Системы с распределенной памятью

Пространственная локализация предполагает близкое размещение в оперативной памяти данных, которые используются программой в близкое время (в этом случае, в кэш-линейке кроме необходимого в текущий момент данного, может содержать и данное, которое потребуется в близкое время).4.4 Балансировка загрузкиБалансировка нагрузки (LoadBalancing) применяется для оптимизации выполнения распределённых (параллельных) вычислений с помощью распределённой (параллельной) ВС. Она предполагает перенос (migration – миграция) части вычислений с наиболее загруженных вычислительных узлов на менее загруженные узлы.Следует различать декомпозицию задач и проблему отображения задач на вычислительную среду.4.5 Модель для оценки взаимодействийХорошая модель вычислений облегчает работу разработчиков компьютеров, алгоритмов и программ тем, что позволяет адекватно отобразить выбираемое решение на реальные компьютеры. Подобную модель вычислений в литературе называют «соединяющей моделью (bridgingmodel)». Универсальная соединяющая модель (рис. 5 a) может быть применима к любым алгоритмам и любым компьютерам. Такой универсальной соединяющей моделью вычислений для последовательных компьютеров и алгоритмов явились архитектура фон Неймана и модель RAM[11]. Рисунок 5 – Внешний вид схемы модели для оценки взаимодействийЗаключениеВ заключении отметить, что основное требование к РИС – простота применения без существенных потерь в производительности, поскольку она должна быть высокопроизводительной.При этом применение облачных провайдеров и ужесточение конфиденциальности через доверенную третью сторону необходима система сертификации. Конфиденциальность начинается с облачных провайдеров. Отправная точка происходит на заводе, где производится облачное оборудование. Когда эта продукция будет обеспечена высокой конфиденциальностью, необходимо классифицировать уровень доверия поставщиков облачных вычислений, чтобы выяснить, являются ли данные зашифрованными или нет. Такое шифрование может быть выполнено с помощью гомоморфных технологий. В данной работе достигнута основная цель – архитектуры распределенных информационных систем. Поэтому в данном реферате решены следующие задачи:описаны распределенные базы и хранилища данных;приведеныкорпоративные сети;приведены облачные системы;описанообеспечение отказоустойчивости и высокодоступности РИС;приведены системы распределенных (высокопроизводительных) вычислений.Также в процессе написания реферата были использованы современные и классические источники литературы и глобальной сети Internet.Список использованной литературыКлючев А.О., Кустарев П.В., Платунов А.Е. Распределенные информационно-управляющие системы. Учебное пособие. —СПб.: Университет ИТМО, 2015. – 58 с.Сальников А.М. и др. Введение в параллельные вычисления. Основы программирования на языке си с использованием интерфейса MPI. М.: ИПУ РАН, 2009. - 123 с. (Программирование для систем с распределенной памятью. )Топорков В.В. Модели распределенных вычислений. М.: Физматлит, 2004. — 320 с. (Системы с распределенной разделяемой памятью)Аносова H.П. Бородин O.O. Гаврилов E.C. Марасанов A.M. Распределенные базы и хранилища данных. М.: Национальный Открытый Университет «ИНТУИТ», 2009.Elloumi M. et al. (eds.) Database and Expert Systems Applications. DEXA 2018 International Workshops, BDMICS, BIOKDD, and TIR, Regensburg, Germany, September 3-6, 2018, Proceedings. — Springer, 2018. — 321 p.Сысоев А.В. и др. Параллельное программирование в системах с общей памятью. Инструментальная поддержка. Учеб. метод. пособие / Сысоев А.В., Мееров И.Б., Свистунов А.Н., Курылев А.Л., Сенин А.В., Шишков А.В., Корняков К.В., Сиднев А.А. — Н. Новгород: Изд-во ННГУ, 2007. — 110 с.Российский технологический журнал 2019 №05 Том 7. М.: МИРЭА—Московский технологический университет. — 94 с. (Система автоматического распараллеливания линейных программ для машин с общей и распределенной памятью)Щукин Г.А.Didal: библиотека управления распределенными данными для вычислительных систем с распределенной памятью. Новосибирск: Параллельные вычислительные технологии (ПАВТ'2019), 2019 – С. 466. MinukhinSergii, Fedko Victor, GnusovYurii, Simon Kuznets. Enhancing the performance of distributed big data processing systems using hadoopand polybase. Kharkiv: Eastern-european journal of enterprise technologies. Kharkiv National University of Economics, Naukyave. 4. № 2 (94), 2018. С. 16-28.Штейнберг Б.Я..Штейнберг О. Б. Преобразования программ - фундаментальная основа создания оптимизирующих распараллеливающих компиляторов. Программные системы: теория и приложения, 2021. – С. 21–113.Rouban A. The sensitivity coefficients for dynamic systems described by difference equations with the distributed memory on phase coordinates and variable parameters, Krasnoyarsk: Вестниктомскогогосударственногоуниверситета. управление, вычислительнаятехникаиинформатика, 2021. – С. 95-100.