一、神威:GSP是我们对自己的最低要求（论文文献综述）
尚子豪[1]（2021）在《RPV钢辐照损伤的原子动力学蒙特卡洛模拟程序开发与应用》文中提出核能在节能减排、优化全球能源结构、实现绿色发展等方面发挥的作用已经得到了世界范围内的广泛认可。目前,核能已经对国防、科研、医疗、工业、农业、航空和海洋等诸多领域产生显着影响。随着现代化建设的不断发展,未来我国的能源需求将进一步增加。与此同时,一旦核电站出现事故就会对生态环境造成严重的放射性污染。因此,核电站的运行安全问题一直是人们关注的焦点。核反应堆压力容器（RPV）钢是核电站不可更换的关键性设备,其服役安全决定着整个核电站的运行安全及使用寿命。RPV钢长期接受高能中子辐照会诱导材料内部产生纳米级的富Cu团簇,这些团簇通过阻碍位错导致RPV钢出现硬化和脆化的现象,使得RPV钢宏观性能显着降低。这些纳米团簇尺寸分布范围广泛,不同温度下也会出现结构差异,采用实验手段观察相对复杂和困难。近年来,伴随着科学计算领域兴起和国内高性能计算的快速发展,采用计算机模拟技术为验证理论模型,研究实验现象背后的机理开辟了道路。动力学蒙特卡洛作为一种具有代表性的模拟方法,能够完成原子级的长时间尺度大规模数值模拟,非常适合用于研究RPV钢的辐照损伤机制。本文对基于原子动力学蒙特卡洛方法的Open KMC程序进行开发与优化,并应用于模拟RPV钢的辐照损伤问题,从理论上对杂质原子与辐射诱导产生的空位点缺陷之间的相互作用进行了深入研究。最后在“神威·太湖之光”上完成大规模并行可扩展性测试。论文的研究内容和结论如下:（1）对Open KMC程序中嵌入原子势（EAM）能量计算模型进行开发,使得程序可以采用EAM势完成RPV钢的长时间模拟演化过程。分别采用Pair势和EAM势这两种势能模型,并充分考虑不同势函数下的原子间相互作用范围,提出了空位选取优化算法,算法通过减少冗余的空位更新操作,提高了程序计算效率。采用TAU工具定位程序的通信热点函数,并分析了影响通信性能的原因,最后给出对应的通信优化策略。（2）将Fe-Cu二元合金作为RPV钢材料,并引入一定数量的空位（Vacancy）,采用优化后的Open KMC程序完成Pair和EAM两种势能模型下2.5亿粒子长时间尺度的数值模拟工作。模拟结果验证了纯Cu团簇和Cu-Va复合体团簇的析出现象。并发现Cu-Va复合体团簇的结构是空位团簇被Cu原子从外层包裹所构成的。通过对不同尺寸范围的团簇进行考察,发现不同尺寸范围内团簇的平均尺寸和数量密度均表现出上升趋势。同时,越大尺寸范围对应的团簇数量越少,但团簇粗化更加明显,且平均尺寸和数量密度变化的波动性更强。在体系内引入不同数量的空位进行对比分析,更多的空位加快了Cu原子的聚集过程,空位增加对团簇整体数量密度影响较小,但能促进较大团簇的粗化。最后计算了663K～773K四种温度下的沉淀推进系数,并与实验值计算结果进行比较,发现模拟结果与实验值结果具有相同的变化趋势,当温度升高,EAM势能模型对应的模拟结果与实验值结果具有很好的拟合程度。（3）在国产超级计算机“神威·太湖之光”上完成了万亿粒子规模的并行可扩展性测试。可扩展性测试分别采用Pair势和EAM势。在强可扩展性测试当中,固定问题规模,将总核数从1万核逐渐增加至260万核,当核数分别小于13万核和6.5万核时,Pair势和EAM势对应的测试结果均展现出了超线性加速比。在弱可扩展性测试当中,保持各进程工作负载不变,总核数由65核逐渐增加至585万核,模拟粒子的规模最高达到了1.44万亿,Pair势与EAM势的测试结果始终保持着80%左右的理想并行效率。
康上[2]（2021）在《基于申威众核架构的并行演化算法研究》文中研究指明演化进化算法作为经典的启发式搜索算法,有着优异的性能表现,是解决各类实际问题的重要工具。随着演化进化算法在科学与工业领域的研究与应用越来越广泛,对于其求解效率的要求也在不断地提高。演化进化算法在求解大规模优化问题时的性能表现难以满足高效率的需求。通过在高性能集群上进行并行化研究来解决这个问题具有重要的现实意义。神威·太湖之光拥有超过125PFlops的峰值运算性能,可以为提升演化进化算法求解大规模问题时的效率提供理想的平台。其采用的申威众核处理器在物理架构上进行了很大的创新,不仅有着强大的计算能力而且在能耗比方面也表现出色,但是架构的变动使得内存模型与编程模型发生了巨大的改变,传统的并行算法无法发挥出申威众核架构的性能优势。这就需要根据架构特点,从进程级与线程级两方面重新设计算法的并行方式。本文针对大规模优化问题,以邻域搜索的自适应差分进化算法（Self-adaptive Differential Evolution with Neighborhood Search,Sa NSDE）为优化算法,对大规模优化问题的求解过程展开了一系列并行化研究,主要工作如下:（1）针对大规模优化问题的维度并行展开研究,设计并实现了基于申威众核架构的并行合作协同Sa NSDE算法（Sunway Cooperative Co-evolution Sa NSDE,sw CCSa NSDE）。进程级以合作协同进化模型为并行模型,将高维问题分解为低维子问题,实现各子问题之间求解过程的并行化。为了缓解单个进程上的计算压力,使用从核阵列对个体适应度计算部分进行了加速。同时针对申威众核处理器内存带宽不足的限制,设计了合理的访存数据粒度,利用DMA方式进行批量访存。实验证明,与串行算法、采用岛屿模型的算法相比,sw CCSa NSDE有着更好的收敛结果。二级并行算法与串行算法相比获得了239.01的最大加速比。（2）针对大规模优化问题的种群并行展开研究,设计并实现了基于申威众核架构的并行池Sa NSDE算法（Sunway Pool Sa NSDE,swPSaNSDE）。进程级以种群分布原则的池模型为并行模型,实现各子种群之间求解过程的并行化。使用从核阵列实现了蜂窝模型,将个体分布在每个从核上,通过寄存器通信实现从核间个体信息的数据共享,有效降低了从核的访存依赖。实验证明,swPSaNSDE算法表现出了良好的可扩展性。（3）针对大规模优化问题的维度和种群两层并行展开研究,设计并实现了基于申威众核架构的并行混合Sa NSDE算法（Sunway Hierarchical Sa NSDE,swHSaNSDE）。对于大规模问题,首先使用合作协同进化模型从维度方面进行分组实现各子问题优化过程的并行。随后,采用池模型从种群方面进行划分实现了各子种群优化过程的并行。最后对从核性能进行了优化:为了解决离散访存的问题,将离散存储的数据调整为连续存储,不仅有利于DMA批量访存,而且可以提高数据的命中率;采用双缓冲方法,将从核访存过程与计算过程相重叠,有效隐匿了从核访存的时间。实验证明,swHSaNSDE算法整体性能有了进一步的提高,取得了良好的加速效果,与串行算法相比获得了290.93的最大加速比。
黄达洪[3]（2020）在《ZHX药店连锁集团公司发展战略研究》文中认为近年来,随着我国经济的发展进步,人民的物质生活水平不断提高,人民对健康生活以及高品质医疗的需求越来越高。我国医疗卫生体制也伴随着经济发展而不断改革进步,以适应时代发展的要求。零售药店就如同雨后春笋般的大量增长遍地开花,竞争日趋白热化。药品零售行业近十年来增速高于整个医药行业,人口老龄化和处方药外流将继续带来长期增量。至2015年药品零售市场规模就已经突破3000亿元,但是格局都比较分散,基本以区域性连锁为主。近几年国家从政策层面通过两票制、新版GSP、药店飞检等措施推动药品零售行业向规范化经营转变,这一系列举措使单体药店陷入了经营困境,而连锁药店特别是大型连锁企业迎来了并购扩张的最佳时机,四大连锁药店先后上市,在资本的助力下,药品零售行业进入跑马圈地的“大并购时代”,市场集中度有望快速提升。ZHX药店连锁集团公司成立于2003年,成立之初仅有一家门店,并长期在贵州省内经营。2013年开始在资本市场的助力下,通过大举兼并收购的方式扩大规模,并于2016年将集团总部搬迁到成都。目前,集团下设贵阳、遵义、重庆、成都、遂宁、达州、绵阳、眉山、德阳、内江、广安、乐山12家区域连锁子公司,旗下合计拥有1000余家连锁药店,2019年销售规模约20亿元人民币。本文以当前中国药店行业面临的共同状况为背景,通过对ZHX药店连锁集团的发展经历和经营现状进行分析,运用PEST、波特五力模型、SWOT等分析工具对ZHX药店连锁集团的外部环境和内部环境进行详细的分析,归纳总结公司优劣势,所面临的机遇与威胁,并详细地阐述了ZHX在战略转型的选择以及ZHX的价值链管理和连锁经营战略,进而对当前形势下药店行业的战略选择给出建议。并根据ZHX目前的发展状况,对仍面临的一些问题提出建议。根据文章对ZHX的研究分析,最后对ZHX的发展战略提几点建议:首先,ZHX还需苦练内功,提高综合管理能力,强化自身的核心竞争力;其次,做好内部整合工作,降低不合理损耗;再次,进一步加强企业文化建设,特别是对兼并企业文化认同感的塑造;最后,跟上行业发展的步伐,坚持走多元化的发展道路。
段晓辉[4]（2020）在《基于“神威·太湖之光”的分子动力学算法优化》文中研究表明生物、化学、材料和医药科学的不断发展推动了人类认识和了解微观世界的需求大大增加,但是在分子、原子、原子团尺度上进行观测的成本仍旧高昂,尤其是对于微观过程的连续观测需要更加复杂精密的仪器,同时,一部分微观过程的时间尺度非常小,使得在实验室中捕捉这些微观过程十分困难。因此,使用计算机进行微观层面的模拟对认识和了解微观世界显得尤为重要。使用计算机模拟微观世界的主要方法包括第一性原理模拟、分子动力学模拟、蒙特卡洛模拟等。其中分子动力学模拟是最为常用的一种方法。随着分子动力学在科学研究领域中的应用越来越广泛,对分子动力学模拟效率的需求也不断增加,这主要是因为分子动力学模拟中的时间尺度和空间尺度的不断增长。为了满足这样的需求,分子动力学模拟在应用中不断利用新的计算机技术和计算硬件来提高效率,例如使用SIMD、异构众核、定制芯片和大规模并行等方法。2016年发布的神威·太湖之光超级计算机采用了 40960个SW26010处理器,实现了 125 PFlops/s的理论浮点性能,是中国第一台使用国产处理器登顶Top500榜单的超级计算机。由于其采用的SW26010处理器在架构上有巨大的革新,在实现了极高的运算速度的同时也有很好的能耗比,但这些架构变化也带来了内存模型和编程模型的巨大变动,使得原有的科学计算软件难以有效利用神威·太湖之光杰出的运算能力。虽然SW26010处理器采用的主核和从核异构并行的模式已经见于配备了 GPU、MIC等加速器的计算平台中,但是SW26010的节点没有GDDR或HBM等居于主存和加速器间的高速中间内存。SW26010处理器采用了从主存到从核片上缓存直接传输数据方式,这要求我们重新为算法设计内存访问模式。同时,从核的片上缓存不是常见的自动Cache,而是64KiB的LDM,数据的装入和写回由从核通过对应的指令发起,这给应用程序对从核的使用带来了新的机遇和挑战:一方面需要对应用进行很大的改造才能使之适应这种由软件控制缓存的模型,另一方面这也提供了更好的机会来控制数据的换入换出,实现对LDM的高效利用。目前,在神威·太湖之光超级计算机上开展分子动力学算法优化的研究存在的主要挑战有:1)分子动力学应用中需要进行大量的离散访存的情况,而SW26010处理器使用DMA访问主存的带宽太低,这种硬件架构和算法的不匹配使得分子动力学模拟在SW26010处理器上取得较为理想的性能非常困难。2)SW26010处理器的从核不能单独启动进程,分子动力学应用中常见的多进程并行框架无法有效利用从核,而分子动力学应用中现存的多线程并行框架往往是为了在超线程处理器上利用逻辑线程而设计的,与SW26010中使用多线程方式来利用物理计算核心的架构也不匹配。3)因为分子动力学是离散访存的应用,在多线程计算中,不可避免的会面临写冲突的问题,对于在SW26010上处理写冲突的问题,可以借鉴的经验比较少。4)分子动力学的计算部分非常复杂,一方面是除平方根这类耗时的数学计算,另一方面是在键角、扭转角和键级计算中需要的超越函数的计算量也很大,所以进行高效的向量化也是需要处理的问题。为了解决以上挑战,基于分子动力学模拟算法和神威·太湖之光超级计算机体系结构上的特点,本文针对分子动力学模拟过程中的数据读取、计算、数据更新和邻域索引等关键环节设计了相应的优化方案并开展了深层算法优化。此外,针对通用的算法优化环节,本文还设计并实现了面向神威平台的通用模块,这些模块不仅能够为分子动力学模拟算法的优化提供极大便利,而且还能很好的应用于面向神威平台的其它算法的优化和快速实现。具体来说,本文的主要贡献如下:1.设计了简洁高效的软件Cache策略以及深入优化的无表方法来解决SW26010处理器在分子动力学模拟的势函数计算中离散读取的问题。文中根据AMAT访存模型对软件Cache的设计中主要的性能指标进行了取舍,完成了高效的软件Cache实现。另外,根据SW26010处理器的特性,尝试了利用无邻接表方法来完成原子数据的离散读取。两种方法在实验中都可以匹配SW26010处理器的DMA机制并且充分利用SW26010处理器的内存带宽。2.设计了单端更新、混合更新和自适应更新框架来解决分子动力学模拟的势函数计算中离散更新和并行更新冲突的问题。单端更新采用计算换访存的方式来规避并行更新冲突,混合更新的方式将计算和更新分离,实现了计算并行化而更新串行化的模式,在不额外引入计算量的情况下实现了主从协同的高效更新方式。自适应更新框架使用观察者-执行者模式来完成低成本的副本归约机制,实现了无冲突的高效更新。三种框架适用于不同类型的势函数,都实现了对SW26010处理器内存带宽的有效利用。3.设计了基于向量混洗、参数剖面和无查表数学函数的向量化方式来提高势函数计算中的计算效率,同时引入了向量短路机制和格点-粒子截断过滤器来规避势函数计算中不必要计算部分。基于向量混洗、参数剖面、向量短路和无查找表数学函数的实现使得在本文对应的实现可以在向量化过程中应对分子动力学模拟中各种复杂的运算。向量短路机制和格点-粒子截断过滤器可以将模拟中的计算负载降低三分之一以上。4.设计了聚合扫描的邻接表构造方法和增量格点索引构造算法来加速分子动力学模拟中邻域索引的构造。聚合扫描的方法通过循环重构、访存聚合的方式来增大访存块,提高基于从核的邻接表构造中的数据复用率。增量格点索引索引构造算法充分利用了分子动力学中粒子运动连续的特性来提高算法中的访存局部性,从而在根源上规避分子动力学的邻域索引构造中全局随机访存的问题,实现了对格点索引构造非常有效的加速。5.设计了软件Cache库SWCache、无表的向量化数学函数库、性能采样库LWPF、调试库Libspc等工具来解决神威.太湖之光软件生态不完善的问题。这些工具不仅加速了本文研究的过程,也对其他基于神威·太湖之光的研究有所帮助,其中SWCache和LWPF在SW26010的从核编译器没有C++支持的情况下采用的封装模式也对未来基于SW26010和神威系列超级计算机的应用开发有借鉴价值。本文在神威·太湖之光上,利用已有的分子动力学软件LAMMPS和AM-BER,以及 自主编写的分子动力学软件 ESMD 对本文中设计的优化方法进行了测试和验证。在测试中,本文中的设计与实现在SW26010处理器上可以接近或超出同代商用处理器的性能,并且在大规模扩展中实现了 16384节点上对2 750亿原子的模拟,并达到2.43 PFlops每秒的持续浮点性能。
尉红梅[5]（2020）在《面向神威太湖之光的隐式并行语言研究及编译优化设计》文中研究表明异构众核处理器成为近年来构建超级计算机的首选,然而从多核架构到众核架构发展,在带来性能显着提升的同时,也给高性能计算应用带来了新的挑战。由于计算架构的跨代发展和应用设计之间出现了脱节,使得众核架构面临着应用移植难、开发难、优化难的应用难题。神威太湖之光超级计算机系统全部由国产申威众核处理器组成,众核应用难问题对国产众核处理器而言更加严峻,如何针对国产众核的体系结构,设计适应它的并行语言,并进行优化实现,能让太湖之光系统更加通用、发挥更大的应用效益,这就是本课题想去尝试解决的问题。本文以申威26010众核处理器和神威太湖之光计算机系统为主要研究对象和优化平台,研究主从共享内存的融合众核架构上支撑应用高效移植和开发的隐式并行语言设计和编译支撑及优化技术,主要从以下三个方面开展了研究工作,并取得了一定的技术突破和创新:1)提出了面向异构众核处理器架构的Open ACC*语言设计。本文从分析主流众核架构内存模型差异和Open ACC标准语言文本在申威26010众核处理器上实现面临的问题入手,提出了一种异构众核处理器架构的存储抽象模型;同时基于该存储抽象模型,围绕如何利用和描述异构众核处理器片上高速局存提出了一系列的语言功能设计,为描述和利用片上私有局存、优化众核数据传输、挖掘异构融合众核架构特点提供了一整套语言功能。2)提出了面向太湖之光的异构编译器结构设计,包括异构融合编译器、加速线程支撑库、异构运行加载器等组成,面对主核、从核不同的指令和结构特点,可在编译、链接多个层面可以实现异构融合优化;提出了基于仿射分析的数据分布分析技术、异构协作的数据分布处理等技术,为Open ACC*应用程序的高效运行提供了有力支撑。3)提出了一系列编译优化技术。针对申威26010众核处理器中主从核之间的结构差异、丰富的存储层次、从核精简的结构、片上局存的稀缺等主要矛盾和优化难点,提出了针对申威26010众核处理器主核存储结构的访存编译优化技术、面向异构众核结构特征的编译优化技术、以及面向Open ACC*的多模式访存优化技术,为提升神威太湖之光计算机系统中程序性能提供了有效的优化手段。基于本文的成果,使用CAM-SE、SWLBM两道实际应用课题和SPEC ACCEL V1.0中15道课题在神威太湖之光计算机系统中进行了应用移植和优化效果验证工作,测试结果表明,本文所提出的Open ACC*编程语言、编译器设计、编译优化技术是正确和有效的,可以满足相当一部分应用的众核编程、移植和优化的需求,支撑应用在神威太湖之光计算机系统上高效运行。
徐青青[6]（2019）在《深度学习处理器基准测试程序的设计与实现》文中研究表明近些年来,卷积神经网络（Convolutional Neural Network,CNN）作为最重要的深度学习（Deep Learning,DL）模型之一,在业界受到了广泛的关注和研究,尤其是在计算机视觉（Computer Vision,CV）等领域发挥着至关重要的作用。由于更深层次的网络往往能够提供更好的效果,卷积神经网络变得越来越复杂,随着网络结构的不断加深和训练数据量的显着增长,通用处理器已经无法很好地满足这类应用的计算需求。于是,计算芯片架构开始朝着适应这类应用的定制化方向演进,进而出现了一系列的深度学习专用芯片,其中最具有影响力的包括寒武纪的DianNao系列和谷歌的TPU。它们均是针对卷积神经网络进行了专用部件的定制和加速,甚至为卷积神经网络设计出了一套高效的专用指令集,可以说,当今国际上的深度学习处理器即为面向卷积神经网络的加速器。在处理器的设计过程中,标准的基准测试程序和测试指标至关重要。本文提出了一套深度学习处理器基准测试程序,用于对当前的深度学习硬件进行客观评估,判断处理器设计的合理性以及对比不同处理器的设计优劣,指导软硬件层面的系统优化,帮助硬件研究人员设计出高效的深度学习处理器。本文的主要工作和研究成果包括:（1）确定深度学习基准测试程序的应用选取依据,筛选出20个具有代表性的流行卷积神经网络,并为各个网络提供典型的数据集,构成宏基准测试程序。为了便于进行性能评测,抽取卷积神经网络中的核心网络层及其常用参数配置,并为这些网络层程序设计不同规模的典型输入集,构成微基准测试程序,微基准测试程序包含了 45个精简的网络层测试模块,这在很大程度上减少了代码量。在确定好基准测试程序的构成后,在通用处理器包括通用CPU和GPU以及国产申威处理器上给出了基准测试程序的具体实现。（2）针对宏基准测试程序中的各个网络,从网络的计算量、参数量、拓扑结构和各个组成部分的耗时占比等方面给出详细的分析。通过对比网络计算量和参数量等特征,阐述影响网络通信开销的具体因素;通过分析网络核心热点代码块,定位出网络训练过程中的性能瓶颈。针对微基准测试程序中的各个网络层程序,详细分析了它们的前后向实现细节,得到了其中的基础操作,为深度学习专用指令集的定义提供了重要依据。（3）在真实硬件平台上给出基准测试程序的性能评测实例,详细介绍了利用这套基准测试程序进行性能评测的具体方法。针对宏基准测试程序,本文给出了一套系统性能评测指标,包括I/O等待延迟、跨节点通信延迟和CPU利用率,基于这些系统指标的性能测试结果,得到了各个网络在系统层面的行为特征和性能瓶颈。针对微基准测试程序,本文给出了一套微架构性能评测指标,包括IPC、CPU停顿周期率、分支预测错误率和多级Cache缺失率等,基于这些微架构指标的性能测试结果,得到了各个网络层程序在微架构层面的行为特征和性能瓶颈。通过对得到的性能数据进行分析,为处理器的设计与优化提出了一些针对性建议。
秦正军[7]（2018）在《河北三禾医药贸易有限公司发展战略研究》文中认为我国医药行业的发展十分迅速,并且随着医疗改革的深化,人民对健康的要求越来越高,竞争也日益激烈。在当今,伴随着快速发展的医药行业,医药贸易也被大家广为关注。医药贸易行业的进入门槛相对较低,所以随之带来的行业竞争是相对充分的。传统的贸易型企业面临着渠道难,资金不到位的情况,同时也面临着外部需求不旺盛,议价空间非常小以及国内竞争十分激烈的威胁。因此,在河北省众多的企业中,医药如何立足于行业内,发挥自己的优势,找到突破口,整合周围一切可以利用的资源,制定出符合公司发展的战略,从而使公司的核心竞争力得到提高,成为中小医药贸易公司面临的重要课题。本文以2014年成功改制的三禾医药贸易有限公司为研究对象,通过对当前河北省医药贸易市场的情况进行分析取证,除此以外,对三禾医药贸易有限公司的产品结构和BCG进行分析、公司的人员资源分析和公司盈利等方面进行客观公正的分析,对医药贸易行业进行定位分析,运用安索夫增长矩阵模型对企业的发展条件进行深度挖掘并深度剖析,从而制定出三禾医药贸易有限公司的竞争发展战略。研究结果为,在未来发展中确定了以心脑血管、肿瘤、抗生素类产品为主体,以其他器械和药品的技术研发、技术咨询、技术转让、技术服务的经营为两辅,以自营商品的货物进出口、业务进出口和增值服务为战略导向。本文运用企业战略管理理论方法对三禾医药贸易有限公司进行了研究,主要针对河北省医药贸易行业的发展机遇与威胁,分析企业自身优劣势,提出符合公司发展的发展方向和战略。明确了三禾医药贸易有限公司的核心竞争力,在保持竞争优势的同时,并希望能够对国内医药贸易企业的发展提供一定的借鉴和参考价值。
廖陈志[8]（2018）在《HPCG在多核/众核平台上的实现与优化》文中研究说明目前,世界排名第一的超级计算机神威·太湖之光是我国自主研制的世界上第一台峰值性能超过100P的超算系统,由40960个SW-26010处理器构成,总核心数达1040万个,每一个处理器由四个核组构成,每一个核组又由65个核心组成,其中一个核心作为主核（MPE）,其他64个核心作为从核（CPEs）,单节点峰值性能为3TFlops,系统的理论峰值性能达125PFlops,LINPACK测程序的性能达到70%以上,但是,高性能共轭梯度基准测试程序（HPCG）的性能却只有LINPACK性能的0.4%,表明对于HPCG这类应用,不仅需要针对应用进行深度优化,亦可能需要对神威·太湖之光的结构提出一定的改进意见。作为一种新的系统基准测试程序,HPCG的设计能够更全面地测试系统在计算、访存、通信等各个方面的实际性能,比LINPACK基准测试程序更能代表真实应用的实际情况。本文的研究目标是通过在多核/众核平台上实现HPCG的算法与结构的一体化研究,深入理解该程序对不同体系结构的适应性,为在神威·太湖之光上实现和优化实际应用程序提供借鉴,并为下一代系统的研发提供参考。本文的研究工作及成果主要包括以下几个方面:首先,HPCG在商用多核/众核处理器上的优化策略和技术。一方面深入分析HPCG软件结构,利用大量的性能分析工具刻画程序在运行时计算、访存、通信等各方面特征以及热点函数,明确数据依赖关系;另一方面实现多种算法在多核/众核系统（XeonCPU、GPUP100以及KNL）上的并行,并针对程序的时间、空间局部性进行性能优化,充分了解商用处理器的多核/众核特性以及HPCG在这种架构上的性能表现,亦为HPCG在申威异构众核加速系统上的实现和优化提供先验知识。其次,HPCG在在神威·太湖之光系统上的实现与优化技术。针对申威处理器的架构特点以及HPCG的计算、访存等特征,实现四种在单核组上的并行化方案,包括Multi-Coloring、level-Scheduling、0-1方法以及更符合申威架构的Hierarchical Grid Collaborative算法,并从架构和算法角度对HPCG进行深度优化,包括数据传输、协同计算、数据同步等优化策略,最终单核组四种方法分别获得1.54x,5.52x,10.9x及15.6x的性能加速,多核组上,对边界数据的处理以及核组间的数据通信方式进行优化,扩展至40960个进程时性能为192 TFlops,并行效率超过70%。最后,HPCG在多核/众核上实现与优化的策略和技术比较。结合HPCG在商用Xeon多核、申威处理器、GPU P100及KNL上的性能表现,分析类似于HPCG这种应用在各种平台上的性能差异,即哪种架构特征有助于提高HPCG的性能,我们将从并行化方法、访存带宽、向量化等方面进行讨论算法/架构/性能之间的关系,并为下一代申威处理器的设计提出相关建议。
刘睿涛[9]（2018）在《超级计算机故障分析、建模与预测技术研究》文中研究说明随着超级计算机的快速发展,系统规模和复杂度也越来越大,系统可靠性和容错能力面临着巨大挑战。无论是基于故障预测技术的前瞻式避错,还是基于检查点技术的被动式容错,或者提升系统可靠性的调度技术,都需要对系统故障特征的精细的定性与定量描述,以及有效的故障预测方法。本文深入研究了神威蓝光（基于多核）与太湖之光（基于异构众核）两台典型的超级计算机的失效特征,提出了若干面向超级计算机的故障分析新方法,发现了若干以前尚未发现的超级计算机的故障发生特征与规律,建立了适用于超级计算机的故障分布与容错模型,并提出了有效的故障预测方法。本文的主要贡献及创新如下:1、针对超级计算机中分散、多样、瞬时、不确定性和不可回溯性的系统故障,提出了面向超级计算机的可扩展故障监控、采集和分析框架,主要包括:基于分布式基础设施,提出了一种基于事件触发的可扩展状态监控与采集模型,能够实时、高效地获取大规模并行系统的故障状态信息。实验表明,该状态监测模型的实时性能与系统规模无关,可面向大规模并行系统实现20秒以下的故障状态发现。在故障传感点设置和故障数据处理方法基础上,建立了基于统计数据的故障分析体系,能够有效分析和发现超级计算机故障的特征及影响因素。通过故障分析发现,由CPU、内存和互连系统组成的主机系统,是超级计算机的主要失效来源。2、针对超级计算机中主要故障之一的内存故障的特征分析问题,提出了基于序列模式挖掘的内存故障关联分析方法。该方法建立与内存故障关联对应的的序列规则模型,基于超级计算机主机系统的内存故障大数据,能够有效分析主机系统CPU节点上内存单错与内存多错、内存失效序列与后续内存失效的关联关系,并发现了以前尚未发现的影响系统容错设计和内存失效预测的关键性结论。该结论包括:DRAM单错不会导致DRAM多错;CPU节点的内存失效序列可能会导致该CPU节点上内存失效继续发生。3、针对超级计算机中主要计算部件故障发生的影响因素问题,提出了一种统计规律与协同分析相结合的故障特征识别方法。该方法设定或选择针对性实验环境,根据统计数据发现并验证了主要计算部件的故障发生规律,识别了系统中主要计算部件可靠性和故障发生的关键影响因素。该结论包括:DRAM单错与作业无关,与CPU节点或DRAM的可靠性有关;内存失效的发生可能与内存芯片自身的可靠性特性有关;单纯的计算密集型应用对CPU故障或CPU失效的影响最小等。4、针对超级计算机中主要计算部件的失效时间定量描述的问题,按照时间和空间维度分析超级计算机的失效数据,建立了适应于超级计算机的多维度统一的失效时间模型,该模型主要包括:统一的CPU节点内存失效时间模型;适用于CPU节点、计算插件卡和主机计算机系统的多维统一的失效时间模型。应用该模型,进行了可靠性评估;并结合失效预测应用场景,建立了基于失效间隔时间的失效预测模型,分析了应用与求解方法。该模型包括:CPU节点的内存失效间隔时间可以用对数正态（Lognormal）分布定量描述。威布尔（Weibull）分布在多维空间上与实际失效间隔时间最符合。5、针对超级计算机中的检查点容错未能与实际运行环境可靠性相匹配造成的检查点开销较大的问题,提出了数据驱动的自适应容错模型。该模型基于细粒度资源的失效时间分布,建立了面向超级计算机复杂故障的多层失效模型;根据数据反映出的系统动态故障特征,提出了数据驱动的自适应容错方法,并设计了自适应优化算法。通过对神威太湖之光系统的容错实验分析,验证了数据驱动自适应容错模型及检查点优化方法的有效性。数据分析表明,最优化检查点间隔相对经验检查点间隔时间,可有效降低检查点容错的开销。6、针对超级计算机中主动容错技术所需的精确故障预测难题,提出了一种基于带时间标签多序列模式挖掘的故障预测算法。该算法基于串行winepi算法,并进行了面向多序列的扩展和完善,采用滑动窗口方法,在时间窗口约束下,在带时间标签多序列上挖掘序列模式关联规则,实现了对故障发生位置及时间的预测。在神威超级计算机中的故障预测分析显示,使用该算法生成的预测规则置信度较好,可以有效预测超级计算机中的故障,预测准确率在60%99%。
朱勇忠[10]（2012）在《深圳腾飞医药公司发展战略研究》文中提出随着经济的市场化和全球化,国内医药市场面临日益复杂的竞争格局,加之新医改政策和医药流通产业规划的频繁出台,使得处于医药批发行业的腾飞医药公司面临更多竞争和挑战。如何在医药逐渐微利时代,药品流通渠道扁平化的产业大环境下,抓住机遇,避免威胁,利用优势,克服劣势,制定出适合自身的发展战略,成为腾飞医药公司一个全新的课题。论文以国内外先进的战略管理为指导,结合腾飞医药公司发展中存在的问题,借鉴国内外、省内外优秀的医药流通企业发展经验,首先,对腾飞医药公司面临的优势、劣势、机遇、威胁进行了系统深入的分析,发现腾飞医药公司面临的机遇有医药产业快速发展、珠江产业集群带动、巨大的医药市场需求；受到的威胁有宏观经济下滑威胁、行业竞争激烈、不利产业政策；自身优势包括产品丰富、原料充足、经营灵活；自身劣势包括管理方式落后、规模限制、物流配送能力较弱。其次,分析了腾飞医药公司发展现状,发现腾飞医药公司经过多年发展在业务规模、管理方式、员工团队、经营方式等方面取得了巨大的成绩,但是不可否认的是,公司在产品结构、营销渠道、人才建设、信息化水平、企业文化等方面还存在一些问题,亟待解决。第三,在环境分析的基础之上,针对公司发展中存在的问题,提出了腾飞医药公司的指导思想、发展原则、战略目标,从改变经营方式,积极发展中医门诊,抢占零售终端市场,积极引进高素质人才,论述了战略重点,并分三步来实现,即第一步为寻求融资期,第二步为积极扩张期,第三步为稳定发展期。最后,从优化组织结构、完善员工激励机制、整合采购流程、提高物流配送能力、构建特色企业文化五个方面提出了配套保障措施。论文明确了企业转型升级的路径,使得腾飞医药公司能够在激烈的医药市场竞争中站稳脚跟,不断提高自身核心竞争力。同时也能够为其他企业特别是医药兄弟企业提供经验借鉴,寻求在竞争中加强合作的契点。
二、神威:GSP是我们对自己的最低要求（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、神威:GSP是我们对自己的最低要求（论文提纲范文）
（1）RPV钢辐照损伤的原子动力学蒙特卡洛模拟程序开发与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容与组织结构 |
| 第2章 理论基础 |
| 2.1 原子动力学蒙特卡洛方法 |
| 2.2 原子间相互作用势 |
| 2.2.1 对势 |
| 2.2.2 嵌入原子势 |
| 2.3 反应堆压力容器钢辐照损伤的形成机制 |
| 2.4 并行数值模拟的实现 |
| 2.4.1 MPI并行通信 |
| 2.4.2 同步子域算法 |
| 2.4.3 高性能计算 |
| 2.5 本章小结 |
| 第3章 势函数开发与程序优化 |
| 3.1 EAM势在OpenKMC程序中的实现 |
| 3.2 空位选取的计算优化 |
| 3.3 并行热点分析与优化策略 |
| 3.3.1 TAU热点分析工具 |
| 3.3.2 通信热点分析与优化策略 |
| 3.4 本章小结 |
| 第4章 OpenKMC在数值模拟上的应用 |
| 4.1 基于两种势函数的长时间数值模拟 |
| 4.1.1 参数设置与时间转换 |
| 4.1.2 并行模拟结果的验证分析 |
| 4.2 团簇尺寸和数量密度变化的具体分析 |
| 4.2.1 团簇尺寸分段后的对比分析 |
| 4.2.2 最大团簇的变化过程 |
| 4.2.3 空位浓度对团簇演化的影响 |
| 4.3 数值模拟结果与实验值结果的比较 |
| 4.4 本章小结 |
| 第5章 万亿粒子大规模可扩展性测试 |
| 5.1 “神威·太湖之光”上的强可扩展性测试 |
| 5.2 “神威·太湖之光”上的弱可扩展性测试 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文主要结论 |
| 6.2 研究展望 |
| 参考文献 |
| 附录A EAM势截断半径下的两种原子间位置关系 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（2）基于申威众核架构的并行演化算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 国内外研究现状及发展动态 |
| 1.2.1 演化进化算法求解大规模优化问题的研究动态 |
| 1.2.2 并行演化进化算法的研究动态 |
| 1.2.3 面向申威众核架构的并行演化进化算法研究动态 |
| 1.3 本文研究内容及组织结构 |
| 1.3.1 本文研究内容 |
| 1.3.2 组织结构安排 |
| 第二章 实验平台介绍及相关算法 |
| 2.1 神威·太湖之光超级计算机 |
| 2.1.1 申威26010异构众核处理器 |
| 2.1.2 运行模式 |
| 2.1.3 异构并行模式 |
| 2.1.4 并行编译环境及工具 |
| 2.2 差分进化算法 |
| 2.3 基于领域搜索的自适应差分进化算法 |
| 2.4 测试函数 |
| 2.5 结果指标 |
| 2.5.1 加速比 |
| 2.5.2 扩展性 |
| 2.6 本章小结 |
| 第三章 基于申威众核架构的swCCSaNSDE算法 |
| 3.1 引言 |
| 3.2 合作协同进化模型 |
| 3.2.1 模型介绍 |
| 3.2.2 CCSaNSDE算法 |
| 3.3 swCCSaNSDE算法的设计与实现 |
| 3.3.1 一级并行的设计与实现 |
| 3.3.2 二级并行的设计与实现 |
| 3.3.3 swCCSaNSDE算法的执行步骤 |
| 3.4 实验结果与分析 |
| 3.4.1 收敛结果 |
| 3.4.2 加速效果 |
| 3.4.3 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于申威众核架构的swPSaNSDE算法 |
| 4.1 引言 |
| 4.2 并行模型介绍 |
| 4.3 并行模型分析 |
| 4.4 swPSaNSDE算法的设计与实现 |
| 4.4.1 一级并行的设计与实现 |
| 4.4.2 二级并行的设计与实现 |
| 4.4.3 swPSaNSDE算法的执行步骤 |
| 4.5 实验结果与分析 |
| 4.5.1 收敛结果 |
| 4.5.2 加速效果 |
| 4.5.3 实验结果分析 |
| 4.6 本章小结 |
| 第五章 基于申威众核架构的swHSaNSDE算法 |
| 5.1 引言 |
| 5.2 混合模型的结构 |
| 5.3 swHSaNSDE算法的设计与实现 |
| 5.3.1 一级并行的设计与实现 |
| 5.3.2 二级并行的设计与实现 |
| 5.3.3 从核访存设计 |
| 5.4 实验结果与分析 |
| 5.4.1 收敛结果 |
| 5.4.2 加速效果 |
| 5.4.3 实验结果分析 |
| 5.4.4 算法对比分析 |
| 5.5 本章小结 |
| 主要结论与展望 |
| 主要结论 |
| 展望 |
| 致谢 |
| 参考文献 |
| 附录:作者在攻读硕士学位期间发表的论文 |
（3）ZHX药店连锁集团公司发展战略研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 导论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究思路与方法 |
| 1.2.1 研究思路 |
| 1.2.2 研究方法 |
| 1.3 相关理论综述 |
| 1.3.1 战略的定义 |
| 1.3.2 连锁经营概述 |
| 2 ZHX公司外部环境分析 |
| 2.1 宏观环境分析 |
| 2.1.1 政治要素分析 |
| 2.1.2 经济要素分析 |
| 2.1.3 社会要素分析 |
| 2.1.4 技术要素分析 |
| 2.2 微观环境分析 |
| 2.2.1 竞争对手分析 |
| 2.2.2 顾客群体分析 |
| 2.2.3 供应商分析 |
| 2.2.4 跨界竞争者分析 |
| 2.2.5 替代者分析 |
| 3 ZHX公司内部情况分析 |
| 3.1 公司概况 |
| 3.2 公司资源分析 |
| 3.2.1 公司品牌分析 |
| 3.2.2 人力资源分析 |
| 3.2.3 企业文化分析 |
| 3.2.4 供应链体系分析 |
| 3.3 公司竞争力分析 |
| 3.3.1 市场竞争力 |
| 3.3.2 管理竞争力 |
| 3.3.3 服务竞争力 |
| 4 ZHX公司发展战略选择 |
| 4.1 公司SWOT分析 |
| 4.1.1 优势 |
| 4.1.2 劣势 |
| 4.1.3 机会 |
| 4.1.4 威胁 |
| 4.2 产品(服务)-市场战略 |
| 4.2.1 市场渗透战略 |
| 4.2.2 市场发展战略 |
| 4.2.3 产品发展战略 |
| 4.2.4 多角化经营战略 |
| 4.3 一体化战略 |
| 4.3.1 横向一体化战略 |
| 4.3.2 纵向一体化战略 |
| 4.4 企业并购与战略联盟战略 |
| 4.4.1 企业并购 |
| 4.4.2 战略联盟 |
| 5 ZHX公司的战略实施与战略控制 |
| 5.1 ZHX公司战略实施策略 |
| 5.1.1 战略实施中的财务策略 |
| 5.1.2 战略实施中的人才策略 |
| 5.1.3 战略实施中的组织设计策略 |
| 5.1.4 战略实施中的运营与供应链策略 |
| 5.2 ZHX公司战略控制 |
| 5.2.1 战略规划管理组织体系 |
| 5.2.2 战略规划流程 |
| 5.2.3 战略规划内容 |
| 5.2.4 战略评估与改进 |
| 5.2.5 战略风险防范 |
| 6 结论 |
| 参考文献 |
| 致谢 |
（4）基于“神威·太湖之光”的分子动力学算法优化（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 文中使用的缩略词和符号 |
| 第一章 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 研究的现状和挑战 |
| 1.3 本文研究内容和创新点 |
| 1.4 本文的组织结构和章节安排 |
| 第二章 背景 |
| 2.1 分子动力学模拟 |
| 2.1.1 初始化 |
| 2.1.2 邻域索引 |
| 2.1.3 势函数的计算 |
| 2.1.4 积分 |
| 2.2 神威·太湖之光 |
| 2.2.1 总体架构 |
| 2.2.2 SW26010处理器 |
| 2.2.3 编程模型 |
| 2.3 本章小结 |
| 第三章 短程势函数计算中的优化 |
| 3.1 L-J势的优化 |
| 3.1.1 软件Cache方法 |
| 3.1.2 单端更新方法 |
| 3.1.3 寄存器通信归约 |
| 3.1.4 向量化 |
| 3.2 Tersoff势的优化 |
| 3.2.1 混合内存更新方法 |
| 3.2.2 向量化 |
| 3.3 AMBER势的优化 |
| 3.3.1 无邻接表方法 |
| 3.3.2 自适应的副本分配 |
| 3.3.3 参数剖面 |
| 3.3.4 向量短路 |
| 3.3.5 格点-粒子截断过滤器 |
| 3.3.6 AMBER的短程力优化后的流程 |
| 3.4 本章小结 |
| 第四章 邻域索引构造的优化 |
| 4.1 邻接表构造的优化 |
| 4.2 格点索引构造的优化 |
| 4.2.1 基于排序的方法 |
| 4.2.2 增量格点索引构造方法 |
| 4.3 本章小结 |
| 第五章 基于神威平台的通用模块优化 |
| 5.1 向量化的数学库 |
| 5.2 软件Cache的优化 |
| 5.2.1 使用宏的封装 |
| 5.2.2 预处理DMA描述符 |
| 5.2.3 汇编级别实现 |
| 5.2.4 使用原子锁的更新CACHE |
| 5.3 从核计算时性能计数器采样模块的优化 |
| 5.3.1 数据结构 |
| 5.3.2 设计模式 |
| 5.3.3 使用例子 |
| 5.4 本章小结 |
| 第六章 实验结果 |
| 6.1 LAMMPS中L-J势的性能测试 |
| 6.1.1 单节点测试 |
| 6.1.2 扩展性测试 |
| 6.2 LAMMPS中Tersoff势的性能测试 |
| 6.2.1 单节点测试 |
| 6.2.2 扩展性测试 |
| 6.3 AMBER的性能测试 |
| 6.4 ESMD的性能测试 |
| 6.4.1 单节点测试 |
| 6.4.2 扩展性测试 |
| 6.5 SWCache的测试 |
| 6.5.1 MiniFE中的测试 |
| 6.5.2 分子动力学软件中的测试 |
| 6.6 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的论文 |
| 攻读学位期间参加的科研工作 |
| 攻读学位期间获得的奖励 |
| 相关的开源项目 |
| 图表索引 |
| 学位论文评阅及答辩情况表 |
（5）面向神威太湖之光的隐式并行语言研究及编译优化设计（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景综述 |
| 1.1.1 课题的来源 |
| 1.1.2 众核处理器的发展现状 |
| 1.1.3 众核处理器并行编程语言的发展现状 |
| 1.2 相关工作基础 |
| 1.2.1 众核处理器隐式并行编程语言的相关研究 |
| 1.2.2 面向多核和众核系统的编译优化相关研究 |
| 1.3 本文主要工作 |
| 1.3.1 研究内容及方法 |
| 1.3.2 实验平台 |
| 第二章 面向异构众核处理器架构的OpenACC*语言设计 |
| 2.1 异构众核处理器架构存储抽象模型研究 |
| 2.1.1 典型众核架构存储模型分析 |
| 2.1.2 适应异构众核处理器架构的存储模型设计 |
| 2.2 面向异构众核处理器架构的OpenACC*语言设计 |
| 2.2.1 OpenACC*执行模型 |
| 2.2.2 针对融合的众核处理器架构的语言功能设计 |
| 2.2.3 提供对通信死锁检测的支持 |
| 2.3 本章小结 |
| 第三章 面向异构众核处理器架构的编译器架构研究 |
| 3.1 面向异构众核处理器架构的编译框架设计 |
| 3.1.1 异构众核融合编译架构 |
| 3.1.2 异构众核融合编译器基本组成和工作原理 |
| 3.1.3 面向异构众核的加速线程编程模型 |
| 3.1.4 异构众核程序加载器 |
| 3.2 OpenACC*在神威太湖之光系统上的实现机制研究 |
| 3.2.1 基于仿射分析的数据分布分析技术 |
| 3.2.2 异构协作的数据重分布处理技术 |
| 3.2.3 数据规模自适应的空间重分布技术 |
| 3.2.4 异构程序主从执行模式实现技术 |
| 3.2.5 基于运行时的通信死锁检测技术 |
| 3.3 本章小结 |
| 第四章 异构众核编译优化技术研究 |
| 4.1 针对主核存储层次结构的访存编译优化 |
| 4.1.1 代价模型约束的循环级数据预取优化 |
| 4.1.2 局部性指导的自动流式不可Cache优化 |
| 4.1.3 实验结果 |
| 4.2 针对异构众核结构特征的编译优化技术 |
| 4.2.1 动静结合的循环级指令调度优化 |
| 4.2.2 数据访问的自适应指令代理优化 |
| 4.3 面向OpenACC*的多模式访存优化技术 |
| 4.3.1 多点融合的访存聚合优化 |
| 4.3.2 访存模式指导的离散访存优化 |
| 4.3.3 动静结合的数据重用优化 |
| 4.4 应用综合优化效果 |
| 4.4.1 CAM-SE核心段移植优化效果 |
| 4.4.2 SWLBM课题移植优化效果 |
| 4.4.3 SPEC ACCEL基准测试课题移植优化效果 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间已发表或录用的论文和其他成果 |
| 插图索引 |
| 表格索引 |
（6）深度学习处理器基准测试程序的设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 卷积神经网络的发展及现状 |
| 1.1.2 专用处理器的发展现状 |
| 1.1.3 基准测试程序设计的必要性 |
| 1.2 研究问题及面临挑战 |
| 1.2.1 构造和分析基准测试程序面临的挑战 |
| 1.2.2 基于乱序执行内核分析程序特征和定位瓶颈的挑战 |
| 1.3 本文研究目标和主要工作 |
| 1.4 本文组织结构 |
| 第2章 相关工作 |
| 2.1 卷积神经网络和深度学习框架 |
| 2.1.1 卷积神经网络 |
| 2.1.2 深度学习框架 |
| 2.2 深度学习基准测试程序 |
| 2.2.1 早期基准测试程序 |
| 2.2.2 DeepBench |
| 2.2.3 BenchIP |
| 2.2.4 其他基准测试程序 |
| 2.3 性能分析方法 |
| 2.3.1 插桩技术 |
| 2.3.2 采样技术 |
| 2.3.3 性能分析工具 |
| 2.4 小结 |
| 第3章 Benchmarks的设计与实现 |
| 3.1 Benchmarks的设计与评测框架 |
| 3.2 MacroBenchmarks的设计与实现 |
| 3.2.1 神经网络的选取依据 |
| 3.2.2 神经网络的选取 |
| 3.2.3 MacroBenchmarks程序集 |
| 3.2.4 网络计算量分析 |
| 3.2.5 网络参数量分析 |
| 3.3 MicroBenchmarks的设计与实现 |
| 3.3.1 网络层的出现占比 |
| 3.3.2 网络层的时间占比 |
| 3.3.3 MicroBenchmarks程序集 |
| 3.4 网络层的基础操作剖析 |
| 3.4.1 卷积层基础操作 |
| 3.4.2 全连接层基础操作 |
| 3.4.3 BatchNorm层基础操作 |
| 3.4.4 Softmax层基础操作 |
| 3.4.5 其他层基础操作 |
| 第4章 DL Benchmarks性能评测实例 |
| 4.1 实验平台和工具 |
| 4.2 系统性能评测 |
| 4.2.1 评测指标选取 |
| 4.2.2 评测方法介绍 |
| 4.2.3 I/O等待延迟 |
| 4.2.4 跨节点通信延迟 |
| 4.2.5 CPU利用率 |
| 4.2.6 总结与建议 |
| 4.3 微架构性能评测 |
| 4.3.1 整体性能评测 |
| 4.3.2 分支预测和CPU停顿 |
| 4.3.3 前端指令饥饿 |
| 4.3.4 后端资源竞争 |
| 4.3.5 各级数据缓存缺失 |
| 4.3.6 指令级并行和内存级并行 |
| 4.4 处理器优化建议 |
| 4.5 神威平台的性能评测 |
| 4.5.1 性能评测结果和分析 |
| 4.5.2 软硬件环境的不足和建议 |
| 第5章 全文总结 |
| 5.1 研究工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
| 在读期间参与的科研项目 |
（7）河北三禾医药贸易有限公司发展战略研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 研究的理论基础 |
| 1.4 研究的主要内容 |
| 第二章 河北医药市场分析 |
| 2.1 医药行业分析 |
| 2.1.1 行业现状 |
| 2.1.2 行业结构 |
| 2.1.3 行业趋势 |
| 2.2 最新政策 |
| 2.3 市场竞争分析 |
| 2.3.1 河北医药行业竞争分析 |
| 2.3.2 河北各大药企竞争分析 |
| 第三章 三禾医药贸易有限公司内部环境分析 |
| 3.1 产品分析 |
| 3.1.1 产品结构分析 |
| 3.1.2 BCG分析 |
| 3.2 人员资源分析 |
| 3.2.1 人力资源的素质状况 |
| 3.2.2 人才培养策略 |
| 3.3 盈利分析 |
| 3.3.1 品种盈利情况分析 |
| 3.3.2 品种未来销售前景分析 |
| 第四章 三禾医药贸易有限公司的发展战略 |
| 4.1 战略目标设计 |
| 4.2 目前业务的战略选择 |
| 4.2.1 安索夫增长矩阵分析 |
| 4.2.2 多元产品发展战略 |
| 4.2.3 新产品开发战略 |
| 4.3 具体实施案例 |
| 4.3.1 医药一致性评价 |
| 4.3.2 公共卫生鉴约 |
| 第五章 战略实施与保障 |
| 5.1 人力 |
| 5.1.1 人力资源管理 |
| 5.1.2 企业文化建设 |
| 5.1.3 公司领导层的理念 |
| 5.1.4 公司人才储备 |
| 5.2 财务保障 |
| 5.2.1 调整资产结构 |
| 5.2.2 积极推行全面预算管理 |
| 5.2.3 加强成本费用计划管理 |
| 5.2.4 制度可行的应收账款政策 |
| 5.3 采购销售保障 |
| 5.3.1 采购 |
| 5.3.2 营销 |
| 5.3.3 客户服务 |
| 5.4 其他保障 |
| 5.4.1 物流 |
| 5.4.2 信息技术上的保障 |
| 5.4.3 创新上的保障 |
| 5.4.4 考核上的保障 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（8）HPCG在多核/众核平台上的实现与优化（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.1.1 国产高性能计算系统的发展趋势 |
| 1.1.2 商用高性能处理器系统发展趋势 |
| 1.1.3 系统基准测试程序的发展趋势 |
| 1.1.4 本文的研究动机 |
| 1.2 论文研究目标和主要工作 |
| 1.2.1 HPCG在商用多核/众核处理器上的优化策略和技术 |
| 1.2.2 HPCG在神威·太湖之光系统上的实现与优化技术 |
| 1.2.3 HPCG在多核/众核上实现与优化的策略和技术比较 |
| 1.3 论文结构 |
| 第2章 相关工作 |
| 2.1 并行计算机系统性能测试程序 |
| 2.1.1 LINPACK |
| 2.1.2 HPCC |
| 2.1.3 HPCG |
| 2.1.4 Graph 500 |
| 2.2 HPCG在商用多核/众核处理器平台上的优化策略和技术 |
| 2.2.1 GPU上的优化技术 |
| 2.2.2 Xeon Phi上的优化技术 |
| 2.3 HPCG在超级计算机上的实现与优化 |
| 2.4 本章小结 |
| 第3章 HPCG在商用多核/众核处理器上的优化策略和技术 |
| 3.1 HPCG基准测试程序的程序结构 |
| 3.2 HPCG程序运行时行为特征分析 |
| 3.2.1 计算特征 |
| 3.2.2 访存特征 |
| 3.2.3 通信特征 |
| 3.2.4 I/O特征 |
| 3.3 HPCG在多核/众核平台上实现和优化的重点和难点 |
| 3.4 HPCG在Xeon多核处理器上的并行与优化 |
| 3.4.1 Multi-Coloring并行化 |
| 3.4.2 前后项融合计算以及并行化 |
| 3.4.3 其他优化方法 |
| 3.4.4 性能分析 |
| 3.5 GPU P100上的HPCG性能分析 |
| 3.6 KNL上的HPCG的实现和性能分析 |
| 3.6.1 基于MC方法的HPCG实现 |
| 3.6.2 基于HGC方法的HPCG实现 |
| 3.7 本章小结 |
| 第4章 HPCG在神威·太湖之光系统上的实现和优化技术 |
| 4.1 神威·太湖之光与SW26010众核处理器 |
| 4.1.1 神威·太湖之光 |
| 4.1.2 SW26010众核处理器 |
| 4.2 HPCG在申威处理器上的移植 |
| 4.3 HPCG在申威处理器上的并行化方法设计 |
| 4.3.1 Multi-Coloring并行化 |
| 4.3.2 Level-Scheduling并行化 |
| 4.3.3 0-1并行化 |
| 4.3.4 Hierarchical Grid Collaborative并行化 |
| 4.4 单核组优化方案设计 |
| 4.4.1 数据传输优化 |
| 4.4.2 协同计算优化 |
| 4.4.3 数据同步优化 |
| 4.4.4 SIMD优化 |
| 4.4.5 其他优化 |
| 4.5 多核组优化方案设计 |
| 4.5.1 软件Cache设计 |
| 4.5.2 异步发送 |
| 4.6 性能分析 |
| 4.6.1 测试算例 |
| 4.6.2 单核组性能分析 |
| 4.6.3 多节点性能分析 |
| 4.7 本章小结 |
| 第5章 HPCG在多核/众核上的实现和优化的策略和技术比较 |
| 5.1 HPCG在多核/众核处理器上的差异性比较 |
| 5.1.1 并行方法上的差异 |
| 5.1.2 访存带宽上的差异 |
| 5.1.3 内存模式的差异 |
| 5.1.4 向量化的差异 |
| 5.1.5 编程实现上的差异 |
| 5.2 下一代神威处理器的改进建议 |
| 5.2.1 内存大小 |
| 5.2.2 访存带宽 |
| 5.2.3 向量化指令 |
| 5.2.4 Shared Memory的设计 |
| 5.2.5 从核通信方式 |
| 5.2.6 从核访问主核的通路设计 |
| 5.2.7 编程接口的设计 |
| 5.3 本章小结 |
| 第6章 全文总结 |
| 6.1 研究工作总结 |
| 6.2 本文创新点 |
| 6.3 未来工作展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
| 在读期间参与的科研项目 |
（9）超级计算机故障分析、建模与预测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 研究内容及贡献 |
| 1.3.1 可扩展故障监控、采集与分析框架构建 |
| 1.3.2 基于序列模式挖掘的内存故障特征分析 |
| 1.3.3 基于统计规律与协同分析的故障特征识别 |
| 1.3.4 面向超级计算机的多维失效时间模型构建及应用 |
| 1.3.5 数据驱动的自适应容错模型及应用 |
| 1.3.6 基于带时间标签多序列模式挖掘的故障预测 |
| 1.4 论文的组织结构 |
| 1.5 相关定义与术语 |
| 第二章 超级计算机故障分析、建模与预测技术研究现状 |
| 2.1 超级计算机发展现状概述 |
| 2.2 故障分析、建模与预测现状分析 |
| 2.2.1 典型超级计算机故障分析方法 |
| 2.2.2 部件级故障分析方法 |
| 2.2.3 故障预测技术分析 |
| 2.3 现有技术总结 |
| 2.4 本章小结 |
| 第三章 可扩展故障监控、采集与分析框架构建 |
| 3.1 神威系列超级计算机 |
| 3.1.1 神威系列超级计算机系统结构 |
| 3.1.2 通用分布式故障采集框架 |
| 3.2 基于事件触发的状态监控与采集模型 |
| 3.2.1 模型原理 |
| 3.2.2 实验分析 |
| 3.3 传感点设置与故障数据处理 |
| 3.3.1 传感点设置方法 |
| 3.3.2 故障分类方法 |
| 3.3.3 系统信息库的构建技术 |
| 3.3.4 故障预处理方法 |
| 3.4 基于统计数据的故障分析框架 |
| 3.4.1 故障分析框架 |
| 3.4.2 框架的基础应用 |
| 3.5 本章小结 |
| 第四章 基于序列模式挖掘的内存故障特征分析 |
| 4.1 基于序列模型的内存单错与内存多错关联分析 |
| 4.1.1 分析原理与方法 |
| 4.1.2 模式挖掘与关联分析 |
| 4.1.3 结论 |
| 4.2 基于序列模型的内存失效关联分析 |
| 4.2.1 分析原理与方法 |
| 4.2.2 模式挖掘与关联分析 |
| 4.2.3 结论 |
| 4.3 本章小结 |
| 第五章 基于统计规律与协同分析的故障特征识别 |
| 5.1 基于统计规律的内存单错特征分析 |
| 5.1.1 原理与方法 |
| 5.1.2 DRAM单错特征分析 |
| 5.1.3 结论 |
| 5.2 基于协同分析的故障特征识别 |
| 5.2.1 协同分析方法 |
| 5.2.2 应用故障采集 |
| 5.2.3 应用与内存故障协同分析 |
| 5.2.4 应用与CPU故障协同分析 |
| 5.3 本章小结 |
| 第六章 面向超级计算机的多维失效时间模型构建及应用 |
| 6.1 内存失效时间分析与建模 |
| 6.1.1 分析方法 |
| 6.1.2 参数估计 |
| 6.1.3 内存失效时间分析 |
| 6.1.4 讨论 |
| 6.2 多维度失效时间模型构建 |
| 6.2.1 失效间隔时间分析 |
| 6.2.2 多维统一的失效时间模型 |
| 6.3 基于故障建模的系统可靠性评估 |
| 6.3.1 经典可靠性评估方法 |
| 6.3.2 基于故障建模的可靠性评估方法 |
| 6.3.3 可靠性评估及对比分析 |
| 6.4 基于失效间隔时间的失效预测模型 |
| 6.4.1 移动观测窗口(采样数量)的选择 |
| 6.4.2 基于前置时间约束的失效预测模型 |
| 6.4.3 基于前置时间和预测窗口约束的失效预测模型 |
| 6.5 本章小结 |
| 第七章 数据驱动的自适应容错模型及应用 |
| 7.1 面向复杂故障的多层失效模型 |
| 7.1.1 细粒度失效分布模型 |
| 7.1.2 应用级失效模型 |
| 7.2 数据驱动的自适应容错 |
| 7.2.1 检查点模型及优化 |
| 7.2.2 动态自适应的检查点优化 |
| 7.3 分析与实验 |
| 7.3.1 实验环境 |
| 7.3.2 检查点间隔优化分析 |
| 7.4 本章小结 |
| 第八章 基于带时间标签多序列模式挖掘的故障预测 |
| 8.1 算法基本思想 |
| 8.2 算法描述 |
| 8.2.1 规则生成算法(algorithm1’) |
| 8.2.2 频繁场景生成算法(algorithm2’) |
| 8.2.3 场景计数改进算法(algorithm5’) |
| 8.3 神威系列超级计算机故障预测分析 |
| 8.3.1 基于weka的预测工具设计与实现 |
| 8.3.2 数据采集及处理 |
| 8.3.3 故障归约 |
| 8.3.4 实验与分析 |
| 8.4 本章小结 |
| 第九章 总结与展望 |
| 9.1 工作总结 |
| 9.2 工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 作者简历 |
（10）深圳腾飞医药公司发展战略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 导论 |
| 1.1 选题的背景与意义 |
| 1.2 研究的思路与方法 |
| 1.3 研究的内容与框架 |
| 1.4 主要贡献 |
| 第2章 相关理论基础 |
| 2.1 企业战略及战略管理的概念 |
| 2.2 企业战略管理理论演进 |
| 2.3 企业战略管理的过程 |
| 第3章 深圳腾飞医药公司发展环境分析 |
| 3.1 机遇分析 |
| 3.2 威胁分析 |
| 3.3 优势分析 |
| 3.4 劣势分析 |
| 第4章 深圳腾飞医药公司发展现状与问题分析 |
| 4.1 公司概述 |
| 4.2 公司发展现状 |
| 4.3 公司发展中存在问题 |
| 第5章 深圳腾飞医药公司发展战略方案设计 |
| 5.1 指导思想 |
| 5.2 基本原则 |
| 5.3 战略目标 |
| 5.4 战略重点 |
| 5.5 战略步骤 |
| 第6章 深圳腾飞医药公司发展战略的实施 |
| 6.1 优化公司组织结构 |
| 6.2 完善员工激励机制 |
| 6.3 健全药品采购体系 |
| 6.4 加强物流配送能力 |
| 6.5 构建特色企业文化 |
| 第7章 结论及有待进一步研究的问题 |
| 7.1 结论 |
| 7.2 有待进一步研究的问题 |
| 参考文献 |
| 致谢 |
四、神威:GSP是我们对自己的最低要求（论文参考文献）
- [1]RPV钢辐照损伤的原子动力学蒙特卡洛模拟程序开发与应用[D]. 尚子豪. 太原理工大学, 2021(01)
- [2]基于申威众核架构的并行演化算法研究[D]. 康上. 江南大学, 2021(01)
- [3]ZHX药店连锁集团公司发展战略研究[D]. 黄达洪. 西南大学, 2020(06)
- [4]基于“神威·太湖之光”的分子动力学算法优化[D]. 段晓辉. 山东大学, 2020(11)
- [5]面向神威太湖之光的隐式并行语言研究及编译优化设计[D]. 尉红梅. 上海交通大学, 2020(01)
- [6]深度学习处理器基准测试程序的设计与实现[D]. 徐青青. 中国科学技术大学, 2019
- [7]河北三禾医药贸易有限公司发展战略研究[D]. 秦正军. 河北工业大学, 2018(06)
- [8]HPCG在多核/众核平台上的实现与优化[D]. 廖陈志. 中国科学技术大学, 2018(01)
- [9]超级计算机故障分析、建模与预测技术研究[D]. 刘睿涛. 战略支援部队信息工程大学, 2018(12)
- [10]深圳腾飞医药公司发展战略研究[D]. 朱勇忠. 西北大学, 2012(05)