云计算与粒计算

云计算,不必细说谁都知道是什么,人们多多少少都有所耳闻。云计算是继20世纪80年代大型计算机到C/S转变之后,IT界的又一次巨变,它通过互联网将某计算任务分布到大量的计算机上,并可配置共享计算的资源池,且共享软件资源和信息可以按需提供给用户的一种技术。云计算真正作为一个新兴技术得到IT界认可是在2007年左右,经过这十年的普及和发展,云计算早已走进千万个数据中心,成为IT世界里炙手可热的技术门类,并可以在未来的一段时间内继续获得长足发展。云计算固然好,但也有不少的缺陷和使用限制,这样才出现了雾计算、霾计算等技术,这些技术都是针对云计算做的很好的补充,满足多样化的市场应用需求。本文也介绍一个新技术,就是粒计算,粒计算同样是和云计算有着千丝万缕的联系。

其实,粒计算比云计算的概念出现得还早。在1997年时,美国一大学教授首次在论文中提出了粒计算,这标志着涉及多学科的一个应用研究领域产生。此后,国外诸多学者对它进行了研究,提出了许多有关粒计算的理论、方法和模型,现已成为研究模糊的、不精确的、不完整的及海量信息处理的重要工具。粒计算是一个含义广泛的术语,覆盖了所有有关粒的理论、方法学、技术和工具的研究,并认为粒计算是模糊信息粒化、Rough集理论和区间计算的超集,是粒数学的子集。粒计算是在问题求解中使用粒子,构建信息粒化,将一类对象基于不可分辨关系、相似性等特征划分为一系列粒。粒计算模型分为两大类:一类以处理不确定性为主要目标,如以模糊处理为基础的计算模型,以粗糙集为基础的模型,侧重于计算对象的不确定性处理。模糊概念是粒计算的主要组成部分;另一类则以多粒度计算为目标,如商空间理论。从不同的粒度上分层次地处理它们,降低处理复杂问题的复杂性。信息粒广泛存在于现实世界中,是对现实的抽象。

粒计算虽然诞生得早,并没有云计算发展得快,只是到最近才火了起来,这来源于人工智能和大数据技术的热宠。在这两个方面进行粒计算,意义不同凡响。人工智能和大数据的诞生,是因为人们试图从人类思维和生物界的一些规律中得到启发,创建相应的计算模型,应用到信息科学中去,而粒计算则在更高层次上模拟了人类的思维规律。当人工智能掌握“粒计算”,就会像显微镜一样,能分析海量信息,这将对科学界和人类社会都产生深远影响。当大数据遇到了粒计算,可以对大数据所表示的领域信息进行粒度分析,确定可能的粒度层次数目、各层次上信息粒的语义以及根据领域知识能够断言的信息粒之间的相关关系,这些粒度分析结果及其质量可直接影响后续的大数据处理的准确性和效率。目前,大数据开源平台的蓬勃发展,适用于不同应用场合的系统层出不穷,针对具体数据选择适合的多粒度建模,实现对特定粒计算模型的支持,可以更好地进行海量数据分析。所以,人工智能和大数据再火,也需要依仗粒计算等这些新技术来实现,否则就是空中楼阁,没有任何现实意义。海量的数据中大量都是不确定的,模糊的,这给粒计算提供了广阔的发展空间。

不仅在大数据、人工智能这些领域,在云计算里,粒计算同样受欢迎。云计算是一种计算资源,集合了海量的数据处理,与大数据、人工智能都有着紧密联系,而粒计算正是处理海量数据,尤其是不确定性数据的好手。云计算可以根据用户需求通过网络对松散耦合的粗细粒度应用组件进行分布式部署、组合和使用,形成多粒度或者可变粒度的服务。云计算的技术底层架构中,分布式操作系统也支撑软件的多粒度和可变粒度。由于云计算本身的通用性特点,在“云”的支撑下可以构造出千变万化的应用,同一个“云”可以同时支撑不同的应用运行,这都需要对海量的不确定数据进行计算处理,这时就需要粒计算。云计算提供的服务也是个性化的,是多粒度和可变粒度的,提供的是细粒度服务。在云计算中,为了保证计算和存储等操作的完整性,在实现上要考虑很多大规模分布式计算机集群进行海量数据处理时容错处理问题,在出现部分失效的情况下计算任务仍然能够正确执行,这时粒计算就会发挥作用。粒计算本身就可以处理大量具有不确定性的数据,当海量数据中掺杂着无用甚至是错误的数据,在粒计算的处理下,依然能够得到最佳的正确结果,粒计算本身就具有容错性。粒计算还可以将计算任务更加优化地分解和并行执行,对于每个未完成子任务,粒计算都会启动一个备份子任务同时执行,无论初始任务还是备份子任务处理完成,该子任务都会立即被标记为完成状态,通过备份任务机制可以有效避免因个别节点处理速度过慢而延误整个任务的处理速度,粒计算可以在云计算中大展手脚。

云计算是一种新型的超级计算方式,以数据为中心,是一种数据密集型的超级计算,对海量数据处理操作非常频繁的,需要新的算法适应,这时粒计算应运而生,将会更好地完成海量数据处理任务。粒计算是云计算的最佳拍档,随着云计算要处理的数据量越来越庞大,大量无用甚至错误的数据影响到了云计算的处理效率和结果,引入粒计算后,可以有效提升云计算的计算效率,充分地发挥出云计算的优势。

原文发布于微信公众号 - 云计算D1net(D1Net02)

原文发表时间:2017-11-08

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏PPV课数据科学社区

“数据说谎”常见的3类形态

日常生活工作中,处处都会与数据打交道,但你知道数据是会“说谎”的,即你看到的数据结果并不是事实。本文介绍一些常见的说谎场景以及如何避免。 第一种图表欺骗 图表通...

29550
来自专栏大数据文摘

5类系统推荐算法,告诉你用户需要什么

39870
来自专栏目标检测和深度学习

EasyPR--中文车牌识别系统 开发详解(开源)

一个开源的中文车牌识别系统, Git地址为:https://github.com/liuruoze/EasyPR。   我给它取的名字为EasyPR,也就是Ea...

97580
来自专栏目标检测和深度学习

EasyPR--中文车牌识别系统 开发详解(开源)

61510
来自专栏ATYUN订阅号

【业界】MIT新研发的芯片将神经网络功耗降低95%

近日,麻省理工学院(MIT)的工程师们设计了一种芯片,这种芯片能将神经网络计算的速度提高3到7倍,同时还能将耗电量降低94-95%。这大大减少了在芯片存储器和处...

29260
来自专栏星回的实验室

推荐系统初探

最近因为公司业务上的需求,开始探坑推荐系统。这个乍一听去乐趣无穷的课题,对于算法大神们来说是这样的:

26440
来自专栏华章科技

独家 | 一文读懂推荐系统知识体系(附学习资料)

推荐系统就是根据用户的历史行为、社交关系、兴趣点、所处上下文环境等信息去判断用户当前需要或感兴趣的物品/服务的一类应用。

59260
来自专栏人工智能头条

DeepText:Facebook的文本解析引擎

24820
来自专栏大数据文摘

数据也会说谎:常见的数据造假三种形态!

214100
来自专栏iOSDevLog

《 Python 机器学习基础教程》总结

学完了本书介绍的所有强大的方法,你现在可能很想马上行动,开始用你最喜欢的算法来解决数据相关的问题。但这通常并不是开始分析的好方法。机器学习算法通常只是更大的数据...

14870

扫码关注云+社区

领取腾讯云代金券