مقاله با ترجمه: تحلیل سیگنال لرزه مقیاس بزرگ با hadoopـ (۲۰۱۴)

چکیده

در لرزه شناسی، شکل موج cross correlation برای نمایش کانون زمین لرزه و برای ردیاب های حساس به مدت مدیدی مورد استفاده قرار می گرفت. به دلیل اینکه منحنی های لرزه نگار قرین (مرتبط) معمولاً تنها در فواصل جداسازی کانون زمین لرزه یافت شده اند، ردیاب های قرین از قدیم برای نورافکنی مورد استفاده قرار گرفته اند. اما، مناطق بسیاری کشف شده اند که برای تولید تعداد زیادی منحنی لرزه نگاری همبسته (قرین) مناسب هستند، و رشد قابل توجهی در ایجاد خطوط لوله نسل بعد که از همبستگی به عنوان بخش هسته ای عملیات استفاده می کند، یافته است. در تلاشی برای درک بهتر توزیع و رفتار زمین لرزه های مرتبط، ما پایگاه داده ی جهانی ای را مرتبط (cross correlate) کرده ایم که از بیش از ۰۰ میلیون منحنی لرزه نگاری تشکیل شده است. این مورد با استفاده از کلاستر توزیع شده ی مرسوم انجام شد، و برای اجرا به ۴۲ روز نیاز داشت. در پیش بینی پردازش پایگاه داده های بسیار بزرگتر، ما مجدداً سیستم را برای اجرا بعنوان یک سری کارهای کاهش نقشه روی کلاستر هادوپ طراحی کرده ایم. در انجام این کار ما در مجموعه داده ای تست به افزایش ۱۹ عملکرد دست یافته ایم. ما دریافته ایم که برای رسیدن به ماکسیمم افزایش عملکرد، به تغییرات الگوریتمی اصلی نیاز داریم. درحالیکه در پیاده سازی دامنه ورودی-خروجی، ما برای به حداقل رساندن IO راه طولانی ای را طی می کنیم، که در آن IO کم ارزش است، ما می توانستیم با انجام یک سری تغییرات کاملاً تفکیک شده در داده ها، تقارن الگوریتم هایمان افزایش دهیم. هر یک از این کارهای کاهش نگاشت (نقشه) مستلزم مقادیر زیادی خواندن و نوشتن داده ها بود. اما، به دلیل اینکه IO بسیار سریع است، و همچنین به دلیل محاسبات کاملاض مجزا می توانند توسط نقشه نگارها بسیار سریع مدیریت شوند، حاصل نهایی عملکرد بسیار جامعی بود.

…………………………………………………..

………………………………………………………………

دانلود مقاله انگلیسی (فایل pdf) همراه با ترجمه فارسی (فایل word)