em tempo real ou habilitadas para MapReduce, especialmente como automação do balanceamento de cores e ajuste conjunto, além da detecção em tempo real de mudanças & derramamentos de óleo etc.<\/SPAN><\/P><\/P>Na prática, devemos usar ferramentas eficazes para monitorar / gerenciar / diagnosticar o desempenho da computação ‘alta disponibilidade’, especialmente como um sistema computacional único, como Processamento Paralelo e computação em cluster (balanceamento de carga). <\/SPAN>Como é sabido, essas arquiteturas de alto desempenho geralmente são executadas como um sistema computacional único, incluindo N nós (CPU-GPU), memória compartilhada e/ou máquinas virtuais, que obviamente funcionam diferente da grid computing e cloud computing.<\/SPAN><\/P><\/P>Por exemplo, a tarefa mais simples é monitorar quão bom / ruim as ferramentas geoprocessamento do ArcGIS 10.3 e Pro 1.0 utilizam múltiplos núcleos e processadores. <\/SPAN><\/P><\/P><\/P>+++++++++++++++++<\/P>
Linux and CUDA-enabled GPU Computing<\/STRONG><\/SPAN><\/P>
CUDA4;<\/SUP> é uma plataforma paralela de computação e modelo de programação inventado pela NVIDIA. Ele permite aumentos dramáticos no desempenho computacional aproveitando o poder da unidade de processamento gráfico (GPU).<\/P>
Consulte
Getting Started Linux :: CUDA Toolkit Documentation<\/A><\/P><\/P>
Windows and CUDA-enabled GPU Computing <\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/> <\/>
