Грант РФФИ No. 20-07-00140-а  (2020–2022 гг.)
Разработка высокомасштабируемых методов и алгоритмов интеллектуального анализа сверхбольших временных рядов на вычислительных кластерах с многоядерными ускорителями

 
Аннотация
 
Участники
 
Публикации
 
Апробация
 
Отчеты
 
Диссертации

► Участники проекта

Руководитель проекта: Цымблер Михаил Леонидович (mzym@susu.ru)

Основные исполнители проекта:

► Аннотация проекта

В настоящее время задачи интеллектуального анализа временных рядов возникают в широком спектре предметных областей. Одним из наиболее актуальных классов задач являются приложения Четвертой промышленной революции и Интернета вещей, где датчики киберфизических систем, обеспечивающих умное управление и предиктивное обслуживание сложных машин и механизмов, имеют высокую дискретность снятия показаний (десятки-сотни раз в секунду). В указанных приложениях типичными являются продуцируемые за короткое время сверхбольшие временные ряды, состоящие из сотен миллиардов элементов, которые не могут быть размещены в оперативной памяти и эффективно обработаны с помощью обычных компьютеров.

Целью проекта является разработка и исследование методов и алгоритмов, позволяющих эффективно использовать высокопроизводительные вычислительные кластеры с многоядерными ускорителями для хранения и интеллектуального анализа сверхбольших временных рядов. В рамках проекта предполагается решить следующие основные задачи:

  1. Разработать новые параллельные алгоритмы и методы интеллектуального анализа распределенных временных рядов, обеспечивающие высокую масштабируемость на вычислительных кластерах с узлами на базе многоядерных ускорителей

  2. Разработать новые методы интеграции параллельных алгоритмов интеллектуального анализа временных рядов в реляционную СУБД с открытым кодом.

  3. Выполнить вычислительные эксперименты, исследующие эффективность разработанных методов и алгоритмов на реальных и синтетических данных.

► Публикации по проекту

Основные результаты, полученные в ходе выполнения данного проекта, опубликованы в следующих работах:

2022 г.
  1. Цымблер М.Л., Полуянов А.Н., Краева Я.А. Параллельный алгоритм восстановления сенсорных данных в режиме реального времени для многоядерного процессора. Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2022. Т. 11, № 3. С. 68–89. PDF] DOI: 10.14529/cmse220305] РИНЦ]
  2. Гоглачев А.И., Цымблер М.Л. Применение параллельных вычислений для аннотирования сенсорных данных. Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2022. Т. 11, № 2. С. 30–42. PDF] DOI: 10.14529/cmse220203] РИНЦ]
  3. Dolganina N., Ivanova E., Bilenko R., Rekachinsky A. HPC Resources of South Ural State University. Parallel Computational Technologies. PCT 2022. Communications in Computer and Information Science. 2022. Sokolinsky L., Zymbler M. (eds). Vol 1618. Springer, Cham. DOI: 10.1007/978-3-031-11623-0_4]
  4. Zymbler M., Goglachev A. Fast Summarization of Long Time Series with Graphics Processor. Mathematics. 2022. Vol. 10, No. 10. Article 1781. PDF] DOI: 10.3390/math10101781] WOS:000801317400001] Scopus]
  5. Биленко Р.В., Долганина Н.Ю., Иванова Е.В., Рекачинский А.И. Высокопроизводительные вычислительные ресурсы Южно-Уральского государственного университета. Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2022. Т. 11, № 1. С. 15–30. PDF] DOI: 10.14529/cmse220102] РИНЦ]
  6. Цымблер М.Л., Полуянов А.Н. Параллельный алгоритм восстановления пропущенных значений потокового временного ряда в режиме реального времени . Параллельные вычислительные технологии – XVI международная конференция, ПаВТ'2022, г. Дубна, 29–31 марта 2022 г. Короткие статьи и описания плакатов. Челябинск: Издательский центр ЮУрГУ, 2022. С. 128–140. PDF] DOI: 10.14529/pct2022] РИНЦ]
  7. Цымблер М.Л., Гоглачев А.И. Применение параллельных вычислений для аннотирования сенсорных данных. Параллельные вычислительные технологии – XVI международная конференция, ПаВТ'2022, г. Дубна, 29–31 марта 2022 г. Короткие статьи и описания плакатов. Челябинск: Издательский центр ЮУрГУ, 2022. С. 141–148. PDF] DOI: 10.14529/pct2022] РИНЦ]
2021 г.
  1. Цымблер М.Л., Гоглачев А.И. Поиск типичных подпоследовательностей временного ряда на графическом процессоре. Вычислительные методы и программирование. 2021. Т. 22, № 4. С. 344–359. PDF] DOI: 10.26089/NumMet.v22r423] РИНЦ]
  2. Цымблер М.Л., Полонский В.А., Юртин А.А. Об одном методе восстановления пропущенных значений потокового временного ряда в режиме реального времени. Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2021. Т. 10, № 4. С. 5–25. PDF] DOI: 10.14529/cmse210401] РИНЦ]
  3. Иванова Е.В., Цымблер М.Л. Внедрение концепции матричного профиля в реляционную СУБД для интеллектуального анализа временных рядов. Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2021. Т. 10, № 3. С. 72–87. PDF] DOI: 10.14529/cmse210305] РИНЦ]
  4. Цымблер М.Л., Краева Я.А., Латыпова Е.А., Иванова Е.В., Шнайдер Д.А., Басалаев А.А. Очистка сенсорных данных в интеллектуальных системах управления отоплением зданий. Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2021. Т. 10, № 3. С. 16–36. PDF] DOI: 10.14529/cmse210302] РИНЦ]
  5. Zymbler M., Ivanova E. Matrix Profile-Based Approach to Industrial Sensor Data Analysis Inside RDBMS. Mathematics. 2021. Vol. 9, No. 17. Article 2146. PDF] DOI: 10.3390/math9172146] WOS:000694382500001] Scopus]
  6. Zymbler M., Grents A., Kraeva Ya., Kumar S. A Parallel Approach to Discords Discovery in Massive Time Series Data. Computers, Materials & Continua. 2021. Vol. 66, No. 2. P. 1867–1876. PDF] DOI: 10.32604/cmc.2020.014232] WOS:000594856200001] Scopus]
2020 г.
  1. Ivanov S., Nikolskaya N., Radchenko G., Sokolinsky L., Zymbler M. Digital Twin of City: Concept Overview. Proceedings of 2020 Global Smart Industry Conference, GloSIC 2020, Chelyabinsk, Russia, November 17–19, 2020. P. 178–186. PDF] DOI: 10.1109/GloSIC50886.2020.9267879] WOS:000646231600029] Scopus]
  2. Иванова Е.В., Цымблер М.Л. Обзор современных систем обработки временных рядов. Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2020. Т. 9, № 4. С. 79–97. PDF] DOI: 10.14529/cmse200406] РИНЦ]
  3. Иванов С.А., Никольская К.Ю., Радченко Г.И., Соколинский Л.Б., Цымблер М.Л. Концепция построения цифрового двойника города. Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2020. Т. 9, № 4. С. 5–23. PDF] DOI: 10.14529/cmse200401] РИНЦ]
  4. Цымблер М.Л., Краева Я.А. Параллельный алгоритм поиска лейтмотивов временного ряда для графического процессора. Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2020. Т. 9, № 3. С. 17–34. PDF] DOI: 10.14529/cmse200302] РИНЦ]

► Апробация проекта

Основные результаты, полученные в ходе выполнения данного проекта, докладывались на следующих научных конференциях, семинарах и совещаниях:

2022 г.
  1. Международная научная конференция DAMDID/RCDL’2022: XXIV International Conference on Data Analytics and Management in Data Intensive Domains (5–7 October 2022, St. Petersburg, Russia) М.Л. Цымблер (пленарный доклад). Time series analytics: acceleration with parallel algorithms PDF]
  2. Международная научная конференция «Параллельные вычислительные технологии 2022» (29–31 марта 2022 г., Дубна) Я.А. Краева (секционный доклад). Поиск аномалий временного ряда на графическом процессоре PDF]
  3. Международная научная конференция «Параллельные вычислительные технологии 2022» (29–31 марта 2022 г., Дубна), А.И. Гоглачев (секционный доклад). Применение параллельных вычислений для аннотирования сенсорных данных PDF]
  4. Международная научная конференция «Параллельные вычислительные технологии 2022» (29–31 марта 2022 г., Дубна), А.Н. Полуянов (секционный доклад). Параллельный алгоритм восстановления пропущенных значений потокового временного ряда в режиме реального времени PDF]  
2021 г.
  1. Международная научная конференция «Параллельные вычислительные технологии 2021» (30 марта – 1 апреля 2021 г., Волгоград), Я.А. Краева (секционный доклад). Обнаружение аномалий в больших временных рядах на основе совместного использования нейронных сетей и параллельных алгоритмов PDF]   
2020 г.
  1. Международная научная конференция Global Smart Industry Conference, GloSIC 2020 (Chelyabinsk, Russia, November 17–19, 2020), М.Л. Цымблер (секционный доклад). Digital Twin of City: Concept Overview PDF]
  2. Международная научная конференция Global Smart Industry Conference, GloSIC 2020 (Chelyabinsk, Russia, November 17–19, 2020), Я.А. Краева (секционный доклад). Cleaning Sensor Data in Smart Heating Control System PDF]
  3. Международная научная конференция «Параллельные вычислительные технологии 2020» (31 марта – 2 апреля 2020 г., Пермь), Я.А. Краева (секционный доклад). Параллельный алгоритм поиска лейтмотивов временного ряда для графического процессора PDF]  
  4.  Международная научная конференция «Параллельные вычислительные технологии 2020» (31 марта – 2 апреля 2020 г., Пермь), А.В. Гренц (секционный доклад). Поиск аномалий в сверхбольших временных рядах на высокопроизводительном кластере с многоядерными ускорителями PDF]

► Диссертации, выполненные в рамках проекта

По теме данного проекта выполнена следующая диссертация:

 

► Научные отчеты по проект

Текст
 
Изменено: 04.07.2023

Copyright © Кафедра системного программирования ЮУрГУ
Дизайн М.Л. Цымблер