1. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ И КОНКРЕТИЗАЦИЯ ЗАДАЧИ
Лесной пожар — стихийное, неконтролируемое распространение огня по лесным площадям. Лесные пожары являются одним из самых распространенных природных катаклизмов в мире. Наикрупнейшие пожары, как и их общая частота, характерна для США, Австралии, восточной Европы, Израиля и Сибири.
Согласно наблюдениям за последние 100 лет [2], лесные пожары возникают в 4 раза реже, чем землетрясения и более чем в 11 раз реже, чем наводнения. При этом экономический ущерб на одного пострадавшего от лесного пожара в 2 раза больше, чем от землетрясения. Повышенные выбросы CO2, вызванные крупными лесными пожарами, может сказываться как на локальном температурном режиме местности, так и оказывать, хоть и незначительное, влияние на климат всей планеты.
Основная причина возникновения лесных пожаров — деятельность человека, на сегодняшний день доля естественных пожаров (от молний) составляет около 7—8%. Таким образом, существует острая необходимость работы противопожарных служб, контроля над соблюдением пожарной техники безопасности и прогнозирования распространения пожаров.
Существующие методики оценки лесопожарной обстановки позволяют определить площадь и периметр зоны возможных пожаров в регионе (области, районе). Исходными данными являются значение лесопожарного коэффициента и время развития пожара, однако при расчетах учитывается скорость и направление ветра, температура, уровень влажности и освещенности.
Для анализа динамики и траектории распространения лесных пожаров применяют численные методы прогнозирования. Они схожи с таковыми в погодном прогнозировании: местность разбивается на сектора, где чем меньше сектор — тем выше точность прогнозирования. Далее для каждого сектора вычисляются величины ключевых параметром, и после этого происходит расчет суперпозиции секторов для получения скалярных и векторных данных для всей зоны. Но если для погодного прогнозирования используется нелинейное приближение, то для расчетов лесных пожаров — вероятностные цепи Маркова (модель Маркова).
Цепь Маркова — последовательность случайных событий с конечным или счётным числом исходов, где вероятность наступления каждого события зависит от состояния, достигнутого в предыдущем событии. Практические
алгоритмы, применяемые в прогнозировании распространения пожаров, основаны на вычислении матриц и параметре CPI (complexity increasing) каждой зоны, требующей около 103 операций для нахождения.
Рассмотрим расчет распространения лесных пожаров в Сибири, произошедших в 2019 году. В качестве тестовой области выберем район Иркутской области, совпадающим с одним из очагов возгораний (Рис. №1). Площадь очага составляет 53797 км2 — это эквивалент всей площади пожаров в Сибири в 2019 году (5 млн. гектар). Лесные пожары на больших территориях распространяются со скоростью около 10 метров/мин. При подобной скорости распространения за 1 час пожар поглотит около 500 метров лесного массива, или около 100 метров за 10 минут. Поэтому, если взять за один сектор разбиения квадрат со стороной 100 метров, то получим: 5.4*104 км2 / 0.01 км2
= 5.4*106 расчетных блоков.
Так как лесные пожары распространяются крайне быстро, то моделирование должно проводиться каждые 30 минут на месяц вперед. Тогда получим следующее количество циклов моделирования: 2* 24 * 30 = 1440.
Найдем суммарную сложность P вычислительной задачи:
P = 5.4*106 * 1.44*103 * 103 = 7.776*1012 операций
Тогда производительность вычислительной системы Q для выполнения моделирования за 5 минут будет равна:
Q = 7.776*1012 / 60 = 1.29*1011 операций/сек.
Рисунок 1. Приближенная область лесных пожаров Иркутска в 2019 г.
2. АРХИТЕКТУРА ВЫЧИСЛИТЕЛЬНОЙ СИСТЕМЫ
Есть два подхода при построении современных суперкомпьютеров — системы с общей памятью и так называемые кластеры. Каждый подход не исключает другого, у каждого подхода есть свои достоинства и недостатки. Рассмотрим наиболее популярные из них.
2.1. Многопроцессорная система. SMP.
SMP (Symmetric Multi-Processing) — симметричные процессорные системы, в которых процессоры имеют общий доступ к памяти о она равноудалена от всех процессоров (Рис. №2).
Рисунок 2. Общая схема архитектуры SMP.
Все процессоры связаны с общей памяти через FSB (Front Side Bus). Эта же шина и является узким местом такой архитектуры, поскольку ее пропускная способность должна удовлетворять запросы каждого процессора, даже если они поступают одновременно.
Плюсы:
1. Универсальность модели параллельного ПО, не требующей какого- либо дополнительного кода.
2. Невысокая цена.
3. Простота обслуживания.
Минусы:
1. Плохо масштабируется при росте числа вычислительных процессоров
2.2. Многопроцессорная система. NUMA.
NUMA (Non-Uniform Memory Access) — системы с неравномерным доступом к памяти, в которых каждый процессор имеет локальную память и при правильной привязке процессов к процессорам всегда используется
«ближняя» память (Рис. №3). Доступ же в дальнюю память, с соответствующим пенальти происходит только при коммуникации процессов.
Если привязки процессов нет, то в результате так называемой
«миграции», процесс может быть запущен на другом процессоре и работать со своими данными из дальней памяти.
