ИППИ РАН, [email protected]
Создание отказоустойчивого проекта добровольных распределенных вычислений
Рассматривается подход по созданию вычислительного приложения для научных расчетов и разворачиванию проекта распределенных вычислений на основе грид-системы без использования собственной вычислительной инфраструктуры. На базе платформы BOINC развернуто около 100 проектов добровольных распределенных вычислений, к которым подключены около 16 миллионов устройств по всему миру. Суммарная вычислительная мощность компьютеров добровольцев превосходит вычислительную мощность современных суперкомпьютеров. При разворачивании и сопровождении проекта добровольных распределенных вычислений важнейшими аспектами являются масштабирование и отказоустойчивость серверной части проекта. Предлагается на основе существующей платформы BOINC развернуть проект распределенных вычислений с повышенными требованиями к отказоустойчивости.
Разработка системы балансировки нагрузки для зонтичного проекта распределенных вычислений
В рамках распределенных вычислений, представляющих собой способ решения трудоемких вычислительных задач с использованием компьютеров, объединенных в вычислительную систему, особый интерес представляют добровольные вычисления. Это распределенные вычисления с использованием добровольно предоставленных вычислительных ресурсов. В качестве платформы организации проектов распределенных вычислений предлагается BOINC, как самая распространенная платформа для добровольных распределенных вычислений. Организация зонтичного проекта распределенных вычислений дает возможность одновременно проводить ряд небольших численных экспериментов. Под зонтичным проектом подразумевается проект, в котором есть несколько независимых вычислительных приложений. В качестве примера действующего зонтичного проекта добровольных распределенных вычислений предлагается проект World Community Grid медицинской тематики, который поддерживает корпорация IBM. Для такого типа проектов распределенных вычислений особую роль играет скорость получения результата и эффективное использование имеющихся распределенных ресурсов. Одним из способов повышения эффективности работы грид-систем является разработка и настройка системы балансировки нагрузки.
Реализация сервиса для обучения глубоких нейронных сетей на облачной платформе
Методы машинного обучения нашли широкое применение в области детектирования и классификации и сегментации объектов, при этом наибольшей популярностью обладают методы, основанные на глубоких нейронных сетях. Под глубокой нейронной сетью понимается нейронная сеть, обладающая таким количеством слоев, при котором традиционные методы обучения перестают быть эффективными. Для обучения подобных сетей разработан ряд методов, например, использование особых активационных функций, оптимизационных методов, создание дополнительных связей между группами слоев, позволяющих избегать затухания ошибки. В задачах, требующих работы с изображениями, и в частности в задачах классификации изображений, детектирования и классификации объектов на изображении, сегментации, широкое применение нашли сверточные нейронные сети.Предлагается интегрировать инструмент по обучению глубокой нейронной сети в облачную платформу Everest как сервис. Предполагается, что к сервису по обучению глубокой нейронной сети будут подключены гетерогенные вычислительные ресурсы. Обучение глубокой нейронной сети производится на грид-системе (распределенной гетерогенной вычислительной системе).
Разработка методики разворачивания зонтичного проекта распределенных вычислений для обучения студентов основам распределенных вычислений