دانلود ترجمه مقاله طرح ریزی موازی از داده های فضایی بزرگ مبتنی بر بردار – مجله الزویر

گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” طرح ریزی موازی از داده های فضایی بزرگ مبتنی بر بردار ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.

• فهرست مطالب:

چکیده
1. مقدمه
2. پیشینه
2.1 محاسبات ابری
2.2. محاسبات عملکرد بالا GPU های فعال شده
3. مواد و روش ها
3.1. طراحی چارچوب
3.2 محاسبات با کارایی بالا شتاب دهندهGPU
3.3. ماشین های مجازی مبتنی بر ابر
3.4. پورتال وب GIS
3.5. پیاده سازی و محاسبات منابع
4. آزمایشات
4.1. آزمایش 1: عملکرد GPU در پاسخ به اندازه مسئله
4.2. آزمایش 2: اثر توازن بار
5- نتیجه گیری

• بخشی از ترجمه:

5- نتیجه گیری
در این مقاله، ما یک چارچوب طرح نقشه برداری موازی را برای انتقال داده های بزرگ فضایی بر مبنای بردار در میان نقشه های جایگزین بیان کردیم. چارچوب طرح نقشه برداری موازی بر اساس یکپارچه سـازی قابلیت های سه لایه است: محاسبات با کارایی بالایGPU فعال، محاسبات ابری و وب GIS. این چارچوب یکپارچه حمایت قابل توجهی برای بهترین اعمال نفوذ هر جزء ارائه کرده است که یکدیگر را با توجه به طرح نقشه برداری از داده های بزرگ فضایی کامل می کنند. لایه محاسبات ابری یک مجموعه ای از ماشین های مجازی تهیه می کند که نقش مهمی را از لحاظ تعامل با کاربران پشت صحنه و جلوی صحنه خوشه های محاسبات با کارایی بالا بازی می کند. خوشه های GPU چند هسته ای قدرت محاسبات انبوه موازی را ارائه می دهند که برای مدیریت موثر داده های فضایی بزرگ وعده داد است. نتایج تجربی گزارش شده در این مطالعه نشان داد شتابدهی به طور قابل توجهی از طریق GPU فعال طرح نقشه برداری موازی به دست آمده است. علاوه بر این، اعمال پیش پردازش (به عنوان مثال، جمع آوری) در داده های فضایی بزرگ از استراتژی های مورد علاقه و طراحی موازی متناسب با داده های فضایی برای اعمال نفوذ قدرت محاسبات موازی به طور انبوهی در GPU های چند هسته ای ضرورت دارد. استراتژی های موازی، نشان داده شده با تجزیه دامنه و توازن بار، از اهمیت ویژه ای برای دستیابی به بهترین بهره برداری از منابع محاسباتی با کارآیی بالا در پردازش و تجزیه و تحلیل داده های GIS مرتبط برخوردارند (وانگ، 2010، شیا، لیو، یه، وو، و زو ، 2012، شیا و همکاران، 2011؛ یانگ، وو و همکاران، 2011 را مشاهده کنید).

• بخشی از مقاله انگلیسی:

5. Conclusion

In this article, we develop a parallel map projection framework for the transformation of vector-based big spatial data among alternative map projections. The parallel map projection framework is based on the integration of capabilities of three layers: GPU-enabled high-performance computing, cloud computing, and Web GIS. This integrative framework provides substantial support for best leveraging each component that complements to each other with respect to the map projection of big spatial data. The layer of cloud computing provisions a collection of virtual machines that serves a key role in terms of interacting with frontend users and back-end high-performance computing clusters. GPU clusters provide many-core massively parallel computing power that holds great promise for handling efficiently big spatial data. Experimental results reported in this study demonstrate substantial acceleration obtained through GPU-enabled parallel map projection. Moreover, it is imperative to apply pre-processing (e.g., aggregation) on big spatial data of interest and design parallel strategies tailored to the spatial data to leverage the massively parallel computing power on many-core GPUs. Parallel strategies, represented by domain decomposition and load balancing, are of particular importance for achieving the best exploitation of highperformance computing resources on the processing and analysis of GIS-relevant data (see Wang, 2010; Xia, Liu, Ye, Wu, & Zhu, 2012; Xia et al., 2011; Yang, Wu et al., 2011).

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله