E级超级计算机故障预测的数据采集方法

面向未来E级超级计算机,提出用于故障预测的数据采集框架,能够全面采集与计算结点故障相关的状态数据。采用自适应多层分组数据汇集方法,有效解决随着系统规模增长数据汇集过程开销过大的问题。在TH-1A超级计算机上的实现和测试表明,该数据采集框架具有开销小、扩展性好的优点,能够满足未来大规模系统故障预测数据采集的需求。     

流域变换的串行与并行策略研究

流域变换是数字形态学中用于图像分割的一种经典方法,其并行化问题成为近年来研究的重点。首先给出了流域变换的数学模型,并归纳列举了几种离散情况下的形式化定义;其次分类总结了近年来流域变换串行算法研究的新进展,从而在此基础上重点讨论了相应的并行化策略。详细分析了设计并行流域算法需要考虑的几个问题;并比较评价了现有并行算法的性能特点,得出了一些结论;最后提出了有待进一步研究的问题。     

基于搜索编码的简单贝叶斯分类方法

简单贝叶斯法性能稳定,分类精度难以提高。通过分析搜索编码法产生的纠错输出码的性质,提出基于搜索编码的简单贝叶斯算法SCNB,并详细阐述了SCNB算法的应用流程。实验结果表明,采用搜索编码法能够有效提高简单贝叶斯分类器的泛化能力。     

E 级超级计算机故障预测的数据采集方法

随着超级计算机规模向E级迅速发展，其可靠性面临巨大挑战，基于故障预测的主动容错技术成为提高系统容错能力的有效方法之一。数据采集是故障预测的基础，现有用于超级计算机故障预测的数据采集方法采集数据属性少、开销大，影响了故障预测的准确性和效率。本文面向未来E级超级计算机，提出数据采集框架（Failure Prediction Data Collection Framework, FPDC），能够全面采集与计算结点故障相关的状态数据，采用自适应多层分组数据汇集方法，有效解决了随着系统规模增长数据汇集过程开销过大的问题。在TH-1A超级计算机上的实现和测试表明，该数据采集框架具有开销小，扩展性好的优点，能够适应未来大规模系统故障预测数据采集的需求。