پردازش موازی، آينده دنيای کامپيوتر

پردازش موازی، آينده دنيای کامپيوتر

Grid Computing از جمله مباحثی است که آينده دنيای کامپيوتر را تشکيل خواهد داد. تقاضا برای توانايی پردازش بيشتر با سرعت رو به افزایش است و پیشرفت تکنولوژی پردازنده‌ها و افزایش حجم حافظه‌ها ، پاسخگوی نيازها نيست. تنها راه استفاده از روشهای پردازش موازی است.
 اگرچه مدت زيادی است که امکاناتی برای ايجاد آرایه‌های کامپيوتری در سيستم عامل‌هايي چون Linux پيش‌بينی شده است، اما شرکتهايي مانند Microsoft و Oracle به تازگي ضرورت روی آوردن به اينگونه فن‌آوری‌ها را احساس کرده‌اند! Microsoft در Windows Server 2003 امکاناتی برای Cluster سازی حداکثر 8 کامپيوتر را پيش‌بينی کرده است .

 لازم است که IT Man(!)ها به جای خريد و انبار کامپيوترها گران قيمت ، اندکی از زمان پر ارزش خود را به مطالعه تکنولوژی‌های جديد بگذرانند. با توسعه اينترنت، نياز به سرويس دهنده‌های پرقدرت تر افزایش ميابد و استفاده از کامپيوترهای قوی و گرانقيمت الزاما بهترين راه‌ حل نيست. فراموش نکنيم که Google با Gridي شامل 15000 کامپيوتر شخصی به مراجعه کنندگان خود سرويس مي‌دهد.

 

نحوه كار با Distributed Computing Toolbox بطور خلاصه:

نحوه كار با Distributed Computing Toolbox بطور خلاصه:

پيش از شروع كار با اين جعبه ابزار بايد آنرا نصب كنيد. ضمنا توجه داشته باشيد كه MATLAT نسخه 7.0.4 يا بالاتر (اگر به بازار آمده است) روي تمام كامپيوترها نصب شده باشد. حالا در خط فرمان (cmd) اين دستورات را تايپ كنيد:

cd MATLABROOT\toolbox\distcomp\bin\win32
mdce install

پس از اجراي دستور فوق، سرويس mdce نصب مي‌شود و هر بار با بالا آمدن سيستم عامل، شروع مي‌شود. مي‌توانيد اين موضوع را اينجا چك كنيد (Control Panel->Administrative Tools->Services). سرويسي به اسم MATLAB Distributed Computing Engine Service خواهيد ديد كه مربوط به همين جعبه ابزار است. اگر سرويس فوق شروع نشده باشد، به سادگي و با تايپ mdce start در خط فرمان و آدرس بالا (MATLABROOT\toolbox\distcomp\bin\win32) شروعش كنيد. من و سيب قبلا توي اتاق ICT اين كار را انجام داديم ولي اگر باز هم مشكلي بود، به سيب مراجعه كنيد (چون بيشتر از من توي بخش ديده مي‌شه).
بهتر است اول كمي در مورد كلماتي كه در ادامه مي‌بينيد، توضيح بدهم. در اينجا، به يك برنامه توزيع شده، job گفته مي‌شود كه اداره آن به عهده jobmanager مي‌باشد. هر job به قسمتهايي به نام task تقسيم مي‌شود كه مي‌توانند بصورت مجزا و همزمان روي كامپيوترهاي مختلف اجرا بشوند. سپس jobmanager، هر task را براي اجرا به يك worker مي‌فرستد. پس روي هر كامپيوتر بايد حداقل يك سرويس worker اجرا شده باشد. بديهيست كه شبكه احتياج به حداقل يك jobmanager دارد و هر jobmanager هم حداقل به يك worker نياز دارد. ابتدا بايد jobmanager اجرا شود، پس در خط فرمان تايپ كنيد (با همان آدرس قبلي):

startjobmanager -name MyJobManager

با اين دستور يك jobmanager به نام MyJobManager، شروع به كار مي‌كند. حالا روي هر كامپيوتر يك worker راه‌اندازي كنيد (به ياد داشته باشيد كه براي اجراي يك برنامه توزيع شده تحت MATLAB نيازي نيست كه همه جا MATLAB در حال اجرا باشد، ولي نصب MATLAB روي همه كامپيوترها الزاميست):

startworker -jobmanager MyJobManager

با اجرا اين دستور در هر كامپيوتر يك worker متعلق به jobmanagerي به نام MyJobManager، شروع خواهد شد. اگر بخواهيد در يك كامپيوتر بيش از يك worker براي يك jobmanager يكسان داشته باشيد با سويچ name- به هر كدام يك اسم يكتا بدهيد. ضمنا فراموش نكنيد كه پس از اتمام كار، اجراي workerها و jobmanager ها رو متوقف كنيد:

stopworker
stopjobmanager -name MyJobManager

حالا نوبت برنامه نويسي است. MATLAB را اجرا كنيد و در پنجره فرمان، يك jobmanager در شبكه پيدا كنيد:

all_managers = findResource('jobmanager')
jm = all_managers(1)

اگر به دنبال يك jobmanager با نام خاصي هستيد، اين دستور پيشنهاد مي‌شود:

jm = findResource('jobmanager', 'Name', 'MyJobManager')

با اجراي دستور مفيد زير:

get(jm)

خصوصيات jm از جمله تعداد workerها و وضعيت آنها را مي‌توان مشاهده نمود.
حالا يك job درون jm بسازيد:

job1 = createJob(jm)

مي‌توان مشخصات job1 را هم ديد:

get(job1)

مي‌بينيد كه وضعيت job1 فعلا pending است. با دستورات زير، چند task درون job1 ايجاد كنيد:

createTask(job1, @rand, 1, {3,3});
createTask(job1, @rand, 1, {3,3});
createTask(job1, @rand, 1, {3,3});
createTask(job1, @rand, 1, {3,3});
createTask(job1, @rand, 1, {3,3});

و بعد:

submit(job1)

با دستور زير نتيجه اجراي job1 را ببينيد:

results = getAllOutputArguments(job1);
for i = 1:5
disp(results{i})
end
0.9501 0.4860 0.4565
0.2311 0.8913 0.0185
0.6068 0.7621 0.8214

0.4447 0.9218 0.4057
0.6154 0.7382 0.9355
0.7919 0.1763 0.9169

0.4103 0.3529 0.1389
0.8936 0.8132 0.2028
0.0579 0.0099 0.1987

0.6038 0.0153 0.9318
0.2722 0.7468 0.4660
0.1988 0.4451 0.4186

0.8462 0.6721 0.6813
0.5252 0.8381 0.3795
0.2026 0.0196 0.8318

تابع مفيد ديگري هم به نام dfeval وجود دارد كه در صورتي كه تمام taskها مربوط به اجراي تابعي يكسان باشند، بهتر است از آن استفاده كنيد:

y = dfeval(@rand,{1 2 3})
y =
[ 0.9501]
[2x2 double]
[3x3 double]

مي‌بينيد كه ديگري نيازي به تعريف job و task نيست. اما اين تابع پنجره فرمان MATLAB را تا اجراي كامل قفل مي‌كند، پس اگر خواستيد همزمان با اجراي برنامه خود بتوانيد با پنجره فرمان كار كنيد، از تابع dfevalasync استفاده كنيد. با اين تفاوت كه بايد پيش از درخواست نتيجه از اجراي كامل همه taskها اطمينان حاصل كنيد:

Job1 = dfevalasync(@myfun, 2, {a b c d}, {e f g h}, {w x y z});

و بعد:

waitForState(Job1,'finished')
data = getAllOutputArguments(Job1)

 

 

 

The MPD Programming Language

The MPD Programming Language

http://www.cs.arizona.edu/mpd

Greg Andrews
Gregg Townsend

Department of Computer Science
The University of Arizona

---

MPD is a new programming language that has a syntax very close to the one used in the book Foundations of Multithreaded, Parallel, and Distributed Programming. The name of the language comes from the first three letters of the main words of the title of the book: Multithreaded, Parallel, and Distributed. These words also capture a distinguishing aspect of the language, namely that it supports all three of these concurrent programming techniques.

MPD is implemented as a variant of the SR programming language. It has a different parser, but it uses the same intermediate form and run-time system as SR. Consequently, MPD provides the same variety of concurrent programming mechanisms as does SR.

The language overview page contains links to a tutorial on the language, sample programs, a synopsis of the syntax of MPD, and a description of how to compile and execute programs. The MPD distribution contains manual pages and numerous additional examples.

MPD programs can execute on single processors, shared-memory multiprocessors, or clusters of (homogeneous) processors. The implementation supports a variety of different kinds of processors and Unix systems. See the download page for further information.

---

Foundations of Multithreaded, Parallel, and Distributed Programming
Gregory R. Andrews
Addison-Wesley, 2000 (ISBN 0-201-35752-6)

Author's page
Publisher's page

---

Download MPD

See also:
Language Overview
Installation Instructions
Release Notes

The SR Programming Language

 

Parallelism در Data Mining

Parallelism در Data Mining

در این مقاله قصد داریم مروری بر مفهوم كلمه ی Parallel و یا موازی بودن در مبحث Data Mining داشته باشیم. در ابتدا مقدمه ی كوتاهی پیرامون Data Mining خواهیم داشت.
Data Mining به فرایند استخراج اطلاعات سودمند پنهان در انبوهی از داده ها در پایگاه های داده گفته می شود. امروزه با وجود منابع ذخیره اطلاعات ارزان، علاقه ی سازمان های بزرگ به بكارگیری فرایند های Data Mining رو به افزایش است. Search Engine ها یك مثال كاملاً جا افتاده در استفاده از تكنیك های Data Mining هستند. قابل ذكر است كه استفاده و توسعه ی تكنیك های Data Mining در Search Engine ها برای تولید بهترین نتیجه، اجتناب ناپذیر است.
سرعت پردازش یكی از فاكتور های بسیار مهم در Data Mining می باشد كه با استفاده از سیستم های مدیریت پایگاه داده ای موازی(PDBMS) همانند MS SQL Server 2005 و بكارگیری سیستم های چند پردازشگری میسر می شود(جهت آشنایی با نحوه ی كاركرد تكنیك های Data Mining در MS SQL Server 2005 و سرویس Analysis، به لینك انتهای مقاله رجوع كنید).
استفاده از تكنیك های پردازش موازی در حصول سرعت مطلوب بسیار حیاتی است كه در ادامه به این مطلب خواهیم پرداخت.

Parallelism

همانطور كه می دانید، امروزه پردازش موازی دیگر در انحصار ابركامپیوتر ها نیست. ماشین های Symmetric Multi Processor (SMP) ،Workstation ها، (Massively Parallel Processors (MPP ها و معماری های تركیبی از این تكنولوژی ها در دنیای امروز دستیافتنی اند. معماری های موازی در برنامه هایی كه با حجم عظیمی از داده سرو كار دارند، همچون برنامه های Data Mining، به چند طبقه دسته بندی می شوند. برای مثال معماری های Share-Disk ،Shared-Memory ،Shared-Nothing و Shared-Something.
در معماری Shared-Memory، تمام پردازنده ها از حافظه ی اصلی مشتركی استفاده می كنند. در Shared-Disk، حافظه ی ارزان دیسك میان پردازنده ها مشترك است. در ماشین های SMP، تركیب این دو معماری به چشم می خورد. در این ماشین ها، هر پردازنده حافظه ی Cache مخصوص به خود را دارد اما حافظه اصلی و همینطور حافظه ی دیسك مشترك است.

در معماری Shared-Nothing، هر پردازنده، حافظه ی اصلی و دیسك مربوط به خود را دارد و از این رو، افرایش منابع در این معماری راحت تر است. این معماری در Workstation ها و MMP ها مورد استفاده قرار میگیرد. در Workstation ها، ارتباط میان پردازنده ها توسط شبكه های Ethernet برقرار میگردد در حالی كه در MMP ها، این ارتباط توسط شبكه های سریع و حتی Bus ها انجام میگیرد.

معماری Shared-Something تركیبی از معماری های Shared-Memory و Shared-Nothing است. در این معماری مجموعه ای از ماشین های SMP توسط خطوط ارتباطی دو طرفه با یكدیگر در ارتباط اند.

انواع Parallelism

ابتدا به دو نوع Inter-Model و Intra-Model خواهیم پرداخت. در نوع اول، هر پردازنده مدل مربوط به خود را دارد(این مدل ها، در یافتن اطلاعات پنهان مورد استفاده قرار می گیرند). در نوع دوم، همه ی پردازنده ها در حوزه ی یك مدل فعالیت میكنند. این نوع از Parallelism، در مواردی كاربرد دارد كه ساخت مدل به مدت زمان زیادی نیاز دارد.

 

Data Parallelism و Control Parallelism

Data Parallelism مربوط به اجرای یك عملیات بر روی چندین مجموعه ی داده ای است در حالی كه Control Parallelism تاكید بر اجرای چندین عملیات به صورت همزمان را دارد.
در مدل سوم، پردازش موازی تنها در هنگام دسترسی بر اطلاعات انجام میگردد كه معمولا بر عهده ای Provider داده است. از این رو این مدل بسیار شبیه به برنامه های معمولی است كه كار را برای برنامه نویسان ساده می كند. در مقابل نوع چهارم تاكید زیادی بر نحوه ی انجام پردازش در مراحل مختلف پردازش موازی دارد. در مقایسه ی اجمالی، نوع سوم پردازش موازی در مورد داده های عظیم و نوع چهارم در مورد حوزه های جستجوی مختلف مناسب تر است. از طرفی استفاده همزمان از هر دو نوع سوم و چهارم نیز امكان پذیر است. در پایان به موانع موجود در پردازش موازی خواهیم پرداخت.

موانع پردازش موازی

۱- هزینه ی شروع:
همواره ممكن است هزینه ی شروع یك فرایند كل عملیات پردازش موازی را تحت تاثیر قرار دهد.
۲- اختلال:
از آنجا كه فرایند ها معمولاً از حافظه ی یكسان استفاده می كنند، كنترل دسترسی منابع موجب ایجاد سربار خواهد شد.
۳- ارتباط:
گاهی فرایند ها نیاز به برقراری ارتباط با یكدیگر دارند. این ارتباط تحت شرایطی مانع پردازش موازی است كه ادامه ی اجرای یك فرایند وابسته به ارتباط با فرایند دیگری باشد.
۴- انحراف:
اگر تقسیم كار یا Workload به گونه ی مناسبی نباشد و فرضاً برخی فرایند ها به سرعت به كار خود پایان دهند و برخی مدت زیادی مشغول اجرا باشند، نتیجه ی بدست آمده از پردازش موازی دور از انتظار خواهد بود.
۵- اتحاد:
پس از تقسیم كارها بین پردازنده های مختلف و اجرای آنها، معمولاً یك فرایند مسئول جمع آوری نتایج از همه ی فرایند ها می شود تا نتیجه ی پایانی حاصل گردد. از آنجا كه این فرایند ممكن نیست به صورت موازی انجام گردد، كل عملیات را تحت تاثیر قرار می دهد.

منابع:

آشنایی با Data Mining در SQL Server 2005

www.dimocomputex.com

 

 

ابر کامپیوتر ها

ابر کامپیوتر ها

 

آشنایی اولیه

 

از واژه ابر کامپیوتر (سوپر کامپیوتر)برای معرفی کامپیوترهایی استفاده می شود

که سرعت محاسباتی آنها خیلی بالاتر از سرعت محاسباتی کامپیوترهای معمولی (PC)می باشد. تعداد محاسباتی که این نوع کامپیوترها در یک ثانیه می توانند انجام دهند10عملیات در هر ثانیه می باشد.این رقم در مورد کامپیوترهای

Main Frameدر حد مگافلاپ (megaflops)تا گیگافلاپ (Gigaflops)است.

و در مورد کامپیوترهای معمولی در حد گیگاهرتز بوده که در مقایسه بسیار ناچیز می باشد. در حال حاضر کشورهای معدودی از جمله آمریکاوژاپن وآلمان به طور مشخص در زمینه ساخت ابر کامپیوتر فعالیت میکنندو طراحی و تولید ابر کامپیوترها صرفا از شرکتهای بزرگی همچون IBMدر آمریکا زیمنس در آلمان و توشیبا و ماتسوشیتا در ژاپن ساخته است. سازنده اول ابرکامپیوتر نابغه ای به نام ”سیمور کری“ می باشد که نمونه اولیه آن به نام ”کری1“ ونمونه ثانوی آن به نام ”کری2“ ساخته وطراحی شد.

  برحسب آمارهای موجود در حال حاضر در بین 500کامپیوترسریع در دنیا کامپیوتر Asci white SP Power3ساختIBM در رتبه اول قرار گرفته است. این کامپیوتر توان محاسباتی 7226گیگافلاپ را دارا می باشد. نا گفته نماند کامپیوتر Asci white SP Power3در یک لابراتوار آمریکایی جهت انجام آزمایشات ذرات فیزیکی به کار گرفته شده است.

 

رقیب ابر کامپیوترهای امروزی تنها نسل های بعدی این کامپیوترهانمی باشد بلکه کلاسترها (خوشه ها) نیز امروزه رقیبی جدی برای ابرکامپیوترها محسوب می شود. کلاسترها در واقع کامپیوترهای معمولی هستند که به همدیگر متصل می شوند و در قالب یک زنجیره قدرت پردازشی بالایی را ایجاد می کنند. همچنین گرید کامپیوتینگ Grid computiکه عبارت است از انجام محاسبات توزیع شده توسط کامپیوترهایی که با استفاده از شبکه جهانی اینترنت به یکدیگر متصل بوده و تبادل اطلاعات می کنند.

 

کلاسترهای لینوکس و ذخیره سازی مبتنی بر شیئ

کلاسترهای لینوکس و ذخیره سازی مبتنی بر شیئ

آزمایشگاههای ملی لوس آلاموس اعلام کرده است که در حال نصب یک کلاستر ۱۴۰۰ نقطه‌ای لینوکس است که از سیستم فایل جدید مبتنی بر شیئ (Object Based FileSystem) برای ذخیره سازی داده‌ها استفاده می‌کند. ایستگاههای این کلاستر قادر خواهند بود تا ۶۰۰ ترابایت داده را ذخیره نمایند که از آنها برای شبیه سازی انفجارهای سلاحهای اتمی استفاده خواهد شد. سرویس دهنده‌های این کلاستر از نوع کامپیوتر‌های پنتیوم هستند که زیر ۲۰۰۰ دلار قیمت دارند. برای اطلاعات کاملتر اینجا کلیک کنید.

 

راه‌اندازی یک سرور لینوکس مجازی

راه‌اندازی یک سرور لینوکس مجازی

سایت newsforge.com مقاله‌ای در مورد راه‌اندازی یک گروه سرور (cluster) با استفاده از پروژه‌ی سرور مجازی لینوکس منتشر کرده است. در این مقاله می‌خوانیم: «با رشد انفجاری اینترنت، کار بر روی سرورهای وب، ایمیل و مدیا افزایش می‌یابد. سایت‌های زیادی در حال مبارزه برای حفظ کردن خود در برابر تقاضاهای رو به رشد هستند و تکنیک‌های زیادی را برای جلوگیری از overload شدن سرورهای خود به کار می‌گیرند. راه‌اندازی یک سرور بر روی یک گروه کامپیوتر (cluster) یکی از راه‌هایی هست که بطور موثر مورد استفاده قرار می‌گیرد. با این روش در صورت لزوم می‌توان با اضافه کردن یک سرور جدید به گروه سرورهای موجود، تقاضاهای بیشتر را به راحتی مدیریت کرد...»
ادامه‌ی مقاله را از اینجا بخوانید.

پیوندگرایی

پیوندگرایی؛ یک پارادایم جدید در علم شناختی؟

 

 

 

دیدگاه کلاسیک دربارۀ شناخت سه مؤلفه دارد:

1. زبان فکر جری فودر: باورها جملاتی در زبان فکرند (فکر جملات رخ‌دهنده است یعنی جملاتی که به طور فعال و در حال حاضر ملاحظه می‌شوند اما باور جملات ذخیره شده است).

2. فکر و در کل فعالیت شناختی: به روز کردن جملات باور از طریق استنتاج منطقی است.

3. یادگیری: بازنگری مجموعه جملات ذخیره شده (باور) بر اساس قاعده است.

این دیدگاه کلاسیک را "گزاره‌گرایی" (propositionalism) می‌نامیم.

از نقاط قوت گزاره‌گرایی: تناسب با محاسبه‌گرایی (computationalism) (اجرای کامپیوتری). فکر کردن و یادگیری فرایندهای محاسباتی (برنامه‌هایی) هستند که به وسیلۀ صورت (form) و نحوشان (syntax) عملیاتی بر فکر و باور انجام می‌دهند. برنامه‌ها الگوریتم‌هایی را اجرا می‌کنند که فکر و باور را بر اساس صورت و نحوشان با حفظ معناشناسی منتقل می‌کنند. اما چرچلند این تناسب را نقطه ضعف گزاره‌گرایی می‌داند؛ سازمان‌دهی مغز بسیار متفاوت از سازماندهی کامپیوتر است. چرچلند پیوندگرایی (connectionism) را به عنوان یک پارادایم جدید مطرح می‌کند. محاسبه‌گرا فکر را به وسیلۀ سلسله مصادیقی از جملات در پردازشگر مرکزی کامپیوتر محقق می‌داند اما پیوندگرا فکر را به عنوان الگوی فعالیت در واحدهای یک شبکه عصبی محقق می‌داند. محاسبه‌گرا فعالیت شناختی را تبدیل مجموعه مصادیق فکر بر اساس یک برنامۀ حساس به ساختار می‌داند اما پیوندگرا آن را تبدیل الگوهای فعالیت در واحدهای یک شبکه عصبی بر اساس وزن پیوند میان آنها می‌داند.

رابطه بردارگرایی (vectorialism) با پیوندگرایی همان رابطه گزاره‌گرایی با محاسبه‌گرایی است. گزاره‌گرایی: فکر جملات رخ‌دهنده در زبان فکر درونی است، و بردارگرایی: فکر بردارهایی در فعالیت عصبی درونی کدگذاری است. گزاره‌گرایی: باور جملات ذخیره شده در زبان فکر است، و بردارگرایی: باور ماتریکس وزن‌های پیوند یا مجموعه معادله‌های بردار فعالیت است. گزاره‌گرایی: فکر کردن یا فعالیت شناختی استنتاج منطقی است، و بردارگرایی: فعالیت شناختی تغییر بردار فعالیت به وسیلۀ ضریب ماتریکس و تبدلات غیرخطی (nonlinear) است. گزاره‌گرایی: یادگیری بازنگری مجموعه باورها بر اساس قاعده است و بردارگرایی: یادگیری بازنگری ماتریکس وزن‌های پیوند بر اساس ریاضی است یا بازنگری مجموعه معادله‌های بردارهای فعالیت. بردارگرایی را می‌توان به زبان هندسی و حرکتی هم بیان کرد (همانند چرچلند) یعنی فکر (بردار فعالیت) را می‌توان به عنوان نقاطی در فضای فعالیت هم تصور کرد؛ باور (ماتریکس وزن) را به عنوان نقاطی در فضای وزن؛ فکر کردن (به روز کردن بردارهای فعالیت) را به عنوان حرکت در فضای فعالیت؛ و یادگیری (به روز کردن ماتریکس‌های وزن) را به عنوان حرکت در فضای وزن تصور کرد.

البته ممکن است کسی پیوندگرا باشد اما بردارگرا نباشد مانند پیوندگرایان اجرایی (implementational). چرچلند گاهی این دیدگاه (بردارگرایی) را به عنوان "معناشناسی حالت-فضا" تعبیر می‌کند اما ظاهراً تعبیر "معناشناسی" در این سطح کاربرد ندارد زیرا این دیدگاه دربارۀ صورت بازنمودهای ذهنی است نه محتوای آنها پس ربطی به معناشناسی ندارد.

 

 

در کل، دستگاه‌های پیوندگرا یا شبکه‌های عصبی تصویر متفاوتی را از ذهن به دست می‌دهند. یک شبکه عصبی از تعداد زیادی از پردازشگرهایی شبیه سلول عصبی  که واحد (node) یا پیوند (node) نامیده می‌شوند، تشکیل می‌شود؛ این واحدها پیام‌های انگیزنده یا بازدارنده‌ای را به یکدیگر می‌فرستند. پیوندها به وسیلۀ پیام‌های دریافتی روشن (فعال) یا خاموش می‌شوند که به خروجی واحدهای متصل به آنها و قوت پیوند ("وزن") میان آنها بستگی دارد. عملاً یک واحد فقط از دو یا سه واحد دیگر یا چند واحد پیام را دریافت می‌کند اما در مقام نظر، تعداد این واحدها می‌تواند هزاران یا میلیون‌ها واحد باشد.

مهم‌ترین تفاوت میان شبکه‌های عصبی و کامپیوترهای معمولی فقدان واحد پردازش مرکزی در شبکه‌های پیوندگرا است.

یکی از مزایای پیوندگرایی به نظر چرچلند مقبولیت زیست‌شناختی آن است. واحدهای شبکه پیوندگرایانه را می‌توان الگوهای ساده‌ای از سلول‌های عصبی و پیوندها را الگوهای ساده‌ای از سیناپس‌ها دانست.

یکی دیگر از مزایای آن به نظر چرچلند تبیین آن از طبقه‌بندی (توانایی انسان برای طبقه‌بندی) است. شبکه‌های پیوندگرا بازنمودهای غنی و ساختارمندی را بازنمایی می‌کنند که هم آنها را قادر به رفتارهای پیچیده می‌سازد و هم با ساختار واقعی ورودی متناظر است. چرچلند این نوع مهارت‌های طبقه‌بندی را بر حسب "بازنمودهای نمونه" (prototype) در فضای فعالیت واحد پنهان تبیین می‌کند.

مزیت دیگر پیوندگرایی تبیین مشابهت به عنوان تناظر با نزدیکی در فضای حالت است. او از این ویژگی برای تبیین کیفیات ذهنی استفاده می‌کند.

مزیت دیگر سرعت است. عملیات شبکه‌های پیوندگرایانه به خاطر پردازش موازی‌شان بسیار سریع است. از مزایای پردازش موازی شباهت بیشتر آن با فعالیت‌های شناختی معمول انسان است: انسان‌ها همزمان چند پردازش موازی را انجام می‌دهند؛ برای مثال اگر بخواهید یک اتومبیل بخرید، به رنگ، مدل، سال تولید، قیمت و مشخصات دیگر توجه می‌کنید اما بعضی از این مشخصات را می‌توان به نفع بقیه کنار گذاشت. اگر پول کافی نداشته باشید، ممکن است اتومبیلی را با مدل دیگری که چندان مطلوب شما نیست بخرید. این مشخات را قیود نرم می‌نامند (در برابر قیودی که انعطاف‌پذیر نیستند و قیود سخت نامیده می‌شوند). دستگاه‌های پیوندگرا همانند انسان قیود چندگانه نرم را استیفا می‌کنند (multiple soft constraints satisfaction). اما کامپیوترهای معمولی به خاطر فقدان پردازش موازی نمی‌توانند این کار را انجام دهند.

مزیت دیگر هم قابلیت انطباق پیوندگرایی بر حیوانات (غیرانسان) است. این را هم می‌توان بخشی از مقبولیت زیستی آن دانست.

بر اساس تقریری از پیوندگرایی که اینجا مطرح کردیم (تقریر چرچلند)، پیوندگرایی با دیدگاه کلاسیک هوش مصنوعی در تعارض است (اگر به این نکته هم توجه کنیم که دیدگاه کلاسیک از مفاهیم روان‌شناسی عامیانه استفاده می‌کند و آن را تا حد زیادی صادق می‌داند، تقابل چرچلند با این دیدگاه روشن‌تر می‌شود زیرا چرچلند حذف‌گرا است و روان‌شناسی عامیانه را عمدتاً یا کاملاً کاذب می‌داند). اما برخی دیگر که قائل به پیوندگرایی اجرایی هستند، میان پیوندگرایی و هوش مصنوعی کلاسیک (روان‌شناسی محاسباتی-بازنمودی) جمع می‌کنند.

 

108 مرکز اتوماتیک کلاستر در کشور نصب شد

108 مرکز اتوماتیک کلاستر در کشور نصب شد

رئیس سازمان هواشناسی کشور با اشاره به رشد فناوری های هواشناسی در شناسائی دقیق تر پیش بینی هوای کشور اظهار داشت: برای این منظور 108 مرکز اتوماتیک کلاستر در ایستگاه های هواشناسی کشور راه اندازی شده است.

به گزارش خبرنگار مهر، علی محمد نوریان صبح جمعه در همایش سراسری مدیران کل هواشناسی کشور در اداره کل هواشناسی مازندران افزود: تعداد این مراکز اتوماتیک کلاستر به 320 مرکز در کشور افزایش خواهد یافت.

وی خاطر نشان کرد: به منظور نگهداری و پردازش اطلاعات  با ریکرد حرفه ای و همگام با استانداردهای جهانی مراکز اتوماتیک کلاستر در کشور راه اندازی تا با دقت بیشتری در پیش یابی های هواشناسی صورت گیرد.

رئیس سازمان هواشناسی کشور با اشاره به استفاده از فناوری کلاستر در 24 کشور جهان تصریح کرد: این کلاستر در حد 128 میلیون کامپیوتر خانگی قدرت و توانائی پیش یابی وضع هوا را دارد.

وی یادآور شد: با کاربردی کردن توانائی ها در مدیریت های زیربنائی سازمان هواشناسی کشور برای کاهش بلایای طبیعی گام برخواهیم داشت.

این مسئول با بیان اینکه 33 مورد بلایای طبیعی در کشور شناسائی شده است اظهار داشت: بهره برداری و شناخت رفتارهای دریا با نصب رادارهای دریائی تحقق خواهد یافت.

رئیس سازمان هواشناسی کشور با بیان این مطلب که در اکثر استانهای کشور مراکز تحقیقات هواشناسی کاربردی ایجاد شده است از افتتاح مرکز تحقیقات علمی کاربردی هواشناسی و رادار دریائی در منطقه ویژه اقتصادی بندر امیرآباد بهشهر با حضور وزیر راه و ترابری خبر داد.

وی بیان داشت: شش رادار دریائی در کشور وجود دارد.

رئیس سازمان هواشناسی کشور در بخش دیگری از سخنانش به وجود 14 ایستگاه جو بالا در کشور اشاره کرد و گفت: به زودی 2 ایستگاه سنجش عمودی باد در استان های زنجان و گیلان خبر داد.

 

سیستم های محاسباتیGrid متن باز اروپایی جدید می شوند

سیستم های محاسباتیGrid متن باز اروپایی جدید می شوند

دو گروه اصلی شرکتها و انستیتو آکادمیکی تحقیقاتی، هر دو در حال آماده کردن نرم افزار Gridمتن باز خود می باشند.

محاسبات Grid قصد استفاده از منابع محاسباتی توزیع شده جغرافیایی خود را با ترکیب آنها به صورت یک ابر کامپیوتر مجازی دارد.چنین سیستم هایی می توانند مشکلات محاسباتی و داده ای شدید درعلوم، مهندسی و مخابرات را حل کنند.
Unicore در 28 آگوست 2007 در فرانسه به نمایش version 6 نرم افزار Middleware Grid پرداخت.
XtreemOS ، نسخه اول از نرم افزار Grid خود را که برپایه GNU/Linux بود، در یک جولای، در یک کارگاه در ایتالیا به نمایش گذاشت.گفتنی است XtreemOS، یک کنسرسیوم است که شامل شرکتها و محققان در فرانسه، انگلستان، ایتالیا، آلمان، اسپانیا، هلند و اسلوونی می باشد.
این گروه امید به ساختن یک سیستم دارد که تمامی توانایی های مربوط به نرم افزارMiddleware Grid را دارا بوده و علاوه بر آن به طور کامل در سیستم عامل دوباره جمع آوری شود.
کنسرسیوم Unicore، به انتشار نسخه آخر برای استفاده در معماری های مبتنی بر سرویس می پردازد.Unicore، توسط Intel در Brühl و Fujitsu در لندن و دانشگاه Warsaw و CINECA و انستیتو تحقیقاتی آلمان در Jülich توسعه داده شده است.
نمایندگان هردو گروه در کنفرانس اروپایی Parallel Computing که در سال 2007 در Rennesبرگزار می شود، شرکت می کنند.
منبع خبر:
http://ec.europa.eu/idabc/en/document/7184/469

 

مباحث نوين در مهندسي نرم افزار و سيستم هاي توزيع شده

مباحث نوين در مهندسي نرم افزار و سيستم هاي توزيع شده

 

همايش علمي گروه كامپيوتر دانشگاه آزاد
تاریخ : چهارشنبه، 24 اسفند، 1384
موضوع : خبر

معاونت پژوهشي دانشگاه آزاد اسلامي واحد مياندوآب برگزار ميكند

همايش علمي گروه كامپيوتر

فراخوان مقاله

مباحث نوين در مهندسي نرم افزار و سيستم هاي توزيع شده

آخرين مهلت ارسال چكيده مقالات : 10 فروردين 1385

اعلام نتايج داوري مقالات : 15فروردين 1385

آخرين مهلت ارسال اصل مقالات : 15 ارديبهشت 1385

زمان برگزاري همايش: 28 ارديبهشت 1385

وب سايت همايش : http://www.iaum.ac.ir/conf2006.htm

آدرس پست الكترونيكي همايش: [e-mail]

آدرس دبيرخانه همايش: آذربايجان غربي ، مياندوآب ،

خيابان ساحلي ، دانشگاه آزاد اسلامي
واحد مياندوآب ، گروه كامپيوتر

تلفن: [phone]

فاكس: 2241150-0481

موضوع مقالات >>>

متدولوژيهاي مدرن طراحي نرم افزار ( CDM, RUP, … )

روشهاي جديد براي كاهش ريسك در پروژه هاي نرم افزاري

Enterprise Resource Planning

نقش معماريهاي نرم افزار در توسعه نرم افزار

مقايسه و ارزيابي كارآيي انواع معماريهاي نرم افزار (مانند ارزيابی/ مقايسه معماري Client/Server با Three-Tier )

ارزيابی/ مقايسه متدولوژي CDM با متدولوژی RUP

موضوعات مرتبط با محيط توزيع شده Grid (مانند: روشهاي جستجو، كشف و تخصيص منابع در Grid ، بررسي راهكارهاي كشف دانش و استخراج نتايج(داده كاوي) در محيط Grid ، بررسي موتورهاي جستجو( Search Engine ) در محيط Grid و ...

و نيز ديدگاههاي سخت افزاري مانند ارزيابي كارايي Grid روي توپولوژيهاي مختلف مانند Mesh,Cube,… )

نحوه پياده سازی Grid Computing در کاربردهای مبتنی بانک های اطلاعاتی

پردازش مبتني بر شبكه ( Grid, Cluster, P2P, … Computing ) و مقايسه كارايي آنها با يكديگر

تحمل پذيري خطا در سيستمهاي توزيع شده ( Fault Tolerant Distributed Systems )

مقايسه و ارزيابی بانک های اطلاعاتی رابطه ای در مقابل بانک های اطلاعاتی شیء گرا

بررسی ابزارهای Open Source جهت تبديل ساختارهای رابطه‌ای به شیء گرا بصورت اتوماتيک

ارائه , بررسی الگوريتم های Parallel Query در بانک های اطلاعاتی .

ارائه , بررسی روش های Query Optimizing در بانک های اطلاعاتی .

ساير موضوعات مانند:

Software requirements engineering

Software architecture and design

Software components and reuse

Software testing and analysis

Theory and formal methods

Software processes and workflows

Engineering secure software

Software dependability, safety and reliability

Reverse engineering and maintenance

Software economics and metrics

Empirical software engineering

Engineering of distributed/parallel SW systems

Software engineering for mobile, ubiquitous and pervasive systems

Software tools and development environments

Software policy and ethics

AlI and Knowledge based software engineering

End user software engineering

موضوعات مربوط به سيستمهاي توزيع شده

Parallel and Distributed Architectures and Systems

Parallel and Distributed Applications and Algorithms

Distributed OS, Databases, and Resource Management

Web-based Computing and Services

Wireless and Mobile Computing

Cluster Computing

High Performance Computing

Mobile Computing

Personal Computing

Grid computing

Web Technologies

Distributed Multimedia

Resource Allocation

Distributed Real-time Systems

Distributed Databases

Distributed, Knowledge-based Systems

Data Mining

Parallel and Distributed Operating Systems

Parallel, Distributed and Network‑based Processing

 

منبع این مقاله : jegati miyandoab miandoab
http://www.jegati.com

آدرس این مطلب :
http://www.jegati.com/modules.php?name=News&file=article&sid=394