В литературе [6-14] авторы зачастую отождествляют между собой модели программирования и модели выполнения программ, т.е. модели вычислений распределенных вычислительных систем. Это приводит к тому, что анализ структуры алгоритма, поступившего на выполнение, и компьютерной архитектуры, на которой алгоритм реализуется, не проводится, а удовлетворяется только поиском системы программирования без учета того, насколько она отвечает архитектуре и самой задаче. Модель вычислений – это связующее звено между архитектурой и системой программирования. В распределенных системах модель вычислений отражает взаимодействие процессов. На текущее время обобщенные модели вычислений не построены даже для классифицированных технологий распределенных вычислений. Модель вычислений сильно зависит от выбора аппаратной архитектуры вычислительной системы. И поэтому при нестандартном выборе архитектуры для решения специфических классов задач необходимо также решать задачу построения модели вычислений.

На сегодняшний день наиболее часто нейроподобные сети (НПС) и нейрокомпьютерные системы (НКС) используются для решения слабо формализуемых и неформализуемых задач [4].

Рассмотрим модель виртуализованного реструктиризуемого (под задачу) вычислительного кластера на базе нейропроцессоров, предложенную в [1]. В таком случае кластер представяется как полный взвешенный граф:

G = (CN, ∆, P_i, K_i, E_i, VO, F(CN), q, l, b, c, m, d, δ)                (1)

В данной работе не представлено полное описание модели кластера, с ней можно ознакомиться в [1]. Следует отдельно отметить только управляющий модуль –комплекс подпрограмм распределения задач на определенные узлы кластера. Управляющий модуль кластера можно выразить следующим образом {A_d, A_z, A_sc[i], A_f(sc[i]),A_r}

A_d – алгоритм определения сложности (определения класса) задачи, поступившей на выполнение в вычислительный кластер.

A_z – алгоритм выявления подзадач по поступившей задаче.

Asc_[i] – алгоритм поиска по классам подзадач требуемой нейропроцессорной стсруктуры из множество возможных.

A_f(sc[i]) – алгоритм постороения необходимой нейропроцессорной структуры из пула виртуализованных ресурсов кластера (1).

Ar – алгоритм распределения сформированных подзадач по узлам, полученной в результате работы Asc_[i] и A_f(sc[i]), структуры.

В общем виде любая задача, поступившая на выполнение в кластер, может быть представлена в виде алгоритма выполнения – последовательности машинных команд и данных. Известно, что нейрокомпьютерные системы осуществляют оптимальную обработку информации разбивая ее на фрагменты, которые можно сгруппировать по классам эквивалентности и в зависимости от решения этой задачи формируют оптимальную структуру обработки [2]. Данный принцип был перенесен на распределенную вычислительную структуру типа кластер, вычислительными узлами которого являются нейрокомпьютерные модули. В данной модели распределенный вычислительный кластер виртуализован до абстрактной вычислительной машины с пулом вычислительных ресурсов, как описано в [1].

В основе предлагаемой модели реструктуризации под задачу ресурсов кластера нейрокомпьютеров лежит функциональный принцип, согласно этому принципу – главную роль играет множество операций, выполняемых на процессорных модулях распределенной вычислительной системы нейрокомпьютеров.

Операции (O)- это последовательность действий в алгоритме:

O=.

В результате анализа алгоритма, поступившего на обработку в кластер, необходимо выбрать оптимальную структуру обработки. Множество возможных структур – , где – это конвейер, вектор или их рекомбинации в виде конвейерно-векторной или векторно-конвейерной, матричной и других структур.

Проектируемая структура должна выполнять заданный список операций под управлением алгоритма.

Алгоритм () – упорядоченная последовательность введенных операций или действий. Эта последовательность называется кортежем: .

Под алгоритмом понимается конечный кортеж операций ,определяемый согласно следующему выражению:

длиной.

Структура распределенного нейрокомпьютерного подкластера рассматривается на уровне устройств. Поэтому на первом этапе определяется элементная база. Решение такой задачи математически сводится к нахождению отображения

,    (2)

где под множеством команд конкретного комплекта СБИС подразумевается внутренний язык вычислительной системы (ВС); – минимальное количество команд, реализующее операцию .

Вопрос выбора элементной базы вычислительных машин в конечные узлы вычислительного кластера рассмотрен выше.

На следующем этапе в зависимости от решения задачи (2) проектирования каждому -му алгоритму обработки ставится в соответствие программа обработки посредством определяемого отображения:

.     (3)

Под программой обработки информации понимается кортеж команд: . При этом характеристиками рассматриваемой программы являются: длина программы , определяемая как число макрокоманд, входящих в программу; частота повторения макрокомандX_m^(j) , m=1,M и время выполнения программы , где -время выполнения -й команды.

                    (4)

В результате решения задачи (3) определяется программа обработки однопроцессорного вариант нейрокомпьютера, что соответствует централизованной структуре обработки информации. Для решения задачи в распределенной вычислительной системе введем понятие структуры S, под которым будем понимать отношение параллельности выполнения подпрограмм двумя различными процессорными модулями: . Отношение параллельности понимается как выполнение одновременно двух и более подпрограмм на разных вычислительных машинах кластера.

Тогда на третьем этапе проектирования определяется множество всевозможных структур , позволяющих некоторой -й программе обработки поставить в соответствие множество подпрограмм :

.    (5)

В результате решение задачи (5) определяет технические затраты Q^(jw), такие как: требуемое число нейрокомпьютеров кластера, а также программные затраты R^(jw) , как суммарный набор макрокоманд для каждой программы.

На четвертом этапе осуществляется оптимальный выбор вычислительной структуры для последующей реструктуризации вычислительного кластера или его части из пула виртуализованных ресурсов. Формирование оптимальной структуры также осложнено возможной стратегией проектирования, включающей в себя минимум аппаратных и программных средств и удовлетворяющей требованиям по производительности. Алгоритм разбиения поступившей на выполнение в вычислительный кластер задачи на подзадачи, а также задачу выбора оптимальной структуры кластера для решения поступившей задачи по заданной стратегии в рамках данной работы не рассматривается.

1. Лукашенко В. В., Романчук В.А. Разработка математической модели реструктуризуемого под классы задач, виртуализуемого кластера вычислительной grid-системы на базе нейропроцессоров //Вестник Рязанского государственного университета имени С. А. Есенина. Научный журнал. –2014. -№ 1/42 С. 176-181.
   
2. Романчук В.А., Ручкин В.Н., Фулин В.А. Разработка модели сложной нейропроцессорной системы // Цифровая обработка сигналов. – Рязань : Информационные технологии, 2012. – №4. – С.70–74.
3. Ian Foster,The anatomy of the GRID [Text] //Ian Foster Carl Kesselman, Steven Tuecke, International Journal of High Performance Computing Applications.- 2001-№ 15(3). – p. 200-222.
4. Ручкин В.Н., Романчук В.А., Фулин В.А. Когнитология и искусственный интеллект. – Рязань : Узорочье, 2012. – 260 с.
5. Ручкин В.Н., Фулин В. А. Архитектура компьютерных сетей // Диалог-МИФИ. Москва, 2008 С. 238.
6. Ручкин В. Н. Проектирование и выбор специализированных средств обработки информации // Московский государственный открытый университет. Москва, 1997. С. 128.
7. Галушкин А.И. Нейрокомпьютеры. Кн. 3: Учеб. пособие для вузов. М: ИПРЖР, 2000. 528 с.
8. Andrew S. Tanenbaum, Maarten van Steen. “Distributed systems. Principles and paradigms”. — Санкт-Петербург: Питер, 2003. — 877 с. — (Классика computer science).
9. Корнеев В. В. Параллельные вычислительные системы. — М.: Нолидж, 1999. — 320 с.
10. Бурцев В. С. Параллелизм вычислительных процессов и развитие архи- архитектуры суперЭВМ. — М.: ИВВС РАН, 1997. — 152 с.
11. Воеводин В. В., Воеводин Вл. В. Параллельные вычисления. — СПб.: БХВ-Петербург, 2002. — 608 с.
12. Лацис А. Как построить и использовать суперкомпьютер. — М.: Бестсел- Бестселлер, 2003. — 240 с.
13. Таненбаум Э. Архитектура компьютера. — СПб.: Питер, 2002. — 704 с.
14. High performance cluster computing / Ed. R. Buyya. V. 1. Architectures and systems. V. 2. Programming and applications. — New Jersey: Prentice Hall PTR, 1999

Все статьи автора «v.lukashenko»