ماشین
سیستم عامل
جزئیات

Personal Computer
Linux CentOS
۲ × ۳٫۱ GHz Intel CPUs, 4GB RAM

داده‌ی مورد بررسی در این سناریو تعداد ۷۰۰۰۰ تصویر مختلف با حجم‌های مختلف و با فرمت JPG است که مجموعا ۵۰ گیگابایت حجم دارند.

• مشاهدات:

هر یک از اجراها سه بار تکرار شده و میانگین آن‌ها در بررسی‌ها مورد استفاده قرار گرفته‌است. در حالت اول در هر یک از ماشین‌های ۳ کلاستر فوق، ۲ عدد Map Task بطور همزمان اجرا شده است. لذا در کلاستر اول ۲*۱۶=۳۲ ، در کلاستر دوم ۲*۸=۱۶ و در کلاستر سوم ۲*۵=۱۰ عدد Map Task بصورت همزمان اجرا شده است. پس از اجرای برنامه خروجی بصورت می‌باشد.
شکل ‏۴‑۵: تاثیر تعداد ماشین‌ها با تعداد مپرهای مختلف بر زمان پردازش
با توجه به اینکه در هنگامی که ۳۲ عدد Map Task داریم زمان پردازش کمتر از سایر حالات است لذا در حالت دوم این تعداد را در سه کلاستر فوق ثابت و برابر با ۳۲ در نظر گرفتیم. بطوریکه به هر هسته پردازنده دو Map Task اختصاص داده شد. خروجی این حالت نیز در نشان داده شده است.
شکل ‏۴‑۶: تاثیر تعداد ماشین‌ها با تعداد مپرهای برابر بر زمان پردازش
در نهایت نتیجه دو حالت فوق در کنار حالت سریال در با هم مقایسه شده است.
شکل ‏۴‑۷: مقایسه روش‌های موازی با تعداد وظایف مختلف، با پردازش سریال

• تحلیل:

همانطور که در نمودارها مشاهده می شود با بیشتر شدن تعداد وظایف همزمان، حجم کاری ماشین‌ها افزایش یافته و بطور بهینه تری از منابع استفاده می‌شود. لذا سرعت پردازش افزایش می یابد. همچنین با توجه به علی رغم اینکه تعداد مپرها ثابت است با افزایش تعداد ماشین‌ها شاهد زمان بهتری هستیم. البته در این حالت اختلاف زمان‌ها نسبت به حالت اول کمتر شده است اما با این وجود زمان پردازش هنگامی که ۱۶ ماشین داریم کمتر از سایر حالت‌هاست. بطوریکه زمان پردازش نسبت به حالت ۵ ماشینی ۲۶% و نسبت به حالت ۸ ماشینی ۹% کاهش یافته است.
همچنین با مقایسه حالت سریال و حالت موازی شاهد کاهش چشمگیر زمان پردازش در حالت موازی هستیم و این نشان می دهد که امروزه با افزایش حجم داده ها ناگزیر به استفاده از پردازش موازی هستیم و پردازش سریال به هیچ وجه مناسب پردازش داده های حجیم نیست.
بنابراین طی شرایط آزمایش با ثابت نگه داشتن کلاستر اصلی و نیز ثابت ماندن تعداد Map Taskها و فقط با تغییر تعداد ماشین‌ها، مشاهده شد که با افزایش تعداد ماشین‌ها به مقدار ۱۶ سرعت پردازش ۱٫۳ برابر شده و زمان پردازش کاهش یافته است.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

همچنین مقایسه دو نمودار حالت موازی نشان می‌دهد باید بر اساس تعداد هسته‌های پردازنده تعداد Map Taskها را انتخاب کنیم. یعنی هنگامی که هسته های پردازنده را افزایش می‌دهیم باید تعداد Map Taskها را نیز به همان نسبت افزایش دهیم تا بتونیم از توان افزوده شده به شکل بهینه‌تری استفاده کنیم.
سناریو سوم: بررسی تاثیر حجم قطعات تصاویر بر زمان پردازش

• شرح سناریو:

تصاویر ایجاد شده از سطح زمین یا فضا توسط ماهواره‌ها حجم بسیار بالایی دارند و برای پردازش این تصاویر ما نیاز به کامپیوترهای قدرتمند و پیشرفته‌ای داریم. معمولا این تصاویر بقدری حجیم هستند که در حافظه اصلی کامپیوترهای معمولی قابل بارگذاری نیستند. بنابراین برای پردازش این تصاویر توسط کامپیوترهای معمولی ناچاریم این تصاویر را به قطعات با حجم مناسبی تقسیم کرده و هر قطعه را بصورت جداگانه پردازش کنیم. اینکه قطعات چه حجمی داشته باشند تا سیستم بالاترین کارایی را داشته و تصاویر سریعتر پردازش شوند نکته بسیار مهمی است که ما در این سناریو به بررسی آن می پردازیم.
در این سناریو ما داده‌ی مورد استفاده را که حجمی برابر با ۵۰ گیگابایت دارد، در هر اجرا به حجم‌های مختلفی تقسیم و برنامه را با حجم های مختلف اجرا کرده‌ایم. برای بررسی این پارامتر، ما حالت های مختلفی را در نظر گرفته ایم. در حالت اول هر یک از تصاویر، KB512 حجم دارند. در حالت دوم هریک از تصاویر MB1 حجم دارند و … . در حالت کلی تصاویر را به حجم های KB512، MB1، MB2، MB3، MB4، MB5، MB6، MB7، MB8، MB9 و MB10 تقسیم کرده و برنامه را با هر یک از این حجم ها اجرا کرده‌ایم. در تمام این حالت‌ها حجم کل داده ها ثابت و برابر با ۵۰ گیگابایت است.
کلاستر مورد استفاده در این بخش نیز از ۷ ماشین مجازی بر روی فوق ناظر ESXi تشکیل شده‌است که جزئیات آن در نشان داده شده است. برای بررسی دقیقتر، اجرای هر یک از تست‌ها شش بار تکرار شده که میانگین آن‌ها در بررسی‌ها مورد استفاده قرار گرفته است.
جدول ‏۴‑۶: ساختار کلاستر با ۷ ماشین

نام
تعداد
سیستم عامل
جزئیات

Master
۱
Linux CentOS