11120519硕士学位论文开题报告.pptVIP

目录 研究背景及意义 研究现状 研究内容和重点 前期已做的工作 进度和计划 1、研究背景及意义(1) 现在很多领域都涉及强大的计算能力对海量数据分析。海量数据的处理对CPU、I\O的吞吐都是严峻的考验，不论是处理速度、访问速度、容错性等方面，单台单核计算机以及传统的技术架构已经不适应当前的计算要求. 1、研究背景及意义(2) 求解极图是NP-完全问题..当图G的规模不断增大时，计算量将以指数级增加，用串行算法会花费相当大的代价，甚至无法得到结果，寻求其他途径求解极图问题成为亟待解决的问题.因此，本项目将研究基于MapReduce的极图并行算法，在多核的平台Phoenix上的实现，以提高算法的运算效率. 1、研究背景及意义(3) MapReduce框架最早由GOOGLE提出,作为一种有效的并行编程模型，它可以用于大规模数据集的并行运算, 为海量数据的计算分析提供了一种可行方案。 1、研究背景及意义(4) Phoenix平台是一个基于MapReduce编程模型的多核芯片或多处理器的系统，使编程人员在写功能类型的代码自动并行和被调度，不必关心并发的管理的分布式系统。 1、研究背景及意义(5) Phoenix平台是一个基于MapReduce编程模型的多核芯片或多处理器的系统，使编程人员在写功能类型的代码自动并行和被调度，不必关心并发的管理的分布式系统。 2、研究现状(1) MapReduce: Simplifed Data Processing on Large Clusters 2004 该论文表明有限制的编程模型可以很容易的实现并行化和分布计算，并做出计算容错.冗余执行可以降低速度慢的机器对系统整体的影响，以及处理机器故障和数据丢失等问题。 2、研究现状(2) Evaluating MapReduce for Multicore and Multiprocessor Systems -Stanford University 论文主要提供了一种图像处理接口HIPI，它将图像集合整合到数据文件中，并附加索引文件以定位某幅图片，操作图像的方法在接口中给出，但是有被HDFS切块的问题。 2、研究现状(3) Optimizing MapReduce for Multicore Architectures 2010 源自美国麻省理工大学,研究了MapReduce 在多核处理器上的行为，通过在平台Phoenix、Hadoop、Metis上做出几个并行程序的对比实验，如直方图统计，线性回归，矩阵乘法等，统计出不同的执行时间。 2、研究现状(4) Google’s MapReduce Programming Model — Revisited 该论文介绍了Google 的MapReduce编程模型，并将MapReduce和Sawzall模型做出对比实验.实验表明，MapReduce模型在软件设计过程中的有以下特点：健壮的类型检查，全类型推断，强大的抽象形式，组合性，代数推理风格。 2、研究现状(5) A Map-Reduce System with an Alternate API for Multi-Core Environments 论文中描述的MATE系统, 给数据密集型的应用提供了一个可选择的API的原始mapreduce 模型，利用了用户声明的裁剪对象，降低了系统开销，并支持多核Phoenix系统。 2、研究现状(6) Graphs without four-eyeles – Journal of Graph Theory, 1989 在该论文中，Clapham等人给出了所有n≤21时ex(n;{C4})的值以及相应的极图. 2、研究现状(7) On extremal graphs without four- cycles – Utiltas Mathematica 论文中C4极图构造算法的最大顶点数n已经达到n = 31，杨元生等人给出了所有22≤n≤31时ex(n;{C4})的值以及相应的极图。 3、研究内容和重点 掌握多核并行算法设计的相关概念及理论 掌握Phoenix平台及相关函数的使用方法. 掌握C4极图构造算法的基本思想和函数功能，在此基础上对可以并行化的数据进行分析和设计.并行化中遇到的一个问题就是全局变量的问题，涉及到线程同步问题，需要把一些全局变量修改为局部变量. 3、研究内容和重点 程序计算时产生的重复结果，需要把重复的结果去掉的问题. 利用上述知识设计并实现相应的并行化的C4极图算法 测试、分析实验结果，改进相关算法.与之先前利用OpenMP完成的C4并行算法实验结果数据比对和分析. 4、前期已做的工作 一 、阅读参考文献，了解此领域研究背