Huge number of data series can be c

Huge number of data series can be collected from HPC
system virtual and physical sensors creating big amount of
data and complexity of the analysis. The compute nodes of the
HPC system analysed are grouped into three different queues:
serial, parallel and test. The majority of servers were
associated to the parallel queue to run jobs in parallel. The test
queue with only one compute node works similar with the
servers of the serial queue. By clusterization of variables
representing variable can be selected for each cluster. By
definition the clusters should have strongly correlated
elements. The method proposed for calculating and
characterizing the intra-cluster correlation among the elements
can be used for characterizing the inter-cluster correlation, as
well. It was found that the clusterization method presented in
this paper gives strong correlation inside the clusters and weak
correlation among the representing variables. This method
reduces the number of variables necessary to be sampled from
20 to 8 (one variable per each cluster), meaning decreasing by
60% of the management data collected from the sensors of a
HPC system.

ผลลัพธ์ (ไทย) 1:

จำนวนชุดข้อมูลขนาดใหญ่สามารถรวบรวมจาก HPCระบบทางกายภาพ และเสมือนเซนเซอร์ขนาดใหญ่จำนวนสร้างข้อมูลและความซับซ้อนของการวิเคราะห์ คำนวณโหนดของการระบบ HPC analysed แบ่งคิวสามแตกต่างกัน:อนุกรม แบบขนาน และทดสอบ ส่วนใหญ่ของเซิร์ฟเวอร์ได้เกี่ยวข้องกับคิวพร้อมทำงานควบคู่กัน การทดสอบคิวกับโหนเดียวคำนวณการทำงานคล้ายกับการเซิร์ฟเวอร์ของคิวประจำ โดย clusterization ตัวแปรแสดงถึงตัวแปรที่เลือกในแต่ละคลัสเตอร์ โดยคำจำกัดความคลัสเตอร์ควรมี correlated อย่างยิ่งองค์ประกอบ วิธีการนำเสนอสำหรับการคำนวณ และกำหนดลักษณะของความสัมพันธ์คลัสเตอร์ภายในระหว่างองค์ประกอบใช้สำหรับกำหนดลักษณะของความสัมพันธ์คลัสเตอร์ระหว่าง เป็นดี พบว่า วิธี clusterization นำเสนอในกระดาษนี้ให้ความสัมพันธ์แข็งแกร่งภายในคลัสเตอร์และอ่อนแอความสัมพันธ์ระหว่างตัวแปรแทน วิธีการนี้ลดจำนวนตัวแปรที่จำเป็นต้องมีตัวอย่างจาก20 8 (หนึ่งตัวแปรต่อคลัสเตอร์แต่ละ), หมายถึง ลดลงด้วย60% ของการจัดการข้อมูลที่เก็บรวบรวมจากเซนเซอร์ของตัวระบบ HPC

ผลลัพธ์ (ไทย) 2:

จำนวนมากของชุดข้อมูลที่สามารถเรียกเก็บจาก HPC
ระบบเซ็นเซอร์ทางกายภาพและเสมือนการสร้างจำนวนมากของ
ข้อมูลและความซับซ้อนของการวิเคราะห์ โหนดประมวลผลของ
ระบบ HPC วิเคราะห์ถูกแบ่งออกเป็นสามคิวแตกต่างกัน:
อนุกรมขนานและการทดสอบ ส่วนใหญ่ของเซิร์ฟเวอร์ที่ถูก
เชื่อมโยงไปยังคิวขนานไปกับการเรียกใช้งานในแบบคู่ขนาน ทดสอบ
คิวมีเพียงหนึ่งคำนวณโหนดทำงานคล้ายกับ
เซิร์ฟเวอร์ของคิวอนุกรม โดย clusterization ของตัวแปร
ที่เป็นตัวแทนของตัวแปรสามารถเลือกได้สำหรับแต่ละกลุ่ม โดย
นิยามกลุ่มควรมีความสัมพันธ์อย่างมาก
องค์ประกอบ วิธีการที่นำเสนอสำหรับการคำนวณและ
พัฒนาการความสัมพันธ์ของคลัสเตอร์ intra ระหว่างองค์ประกอบ
สามารถใช้สำหรับการพัฒนาการความสัมพันธ์ระหว่างกลุ่มเป็น
อย่างดี พบว่าวิธีการ clusterization นำเสนอใน
บทความนี้จะช่วยให้ความสัมพันธ์ที่แข็งแกร่งภายในกลุ่มและอ่อนแอ
ความสัมพันธ์ระหว่างตัวแปรที่เป็นตัวแทนของ วิธีการนี้
จะช่วยลดจำนวนของตัวแปรที่จำเป็นที่จะต้องเก็บตัวอย่างจาก
20 ถึง 8 (หนึ่งตัวแปรต่อแต่ละคลัสเตอร์) ความหมายลดลง
60% ของการจัดการข้อมูลที่เก็บรวบรวมได้จากเซ็นเซอร์ของ
ระบบ HPC

ผลลัพธ์ (ไทย) 3:

ตัวเลขขนาดใหญ่ของชุดข้อมูลสามารถเก็บรวบรวมได้จาก HPC
ระบบทางกายภาพและเสมือนเซ็นเซอร์สร้างปริมาณขนาดใหญ่ของ
ข้อมูลและความซับซ้อนของการวิเคราะห์ คำนวณจุดของระบบวิเคราะห์
HPC จะถูกจัดกลุ่มเป็น 3 คิวที่แตกต่างกัน :
อนุกรม , ขนานและแบบทดสอบ ส่วนใหญ่ของเซิร์ฟเวอร์ถูก
เกี่ยวข้องกับคิววิ่งงานแบบขนาน ทดสอบ
คิว มีเพียงหนึ่งคอมพิวเตอร์โหนดทำงานเหมือนกันกับ
เซิร์ฟเวอร์ของหมายเลขคิว โดย clusterization ตัวแปร
แทนตัวแปรสามารถเลือกสำหรับแต่ละกลุ่ม โดย
นิยามกลุ่มควรมีความสัมพันธ์อย่างยิ่ง
องค์ประกอบ วิธีที่ใช้นี้สำหรับการคำนวณและ
ลักษณะความสัมพันธ์ระหว่างองค์ประกอบ
ภายในกลุ่มสามารถใช้แสดงความสัมพันธ์ระหว่างกลุ่ม เช่น
ดี พบว่าวิธีที่เสนอใน clusterization
กระดาษนี้จะช่วยให้ความสัมพันธ์ภายในกลุ่มและความสัมพันธ์ที่อ่อนแอ
ระหว่างแทนตัวแปร วิธีนี้
ลดจำนวนตัวแปรที่จำเป็นที่จะเก็บตัวอย่างจาก
20 8 ( หนึ่งตัวแปรในแต่ละกลุ่ม ) 3
, ความหมาย60% ของการจัดการข้อมูลจากเซ็นเซอร์ของระบบ HPC
.