Система поддержки принятия решений для выбора вычислительных кластеров

Размещено на http://www.allbest.ru/

СППР для выбора вычислительных кластеров

Ройзензон Г.В.

Аннотация

вычислительный кластер решение

В работе рассматривается современное состояние рынка высокопроизводительных вычислительных систем. Предложены критерии, характеризующие новые аппаратные средства, необходимые для высокопроизводительных вычислений. Показана схема адаптации нового метода вербального анализа решений на примере решения практической задачи сравнения вычислительных кластеров.

Введение

В настоящее время можно выделить множество областей, где использование вычислительных кластеров дает возможность получить результат на порядок быстрее, чем использование стандартных 32-х разрядных многопроцессорных (обычно 2-х или 4-х) рабочих станций. К подобным областям относятся исследования генома человека, биоинформатика, биохимия, биофизика, моделирование погоды, анализ фондового рынка, исследования прочности, теплофизика, динамика жидкостей и газов, электромагнетизм и др.

Впервые в классификации вычислительных систем термин "кластер" определила компания Digital Equipment Corporation (DEC). По определению DEC, кластер - это группа вычислительных машин, которые связаны между собою и функционируют как один узел обработки информации [Савяк 2002].

1. Постановка задачи

Предварительным этапом выбора вычислительного кластера является формирование списка оборудования.

Задача выбора вычислительного кластера может рассматриваться в следующих вариантах:

1. Выбор наиболее подходящего вычислительного кластера из числа кластеров известной конфигурации. Элементами списка могут выступать конфигурации вычислительных кластеров различных производителей, представленных на рынке для решения конкретных вычислительных задач (Постановка 1). Очень важно отметить, что «универсальные» вычислительные кластеры начального уровня мало распространены. Это связано со сложностью расчетных программ, которые накладывают достаточно жесткие ограничения на «железо» и не позволяют устанавливать в вычислительный кластер «что попало». Таким образом, в процессе выбора вычислительного кластера на одно из первых мест выходит понятие совместимости (compatibility).

2. Выбор конфигурации вычислительного кластера (кластеров) из всевозможных компонентов совместимых между собой и совместимых с заранее заданным программным обеспечением (Постановка 2). В ситуации, когда после конфигурирования мы получили несколько вариантов вычислительных кластеров, задача сводится к Постановке 1.

Известно, что разница между данными двумя постановками состоит в том, что во втором случае необходима разработка механизма предварительного «отсева» либо «технологически невозможных» конфигураций, либо возможных, но не совместимых с программным обеспечением. Для формирования совместимых конфигураций вычислительных кластеров целесообразно использовать механизм морфологического анализа, который позволяет сформировать базу знаний, содержащую допустимые конфигурации.

Рассмотрим базовые технические характеристики вычислительного кластера, которые позволят сформировать основные группы критериев для сравнения кластеров (см. Табл. 1).

Для удобства сравнения вычислительных кластеров технические характеристики были разделены на четыре группы критериев:

1. Стоимость

1.1. Высокая ($50000-75000)

1.2. Средняя ($25000-50000)

1.3. Низкая (менее $25000)

2. Производительность

3.1. Высокая (более 25 Гфлопсов)

3.2. Средняя (15-25 Гфлопсов)

3.3. Низкая (менее 15 Гфлопсов)

3. Возможности модернизации

3.1. Большая

3.2. Средняя

3.3. Низкая

4. Сложность эксплуатации

4.1. Большая

4.2. Средняя

4.3. Низкая

Таблица 1. Характеристики вычислительного кластера

2. Построение базы знаний

Стоимость программного обеспечения, используемого совместно с вычислительным кластером, в большинстве случаев существенно больше стоимости оборудования. Этот фактор накладывает определенные ограничения на выбор тех или иных компонентов вычислительного кластера. Достаточно часто расчетные программы бывают узкоспециализированными, например, предназначенными только для расчета трехмерных вязких течений в проточных частях турбомашин.

Соответственно представляется целесообразным предварительно классифицировать программные продукты, как по областям знаний, как это сделано, например, в Российском фонде фундаментальных исследований при конкурсном отборе научных проектов, так и по областям применений (отраслям промышленности). Эксперты должны помочь в составлении списка программных продуктов и их классификации как по областям знаний, так и применения.

С другой стороны, одной из основных характеристик любого программного продукта является требование к аппаратным средствам (системные требования). Именно системные требования являются связующим звеном между конкретной практической задачей, для которой использование определенных программных продуктов позволит получить существенный выигрыш, и конкретными конфигурациями вычислительных кластеров.

С точки зрения типизации, программное обеспечение для расчетов можно разделить также на две большие категории: специализированные и универсальные.

Для построения базы знаний требуется собрать экспертную информацию. При этом экспертов можно разделить на три группы.

Группы экспертов:

1. Производители аппаратных средств, т.е. непосредственно вычислительных кластеров.

2. Производители программного обеспечения, при использовании которого, требуется большие вычислительные ресурсы.

3. Конечные пользователи.

При этом экспертам 1 и 2 группы необходимо провести предварительное изучение тех задач, которые стоят перед конечными пользователями (группа 3). Это позволит корректно оценить по четырем критериям каждый вычислительный кластер для последующего выбора.

3. Структура СППР

3.1 Построение классификации

Рассмотренный подход позволяет решать достаточно широкий круг задач выбора различных технических и программных средств. Предлагаемый подход опирается не только на оригинальную постановку задачи, но и на использовании нового метода вербального анализа решений, который ориентирован на выбор лучшего объекта на основе парных сравнений на подмножествах критериев.

Список литературы

[Асанов и др., 2001] Асанов А.А., Борисенков П.В., Ларичев О.И., Нарыжный Е.В., Ройзензон Г.В. Метод многокритериальной классификации ЦИКЛ и его применение для анализа кредитного риска. Экономика и математические методы, Том 37, Выпуск 2, Апрель-Июнь 2001.

[Ашихмин и др., 2001] Ашихмин И.В., Ройзензон Г.В. Выбор лучшего объекта на основе парных сравнений на подмножествах критериев, в «Методы поддержки принятия решений: Сборник трудов Института системного анализа Российской академии наук» под ред.: Ларичева О.И., Москва, Эдиториал УРСС, 2001, с. 51-71.

[Гнеденко и др., 1996] Гнеденко Л.С., Фуремс Е.М. STEPCLASS - система извлечения экспертных знаний и проведения экспертизы для решения диагностических задач. // Научно-техническая информация, сер. 2, 1996, № 9, c. 16-20.

[Ларичев и др., 1996] Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. - М.: Физматлит, 1996.

[Ларичев, 2002] Ларичев О.И. «Теория и методы принятия решений, а также хроника событий в волшебных странах», Москва, Логос, 2002. 2 издание.

[Ройзензон и др., 2002] Ройзензон Г.В., Фуремс Е.М. Исследования возможностей человека при сравнении трехкритериальных альтернатив. // Труды Восьмой национальной конференции по искусственному интеллекту с международным участием (КИИ-2002). - М.: Физматлит, 2002, том 1, с.511-518.

[Савяк 2002] Савяк В. Эффективные кластерные решения -- http://www.ixbt.com/cpu/clustering.shtml

Размещено на Allbest.ru