Large-Scale Visualization of Sparse Matrices
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21240%2F14%3A00217664" target="_blank" >RIV/68407700:21240/14:00217664 - isvavai.cz</a>
Výsledek na webu
<a href="http://www.scpe.org/index.php/scpe/article/view/963" target="_blank" >http://www.scpe.org/index.php/scpe/article/view/963</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.12694/scpe.v15i1.963" target="_blank" >10.12694/scpe.v15i1.963</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Large-Scale Visualization of Sparse Matrices
Popis výsledku v původním jazyce
An efficient algorithm for parallel acquisition of visualization data for large sparse matrices is presented and evaluated both analytically and empirically. The algorithm was designed to be application-independent, i.e., it works with any matrix-processors mapping and with any sparse storage format/scheme. The empirical scalability study of the algorithm was carried on using multiple modern HPC systems. In our largest experiment, we utilized 262,144 processors for 73 seconds to gather and store to a file the visualization data for a matrix with 1.17x10^13 nonzero elements. Using the proposed algorithm, one can thus visualize large sparse matrices with a minimal runtime overhead imposed on executed HPC codes.
Název v anglickém jazyce
Large-Scale Visualization of Sparse Matrices
Popis výsledku anglicky
An efficient algorithm for parallel acquisition of visualization data for large sparse matrices is presented and evaluated both analytically and empirically. The algorithm was designed to be application-independent, i.e., it works with any matrix-processors mapping and with any sparse storage format/scheme. The empirical scalability study of the algorithm was carried on using multiple modern HPC systems. In our largest experiment, we utilized 262,144 processors for 73 seconds to gather and store to a file the visualization data for a matrix with 1.17x10^13 nonzero elements. Using the proposed algorithm, one can thus visualize large sparse matrices with a minimal runtime overhead imposed on executed HPC codes.
Klasifikace
Druh
J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/GAP202%2F12%2F2011" target="_blank" >GAP202/12/2011: Paralelní vstupně/výstupní algoritmy pro rozsáhlé řídké matice</a><br>
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2014
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Scalable Computing: Practice and Experience
ISSN
1895-1767
e-ISSN
—
Svazek periodika
15
Číslo periodika v rámci svazku
1
Stát vydavatele periodika
RO - Rumunsko
Počet stran výsledku
11
Strana od-do
21-31
Kód UT WoS článku
—
EID výsledku v databázi Scopus
—