Resumo: Esta dissertação discute aspectos inerentes à paralelização de aplicações seqüenciais empregados para reduzir o tempo de execução de experimentos e simulações científicas. Muitas dessas aplicações foram escritas em linguagens como FORTRAN e C, em uma época que não existia as facilidades de software e hardware como as que temos atualmente. Uma grande parcela dessas aplicações demanda um tempo de execução relativamente longo. As mais diversas áreas das ciências podem tirar vantagens da paralelização e execução de suas aplicações de interesse em um cluster de computadores, que pode ser adquirido por um custo relativamente baixo se comparado aos supercomputadores. É possível processar um volume maior de dados e executar um número maior de tarefas que, anteriormente, eram inviáveis devido ao custo computacional envolvido. Nesse contexto se insere o presente trabalho, que tem como objetivo principal a proposição e avaliação de 2 modelos de paralelização sobre os modelos MPI e HLRC, de um algoritmo seqüencial de processamento de imagem aplicado a imagens geográficas. Tal algoritmo utiliza uma convolução específica de pixels para realçar bordas e padrões de textura, permitindo analisar o índice de fragmentação de imagem. A execução da versão seqüencial em C do algoritmo de convolução sobre uma única imagem pode consumir até 25 minutos de processamento com 15 pixels em uma imagem de 8460x9530 pixels, entretanto, imagens maiores compostas por dezenas destas podem levar dias. Os modelos de paralelização propostos são baseados na metodologia PCAM. A partir dos modelos propostos, 4 versões paralelas foram implementadas, as quais foram executadas em um tempo de execução menor em aproximadamente 73,9%, 85,5%, 86% e 92,2% do que a versão seqüencial do algoritmo.
Abstract: This dissertation discuss the related issues of the parallelization of sequencial applications parallelization used to reduce the runtime of experiments and scientific simulations. Much this applications has been written on FORTRAN or C languages, in a period which has not the software and hardware facilities that we have in the present. A large slice of this applications requires a long runtime. The various ciencitifc areas can take the advantages of the parallelization and execution of this algorithms on a cluster, that can be acquired for a low cost than supercomputers. It's possible to process a larger data and execute more tasks that, previously, was impracticable in a unique execution because the computacional cost. In this context it self insert in this present work, that has the main objective the purpose and parallelization of 2 parallel models on MPI and HLRC platforms, of a image processing algorithm applied to geographic images for analysis of the fragmentation index. That algorithm uses the convolution technique to enhance the borders and texture standards allowing analyse the fragmentation index of image. The execution of sequencial version of the convolution algorithm on a unique image can takes up to 25 minutes of processing, however, a set of larger images can be take a lot days. The purposed parallel models are based on PCAM methodology. From this purposed models, 4 parallel versions were developed, that were executed in a less execution time in about 73,9%, 85,5%, 86% e 92,2% than the sequencial algorithm version. |