导读:本文包含了网络并行环境论文开题报告文献综述及选题提纲参考文献，主要关键词:工作站网络环境,并行计算,计算机算法
网络并行环境论文文献综述
甘云志[1]（2019）在《工作站网络环境下的并行计算》一文中研究指出现如今工作站网络环境下的并行计算是最重要的计算机计算形式,也是当今热议的话题。工作站网络环境下的并行计算是并行计算的一种形式,本文主要对并行计算进行介绍,在工作站网络环境下的并行计算的优点和不足,并对其进行总结说明,探究充分发挥并行计算的作用的相关路径。(本文来源于《数字通信世界》期刊2019年05期）
雷建云,彭媛,孙翀,帖军[2]（2018）在《一种社交网络环境下并行短文本查询算法》一文中研究指出随着移动社交网络的迅速发展,如何从海量带有时间属性和地理位置属性的短文本信息中快速查询到有效信息具有重要意义.社交网络环境下传统短文本查询算法忽略时间维度,并且在海量数据下无法满足用户快速响应的需求.针对以上问题,提出一种社交网络环境下并行短文本查询算法.提出的算法设计了基于MapReduce模型下的查询框架,该框架使用了基于滑动窗口下的多版本时空索引(MVSTR-tree),保证了查询过程中融合了时间和空间属性,实现了对海量数据高效查询的目标.最后,通过真实数据集的实验证明该算法能有效缩短查询时间.(本文来源于《中南民族大学学报(自然科学版)》期刊2018年03期）
周术鹏[3]（2017）在《云环境下基于并行智能算法的配电网网络重构算法研究》一文中研究指出配电网网络重构(简称配网重构)利用网络中己有的设备来减少线路损失,提高供电系统的安全性,是实现降低网损的一种非常重要的手段。随着智能电网的快速发展和电网规模的急剧扩张,网络重构算法的计算复杂度也大幅增加,传统的串行算法速度较慢,不能满足电网实时分析与管理的要求。蚁群算法作为一种优秀的并行智能算法,具有鲁棒性、可并行性和正反馈机制等优点,因而被广泛应用于配网重构问题的求解之中。随着“云”技术的兴起和成熟,云计算为并行计算的实现提供了有力的支撑。然而,现有的并行蚁群算法在云环境下求解配网重构存在较多重复计算。例如,随着迭代次数的增加,越来越多的蚂蚁在信息素的引导下会找到固定的一种或几种网络结构,此时,不同蚂蚁的寻径计算会出现重复。由于相同的网络结构会产生相同的网损,所以重复进行的潮流计算也会增多,这极大地浪费了云计算资源。此外,随着迭代次数的增长,这些算法依然易于陷入局部最优。针对上述云环境下并行蚁群算法求解网络重构时存在的不足,本文首先提出了一种削减-累加双策略的蚁群算法。一方面,定义削减因子,使迭代过程中的蚂蚁数量随算法收敛的稳定程度而不断减少,实现动态自适应的蚂蚁数量选择机制以加快计算速度,减少资源消耗;另一方面,定义积累因子,增加了信息素的积累阶段,引导算法跳出局部最优,提高找到最优拓扑结构的概率。其次,为了减少网络重构中潮流计算的重复次数,我们提出了一种并行蚁群记忆查找算法。在计算过程中设立查找表,记录上一次迭代过程中部分最优的网络结构和对应的网损,之后,比较本次迭代计算时蚂蚁找到的结构,若查找表中已存在,则可以跳过潮流计算,直接得出网损。另外,根据并行计算过程中不同进程间相互独立原则,在信息素积累阶段,分步式处理不同进程的信息素浓度,增大搜索范围,降低算法陷入局部最优的概率。实验结果表明,在信息素更新次数和初始蚂蚁数量都相同的情况下,与已有工作相比,本文提出的算法能够将计算速度提升约33%;同时,将最小网损降低约9%。(本文来源于《华北电力大学》期刊2017-12-01）
李加成[4]（2017）在《异构网络环境下多路径并行传输模式研究》一文中研究指出通信技术的快速发展,促使具有多个网络接口的终端设备日益普及。多路径并行传输技术,是指通过聚合各路径上的带宽资源,实现业务数据的快速传输,以提高对网络闲置资源的利用率。传统的多路径并传技术大多考虑同构网络环境下的传输,缺乏考虑网络的异构性。而异构网络由于各链路性能的不对称性,数据包在链路上的传输时延大小不一,可能导致接收端数据乱序现象的发生,而乱序会造成接收端缓存阻塞,严重时会导致缓冲区溢出,严重影响了并行传输系统的吞吐性能。因此,为了改善异构网络中多径并行传输系统的性能,提高网络的整体吞吐量,本文做了如下研究:第一,对异构网络环境下多径并行传输引发的数据包乱序问题进行了深入研究,分析了造成数据包乱序的相关因素,提出了一种基于端到端时延累积概率分布的数据包乱序分析模型。该模型基于现有的研究成果,增加了发送端队列时延对数据包乱序的影响,提高了模型的准确性。然后利用该模型推导出了数据包有序传输的约束条件和数据包乱序概率计算公式。仿真结果表明,该模型解出的数据包乱序概率曲线与仿真曲线基本符合,验证了模型的有效性。第二,在数据包有序传输的约束条件下,为减少接收端数据乱序,本文提出了一种基于卡尔曼滤波的传输时延预测数据调度算法——TDP-KF算法,该算法首先给出了路径传输时延的有效评估方案,在利用卡尔曼滤波算法预测数据块到达接收端的时间时,引入了数据块在发送端的队列等待时延,提高了预测的准确性,实现了发送端数据块的精准调度,有效减少了接收端数据乱序。仿真结果显示,TDP-KF算法能够有效减少接收端数据乱序,提高异构网络环境中多路径并行传输系统的整体吞吐量性能。(本文来源于《重庆邮电大学》期刊2017-06-30）
马宁,李斌[5]（2017）在《云计算环境下并行进化神经网络的设计研究》一文中研究指出针对提高进化神经网络进化时效性,充分利用神经网络的训练数据,提出一种在云计算Hadoop平台环境下,使用进化算法对BP神经网络的权值和网络结构进行优化,通过分布并行计算,提高进化速度和效率。理论分析和实验结果表明,在数据量较大时,该方法能有效地提高神经网络计算精度。(本文来源于《安徽广播电视大学学报》期刊2017年02期）
张任其,李建华,范磊[6]（2017）在《分布式环境下卷积神经网络并行策略研究》一文中研究指出卷积神经网络通常使用标准误差逆传播算法进行串行训练,随着数据规模的增长,单机串行训练存在耗时长且占有较多的系统资源的问题。为有效实现海量数据的卷积神经网络训练,提出一种基于MapReduce框架的BP神经网络并行化训练模型。该模型结合了标准误差逆传播算法和累积误差逆传播算法,将大数据集分割成若干个子集,在损失少量准确率的条件下进行并行化处理,并扩展MNIST数据集进行图像识别测试。实验结果表明,该算法对数据规模有较好的适应性,能够提高卷积神经网络的训练效率。(本文来源于《计算机工程与应用》期刊2017年08期）
王裕民,顾乃杰,张孝慈[7]（2017）在《多GPU环境下的卷积神经网络并行算法》一文中研究指出随着深度学习的不断发展,卷积神经网络凭借其优异的识别性能,在图像识别、语音识别等领域受到了越来越多的关注.卷积神经网络的研究需要进行充分的实验,然而其训练过程通常需要大量时间.使用高性能GPU可以加速卷积神经网络的训练过程,但是由于GPU的特殊结构,进行多GPU的扩展时难以取得令人满意的加速比.提出一种在多GPU下的数据并行算法,与传统的客户机/服务器结构不同,该算法以环形结构组织GPU,更有利于多GPU扩展,系统不会受限于服务器节点的性能.此外还通过并行化单个GPU的计算与传输任务,提高GPU的使用效率.实验结果表明,使用4个GPU时,该算法分别在mnist和cifar10数据集上取得了3.77和3.79倍的加速比,并且对网络的识别性能无显着影响.(本文来源于《小型微型计算机系统》期刊2017年03期）
赵文斌[8]（2017）在《高速网络环境下并行入侵检测技术的研究与实现》一文中研究指出随着互联网的飞速发展,网络已经成为了人们工作生活中必不可缺的一部分。但是随着大量网络应用的出现也使得网络攻击手段层出不穷,网络安全问题越来越严峻。如今入侵检测已经成为了当下保障网络安全的一项关键技术。但是面对现如今的高速网络环境,传统的入侵检测系统已经无法承受如此大的流量负载。所以对于高速网络环境下入侵检测技术的研究有着重要的现实意义,是互联网发展的过程中不可缺少的一项安全保障。本文对高速网络环境下的入侵检测技术的研究现状做了深入的调研和分析,具体分析了高速网络下入侵检测技术所面临的难点,并且调研了当下国内外研究者提出的解决方案,最终引出了负载均衡技术对于入侵检测系统的重要意义,并且着重调研了负载均衡技术。在此基础上,本文提出了一种改进的负载均衡策略,设计了一套包括静态分流和动态调度相结合的负载均衡模型。该模型采用一种改进的一致性哈希(ConsistentHashing)算法来实现并行入侵检测系统中各个检测节点的负载均衡。算法初始化阶段采用“等间隔轮询机制”确定虚拟节点的位置,同时在出现负载不均衡时通过对虚拟节点进行Rank重映射来实现流量的动态调度。同时本文通过对现有入侵检测系统的深入分析,提出了一种基于“最小PPS (PacketPerSecond)”的动态流量调度策略,当系统发生负载不均衡时能够使得系统负载稳步趋于平衡,避免了传统负载均衡技术所出现的“负载振荡”现象。该算法通过对虚拟节点简单的重映射的操作取代了传统负载均衡中对大量流量的调度操作,减少了系统开销,并且具有很高的负载均衡度。而且利用一致性hash的特性能够对系统进行快速实时的缩容扩容而不影响系统运行,很大程度地提升了系统的稳定性。在提出改进的负载均衡策略的基础上,本文设计并实现了一套入侵检测系统,同时搭建了实验环境,对系统的功能及性能进行了测试。通过测试,系统能够满足高速网络环境下入侵检测的性能及稳定性需求。(本文来源于《北京邮电大学》期刊2017-03-09）
王裕民[9]（2016）在《多GPU环境下的卷积神经网络并行算法》一文中研究指出随着深度学习技术的不断发展,卷积神经网络凭借其优异的识别性能,在图像识别等领域受到了越来越多的关注。由于神经网络模型通常包含大量参数,训练一个可用的卷积神经网络非常耗时。因此如何加速神经网络模型的训练过程,是深度学习领域的一个重要研究课题。为了解决该问题,通常采用多GPU并行的方式。多GPU并行加速训练过程的思路主要分为模型并行和数据并行。基于模型并行的算法难以达到负载均衡,加速性能相对较差；基于数据并行的算法中,目前的并行结构都存在无法均匀分配更新任务的问题,难以充分利用计算资源。针对上述问题,在调研了现有的多GPU并行算法的基础上,本文借鉴了异步随机梯度下降算法中延时更新的思想,提出一种基于环形结构的数据并行方案,该方案可以进一步提高多GPU的并行效率。本文的主要工作如下：：1)分析卷积神经网络的隐藏层结构。使用随机梯度下降算法进行模型训练,并在此基础上,推导出卷积层、下采样层和全连接层中可训练参数的计算公式,为后续的并行算法设计以及代码实现做准备。2)给出了基于环形结构的数据并行方案。比较模型并行和数据并行的特点后,为了具备更好的可扩展性,进一步研究数据并行。针对现有数据并行方案中,无法均匀分配更新任务的问题,提出一种以环形结构组织GPU节点的方案。该方案中每个GPU都需要训练和更新模型,计算任务被均匀划分。最后从理论上分析了该方案的并行性能。3)在多GPU上实现卷积神经网络。根据卷积神经网络模型的训练公式，实现单GPU版本的代码,并选择合适的模型参数初始化方案。在此基础上,通过设置恰当的同步方案,以环形结构组织GPU间的数据传输,实现数据并行。此外,每个GPU将创建两个线程分别负责计算和传输,实现任务的并行,达到使用计算掩盖传输的效果。4)对基于环形结构的数据并行方案进行实验与分析。在MNIST和CIFAR-10数据集上,使用基于环形结构的并行方案训练卷积神经网络。当GPU个数为4时,分别取得了3.77和3.79倍的加速比。此外还与使用同步主从结构、归约树结构来训练神经网络的结果作对比,表明本文提出的方法具有更好的并行加速效果。(本文来源于《中国科学技术大学》期刊2016-04-01）
黄辉[10]（2016）在《无线网络环境下业务特性驱动的并行数据传输技术研究》一文中研究指出近年来,随着无线接入技术的快速发展,现有的大量终端设备普遍装备了多个网络接口接入互联网。用户可以同时使用多个网络接口,通过带宽汇聚的多接口数据并行传输的方式支持高效的业务传输。另外,快速发展的移动互联网,推动了大量具有不同特性的新业务涌现,比如实时流媒体服务等。然而,受限于传统TCP/IP协议栈分层设计思想的限制,现有的传输协议难以获取到其他协议中的有用信息,无法认知上层业务的特性和感知底层网络环境动态变化,从而影响传输的性能,不能很好的满足用户的体验质量。针对上述问题,本文基于并行多路径传输协议MPTCP,提出无线网络环境下业务特性驱动的并行数据传输技术解决方案。本文主要工作包括:(1)提出了一种业务特性感知方案,通过对上层业务的感知并获取业务相关的特性,用于指导传输模块的决策;(2)提出了一种传输质量评估方法,该方法基于上层的业务特性与传输层的传输状态,能实时评估传输质量,并依据传输质量动态调整传输策略;(3)设计了一种基于权重的数据调度算法,该算法综合考虑了影响MPTCP传输效果的两个重要因素,RTT和丢包率,通过权重控制机制实现了高效的数据调度;(4)提出了一种动态分包算法,该算法能够根据网络环境变化动态调整数据包的大小,减少带宽资源的浪费;(5)设计了 MPTCP的部分可靠传输拓展(PR-MPTCP),能根据当前的状态决定是否开启部分可靠传输模式,主动丢弃过时的数据,减少无效数据包的重传,同时减少队首阻塞的次数。所在课题组与华为公司联合提交了一份关于PR-MPTCP的IETF草案。本文采用主流的网络仿真软件NS-2进行有效性验证和性能评估。对FTP、CBR、基于RTP的业务的传输效果进行了评估,结果显示所提方案在面向不同特性的业务时能够较好地满足其传输需求。同比较对象相比,基于RTP的业务可以获得更好的播放体验,而FTP等业务能够获得更高的服务质量(QoS)。此外,动态分包算法可以有效减少带宽资源的浪费。(本文来源于《北京邮电大学》期刊2016-03-08）
网络并行环境论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着移动社交网络的迅速发展,如何从海量带有时间属性和地理位置属性的短文本信息中快速查询到有效信息具有重要意义.社交网络环境下传统短文本查询算法忽略时间维度,并且在海量数据下无法满足用户快速响应的需求.针对以上问题,提出一种社交网络环境下并行短文本查询算法.提出的算法设计了基于MapReduce模型下的查询框架,该框架使用了基于滑动窗口下的多版本时空索引(MVSTR-tree),保证了查询过程中融合了时间和空间属性,实现了对海量数据高效查询的目标.最后,通过真实数据集的实验证明该算法能有效缩短查询时间.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
网络并行环境论文参考文献
[1].甘云志.工作站网络环境下的并行计算[J].数字通信世界.2019
[2].雷建云,彭媛,孙翀,帖军.一种社交网络环境下并行短文本查询算法[J].中南民族大学学报(自然科学版).2018
[3].周术鹏.云环境下基于并行智能算法的配电网网络重构算法研究[D].华北电力大学.2017
[4].李加成.异构网络环境下多路径并行传输模式研究[D].重庆邮电大学.2017
[5].马宁,李斌.云计算环境下并行进化神经网络的设计研究[J].安徽广播电视大学学报.2017
[6].张任其,李建华,范磊.分布式环境下卷积神经网络并行策略研究[J].计算机工程与应用.2017
[7].王裕民,顾乃杰,张孝慈.多GPU环境下的卷积神经网络并行算法[J].小型微型计算机系统.2017
[8].赵文斌.高速网络环境下并行入侵检测技术的研究与实现[D].北京邮电大学.2017
[9].王裕民.多GPU环境下的卷积神经网络并行算法[D].中国科学技术大学.2016
[10].黄辉.无线网络环境下业务特性驱动的并行数据传输技术研究[D].北京邮电大学.2016