计算科学与工程应用的低成本分析工具：DfAnalyzer

软件X 12（2020）100592原始软件出版物DfAnalyzer：面向计算科学与工程应用的低成本分析工具Vítor Silvaa，1，Vinícius Camposa，Thaylon Guedesb，José Camatac，Daniel de Oliveirab，Alvaro L.G.A.Coutinhoa，Patrick Valduriezd，Marta MattosoaaCOPPE，巴西里约热内卢联邦大学巴西弗鲁米嫩塞联邦大学c巴西瑞滋德福拉联邦大学dInria，蒙彼利埃大学，CNRS，LIRMM，法国ar t i cl e i nf o文章历史记录：收到2019年收到修订版2020年7月9日接受2020年保留字：计算科学与工程（CSE）数据流来源数据分析a b st ra ctDfAnalyzer是一个用于监控、调试和分析计算科学与工程（CSE）应用程序生成的故障的工具。它收集战略原始数据，登记来源数据，以及启用查询处理，所有这些都是异步和在运行时进行的。DfAnalyzer提供了轻量级的可移植组件，供CSE应用程序使用高性能计算（HPC）调用，与计算科学家插入HPC的方式相同（例如，PETSc）和可视化（例如，ParaView）库。我们展示了DfAnalyzer的主要功能以及如何分析CSE应用程序中的故障在运行时。一个复杂的多物理场应用程序的CSE执行的性能评估表明，DfAnalyzer的总运行时间的时间开销可以忽略不计©2020作者由爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）中找到。代码元数据当前代码版本1.0永久链接到代码/存储库使用的此代码版本https://github.com/ElsevierSoftwareX/SOFTX_2019_102法律代码许可证MIT许可证（MIT）使用Git的代码版本控制系统使用Java、Spring Boot、Apache Maven的软件代码语言、工具和服务编译要求、操作环境依赖性Java开发工具包（JDK）、MonetDB、FastBit如果可用开发人员文档/手册链接https://gitlab.com/ssvitor/dataflow_analyzer问题支持电子邮件marta@cos.ufrj.br软件元数据当前软件版本1.0到该版本可执行文件的永久链接https://gitlab.com/ssvitor/dataflow_analyzer/tree/master/applications/dfanalyzer/dfa法律软件许可证MIT许可证（MIT）计算平台/操作系统Unix系统安装要求依赖性Java开发工具包（JDK），MonetDB，FastBit如果可用，请链接到用户手册-如果正式出版，请在参考列表中引用该出版物https://gitlab.com/ssvitor/dataflow_analyzer问题支持电子邮件marta@cos.ufrj.br1. 动机和意义*通讯作者。电子邮件地址：silva@cos.ufrj.br（V. Silva），vinicius.s. poli.ufrj.br（V.Campos），thaylongs@id.uff.br（T.Guedes），camata@ice.ufjf.br（J.Camata），danielcmo@ic.uff.br（D.de Oliveira），alvaro@nacad.ufrj.br（A.L.G.A.Coutinho），帕特里克inria.fr。Valduriez），marta@cos.ufrj.br（M.Mattoso）。1 现在在Snap Inc.，USA.https://doi.org/10.1016/j.softx.2020.100592计算科学与工程（CSE）应用程序依赖于复杂的数学模型，这些模型通常需要高性能计算（HPC）来解决问题。它们可以在生物学、化学、地质学、几个工程领域等中找到。它们具有科学应用的探索性，2352-7110/©2020作者。 由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表SoftwareX期刊主页：www.elsevier.com/locate/softx诉Silva，V.Campos，T.Guedes等人软件X 12（2020）1005922即使使用HPC，也可以持续很长时间的大规模执行。开发这些应用程序的软件生态系统所涉及的不仅仅是编写脚本或调用一系列遗留的科学代码。计算科学家开发调用CSE框架和库组件的模拟代码。例如，调用组件以提供：(i) 支 持 libMesh 、 FeNiCS 、 MOOSE 、 deal.II 、 GREENS 、OpenFOAM 等库中的偏微分方程（PDE）离散化方法;（ii）在PETSc、LAPACK、SLEPc等库中使用并行计算解决数值问题的算法;（iii）运行时可视化，如ParaView Catalyst、VisIt、SENSEI;（iv）并行图分区，如ParMetis 、 Scotch;以及（ v ）I/O 数据管理，如ADIOS。要从这些框架调用库组件，必须设置几个参数。通常，这些参数很难预设，因此需要监控和调试能力来进行运行时微调。计算科学家经常使用原位可视化技术来提供信息，以帮助控制模拟[2]。通过观察特定的模式，有经验的解释器可以推断出模拟中的某些事情不顺利，决定停止它或更改参数，最好是在运行时，恢复或调整模拟。然而，要做到这一点，可视化应该补充有关感兴趣的量（QoI）的演变信息，如残差范数，线性和非线性迭代次数，通常在特定的时间窗口内，而不仅仅是当前值。为了获得该信息，即使是有经验的解释器也难以识别与时间窗口相关的文件，打开并解析它们以获得特定值，过滤，聚合并跟踪它们的演变。DfAnalyzer解决了在大规模并行CSE应用程序中通过将原位可视化数据与原始数据捕获集成来生成用于运行时分析的其中一个挑战是跟踪数据演变，因为原始数据文件是分布式的，并且在其文件内容中具有隐式数据关系。DfAnalyzer将这些数据关系识别为一个数据流[3]。该流程是由执行数据转换的CSE应用程序的组成所产生的数据的表示每个数据转换消耗来自一个（或多个）数据集的数据作为输入，并产生一个（或多个）数据集中的数据作为输出。每个数据集由一组数据元素组成。当数据元素由一个数据转换产生并由另一个数据转换消耗时，两个数据转换可以呈现与数据集相关的数据依赖性。另一个挑战是保持CSE执行控制代码的自主性并且不与被分配用于运行CSE应用的资源竞争。主要的性能挑战与捕获适合于运行时分析的数据有关这种数据捕获必须解决数据建模，表示，加载，存储，监控和转向，同时避免复制文件内容并保持HDF5或其他格式的二进制文件的自主性。DfAnalyzer是一个轻量级工具，用于运行时收集、管理、监视和分析HPC环境中CSE应用程序生成的分布式起源数据。它使用来源数据[4]来帮助注册参数选择并将它们与中间数据和结果相关联。出处支持CSE应用程序的可追溯性和可再现性，并改善运行时的数据分析和适应性[5]。DfAnalyzer的主要贡献是提供了可忽略不计的低成本提取[6]，作为基于W3C PROV标准证明数据表示的具有生成跟踪的QoI集成视图。DfAnalyzer遵循符合PROV的数据模型，用于表示由计算模型操纵的数据集之间的关系，科学应用领域。DfAnalyzer通过提取和关联原始数据（例如，QoI）。它使用原位和在途原始数据提取方法访问与这些文件相关的战略领域数据。它将与提取的原始数据相关联的CSE源存储在一个列式数据库中，该列式数据库在应用程序执行时充当CSE应用程序原始数据的全局映射该图允许监视查询，例如到目前为止在所有迭代中计算的平均误差估计是多少。使用DfAnalyzer的用户操纵操作在[7]中讨论，其中使用libMesh [8]构建了流体动力学应用程序，在Python脚本[9]中使用FEnICS [10]，在[3]中使用Spark在简单的业务应用程序中。DfAnalyzer使用以下方法[9]。最初，用户（CSE应用程序开发人员）与数据库专家进行交互，以帮助对应该提取的原始数据进行建模。用户标识要跟踪的数据项以及它们如何沿着CSE代码内的沿袭与其他数据相关。数据库专家使用W3C PROV活动和具有原始数据项、QoI和参数扩展的实体对数据转换链进行建模。然后将该数据建模的结果映射到来源数据库。用户参与数据建模可以节省大量的数据分析时间，并有助于查询公式化。用户选择性地仅选择要配准的感兴趣的应用数据，从而提供粗粒度的相关起源数据和所选择的原始数据。然后，将DfAnalyzer库调用作为输入、输出、任务和输出插入CSE 应用程序中，然后是提取的数据调用。 DfAnalyzer 有一组RESTful服务（以及C++、Python和Java上的库）来帮助将调用插入CSE应用程序。被调用的组件在CSE应用程序执行期间异步捕获数据。它们将所有插入/更新请求发送到在与CSE应用程序不同的计算节点中运行的列式数据库系统。有三种主要方法可以为CSE应用程序提供运行时数据分析。与DfAnalyzer不同，它们都无法保持CSE执行控制代码的自主性，或者与为运行CSE应用程序分配的资源竞争。第一种方法是HPC工作流系统类[11]。工作流系统在运行时收集源数据，但必须控制执行流程和数据传输。这与CSE应用程序相冲突，因为它们调用典型的库来解决具有并行执行控制的数值问题，通常具有并行可视化。像noWorkflow [12]和PROV-Template [13]这样的起源数据第三种方法提供独立于CSE应用的数据分析，即，与工作流系统不同，相同的CSE代码可以在有或没有数据分析器的情况下运行。这是与DfAnalyzer最相似的方法，具有Spade [14]和ADIOS[15]等解决方案。然而，它们的数据分析有限，因为它们无助于提取 原 始 数 据 或 提 供 来 源 数 据 的 简 化 视 图 。 FastBit [16] 和PostgresRaw [17]等方法有助于从异构文件中访问和提取原始数据，但它们在后处理模式下运行，因此无法感知原始数据文件之间的隐式数据流，这是对DfAnalyzer的补充。我们知道没有其他的解决方案，在运行时的Cocklow分析。在[18]中，我们提出了主要 的 开 放 问 题用 于 探 索 性 运 行 时 科 学 数 据 分 析 方 案 。DfAnalyzer的用户导向支持通过自动向科学数据原生格式添加出处、上下文和关系，为科学发现和可解释性的过程做出贡献。诉Silva，V.Campos，T.Guedes等人软件X 12（2020）10059232. 软件描述DfAnalyzer假设CSE程序是白色或灰色的盒子，并作为数据分析工具工作，类似于代码分析器。DfA-lib是DfAnalyzer调用所调用的库。当CSE应用程序执行时，DfA-lib在应用程序的关键点提取原始数据并DfAnalyzer有一个基于组件的架构[6]，它允许注册用于原始数据提取和索引的插件。在软件工程中，插件是指组件行为或操作的扩展，以便用户可以重用这些插件，从而最大限度地减少开发CSE应用程序数据分析的工作量。2.1. 软件构架DfAnalyzer架构有三层（图1）。 1）、存储，访问其数据库和应用程序操作的文件中的原始数据;数据流，提供捕获来源和原始数据以及登记应用程序中隐含的数据流的主要组成部分;以及数据分析，它提供图形界面，以简化实时监控和查询。存储层具有包含所选原始数据的数据库以及由应用程序消耗和生成的二进制文件的ID，作为出处索引。还捕获与出处数据相关的执行数据。数据库存储从文件中提取的原始数据和对这些文件的引用，这些引用被注册为指针（例如，URI或文件路径）。数据流层有四个组件：来源数据提取器（PDE）、原始数据提取器（RDE）、原始数据索引器（RDI）和查询接口（QI）。PDE捕获出处和域数据，RDE调用ad-hoc程序从文件中提取原始数据，RDI应用索引技术来最大限度地减少DfAnalyzer数据库中的数据加载成本，并提高对科学数据的查询处理性能。QI根据用户交互将查询仪表板生成的查询请求这个查询在DfAnalyzer数据分析层用作数据流查看器（DfViewer）和查询仪表板（QD）的仪表板。QD提供与QI交互的原始数据分析，并在文本表中显示查询结果。DfViewer根据CSE应用程序的执行情况提供图形化的流程规范。此仪表板显示存储在数据库中的每一个XML规范的数据转换、数据集、属性和数据依赖关系。图中的灰色和黑色虚线箭头。1代表离线和在线操作。离线操作对应于基于包含DfAnalyzer库调用的CSE应用程序中的出处捕获和原始数据提取/索引点的CSE建模步骤。因此，这些操作发生在执行开始之前。同时，在线操作与DfAnalyzer组件在运行时执行的出处捕获、原始数据提取/索引和查询处理相关联2.2. 软件功能DfAnalyzer有两个用于原始数据提取和索引的组件，以及一个RESTful Web应用程序，用于从CSE应用程序或Web浏览器接收不同类型的HTTP请求。DfAnalyzer在RDE和RDI组件上实现插件分别用于原始数据提取和索引。此外，HTTP请求会触发RESTful服务来捕获起源数据和运行查询，这涉及DfAnalyzer的以下组件：DfViewer、QD、PDE和QI。 图 2概述了这种设计，下面的小节描述了每个组件的实现。RDE和RDI组件负责运行ad-hoc程序和第三方工具，以访问、解析、标记、提取数据源（如原始数据文件）中的相关内容，偶尔也会对这些内容进行索引。每个算法或解决方案对于原始数据的提取或索引分别实现作为RDE或RDI中的插件。RDE提供了通过调用由用户开发的ad-hoc程序访问原始数据文件的相关内容的PLAN插件，而CSV插件从CSV文件中提取数据。在CSE 应 用程 序 代码 中 ， DfA-lib调 用使 用 Df-Analyzer 的RESTful Web应用程序通过POST方法向服务控制器这些HTTP请求中有两种主体类型，具有前瞻性和回顾性证明数据[19]。具有预期出处数据的请求主体包含关于应用程序的XML结构的信息，因此，它表示到XML概念的映射[18]。相比之下，具有追溯起源数据的请求主体对应于由应用在运行时生成/提取的执行和原始数据。更具体地说，一旦服务控制器接收到来源捕获的HTTP请求，它就会转换这些请求并为每个请求创建一个服务。在这种情况下，将为出处和原始数据加载创建一个服务。然后，它在服务队列中排队，等待直到所有先前的服务都被这个处理程序处理完。为了运行分析查询，服务管理器创建了一个服务，用于使用QI组件在数据库上提交和运行查询。3. 说明性实例图3显示了用于求解Cahn-Hilliard方程的FeNiCS Python代码片段，这是一个来自材料科学的数学模型。Cahn-Hilliard方程导致瞬态非线性多物理场代码的原型。必须设置几个参数来调用这些组件，这些参数很难预先设置，并且需要监视以进行运行时微调。种源数据可以帮助记录参数选择与结果。因此，如图3（a）所示，将它们关联为一个自适应流，可以改善运行时数据分析和微调。通过在Python脚本中插入DfA-lib调用，可以提取相应的日志，如图所示。 3（b）款。DfA-lib调用（输入、输出、任务和提取的数据）将网格信息、变分模型、求解器参数（如求解器容差、迭代次数和残差范数）和可视化作为一个参数寄存器。关联这些数据允许过滤和直接访问它们。提取该查询流并将其插入DBMS中，同时用户可以使用查询来引导执行，例如“对于所有收敛步骤，显示迭代次数、相应的残差范数和输出可视化”。使用此查询结果，用户可以在运行时进行微调，非线性求解器容限，以在不损害其准确性的情况下加速模拟。在[7]中，DfAnalyzer用于一个真实的CSE应用程序中，该应用程序使用libMesh构建，用于浊流的有限元并行自适应网格细化/粗化模拟DfAnalyzer收集QoI（残差范数、线性和非线性迭代次数）;使用ParaView Catalyst提取内存中的数据，如速度、压力和泥沙浓度;收集物源数据;并将这些模拟数据与其数据库中不同文件中的数据相用户观察到中间数据，···诉Silva，V.Campos，T.Guedes等人软件X 12（2020）1005924Fig. 1. DfAnalyzer架构。图二、 设计DfAnalyzer的实 现 ， 考 虑 RE S T f u l 服 务 和 原 始 数 据 提 取 / 索 引 组 件 。不同的时间点，辅以可视化文件，以查看模拟是否已经有了所有相关的结果，恢复或需要更多的时间。如果决定继续，他们需要重置最大时间间隔，这也是诉Silva，V.Campos，T.Guedes等人软件X 12（2020）1005925图三. Cahn-Hilliard方程的有限元解与FEniCS-（a）Escherlow和（b）代码与库调用的颜色。(For对所提及的颜色在此图图例中，读者请参阅本文的网络版本注册在数据库中在此执行期间提交的查询示例包括：这是在范围[9，13.5]中由x限定的区域中的沉积物沉积;在迭代的不同阶段花费的时间是多少;显示每个时间步和每个非线性/线性迭代的残差范数及其收敛状态（表1）。基于这些监控和调试分析，用户可以放心地重置一些求解器参数，而无需中断仿真运行，从而缩短了以天为单位的运行时间。如果没有Df- Analyzer的分析器，他们可能需要查找和解析相关文件来提取、关联和分析原始数据，浪费宝贵的HPC资源。我们的GitLab仓库2文档DfAnalyzer在CSE中采用出处系统取决于它给应用程序增加了多少执行开销。在DfAna- lyzer中，这种执行开销取决于需要跟踪的模拟代码也就是说，对于每个数据转换，应该提取和注册哪些因此，增加的开销可以定义为从原始数据文件中提取/索引这些数据以及监视用户定义的所有数据的来源的时间成本之和。在大规模使用DfAnalyzer与几个真实的CSE应用程序时，增加的开销始终低于1%[7，20，21]。在小规模用例[3，9]中，在桌面上运行几分钟，此 开 销 变 为 3% ， 因 为 数 据 生 成 速 度 非 常 快 ， 并 且 无 法 从DfAnalyzer的异步数据提取中受益4. 影响极端规模应用软件的互操作性设计（IDEAS）[22]是一系列项目，涉及美国的几个机构，涉及CSE应用软件开发的复杂性。IDEAS旨在2 https://gitlab.com/ssvitor/dataflow_analyzer/-/tree/master/library网站。3 https://gitlab.com/ssvitor/dataflow_analyzer/-/tree/master/applications网站。创建和支持CSE应用程序的根本不同的态度libMesh、FEniCS和ParaView是IDEAS项目中考虑的软件。DfAnalyzer将CSE应用程序建模为活动，并将流程表示为起源数据 在W3C标准中。这个通用的标准数据模型帮助用户识别CSE流程的数据和活动，而不管应用领域如何。DfAnalyzer方法定义了用于数据分析的特定软件层，与可视化库为可视化提供特定组件的方式相同将所有数据分析支持封装在一个特定的库/组件中，如DfA-lib，使应用程序自治，并且可以始终关闭用于分析的数据提取。原始数据捕获的开销取决于要提取多少数据，但原位方法避免了数据移动，使用索引减少了此开销。DfAnalyzer有助于改进CSE应用程序的软件开发，因为开发人员不必为每个数据分析编写日志代码。可以重用相同的数据模型，并且可以使用AI工具进一步分析与所有执行相关联的数据库，以改进CSE参数设置并查找分布式数据之间的相关性DfA-lib可以补充其他层的数据系统，如I/O库，突发缓冲区和可视化工具。5. 结论将所有数据分析支持封装在一个特定的li-blog/组件中，使应用程序自治，并且可以始终关闭数据分析。这种数据分析方法有几个优点首先，仿真数据以其格式保存，而不是完全复制在DBMS中。第二，数据在生成时在不同文件之间是相关的，这在模拟结束后可能会很麻烦，就像在后处理方法中一样。第三，根据W3CPROV，注册数据生成的历史，以便通过来源进行进一步分析或复制。第四，来自面向列的关系DBMS的有效数据管理技术可以诉Silva，V.Campos，T.Guedes等人软件X 12（2020）1005926表1使用libMesh查询数值分析的结果，以检测非线性和线性求解器可能的错误行为0.0027324...3.265e−06在运行时使用。因此，DfAnalyzer提供了一个来源数据库，其中丰富了感兴趣的数量（即域数据），可以在运行时和离线时查询竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作致谢这项工作得到了法国Inria（SciDISC和HPDaSc相关团队）、巴西CAPES、巴西CNPq、巴西FAPERJ和HPC 4 E项目（EU H2020和MCTI/RNP-巴西）的部分资助。里约热内卢联邦大学的HPC中心提供了计算和存储资源。引用[1] Rüde U，Willcox K，McInnes LC，Sterck HD，Biros G，Bungartz H-J，etal. Research and education in Computational Science and Engineering.2016，CoRR. abs/1610.02608。http://arxiv.org/abs/1610.02608网站。[2] Bauer AC，Abbasi H，Ahrens J，Childs H，Geveci B，Klasky S，et al. Insitu methods ， infrastructures ， and applications on high performancecomputingplatforms.ComputGraphForum2016;35：577-97.http://dx.doi.org/10的网站。1111/cgf.12930。[3] 放大图片作者：David S，J. DfAnalyzer：使用出处对科学应用程序进行快速分析。在：国际会议上非常大的数据库. 里约热内卢，巴西; 2018.[4] Freire J，Koop D，Santos E，Silva CT.计算任务的起源： 一个调查。计算机科学工程2008;10：11-21. http://dx.doi.org/10.1109/MCSE的网站。2008.79。[5] Bernholdt D，Dubey A，Heroux M，Klinvex A，McInnes LC. 通过更好的软件实践提高可重复性。2017年。[6] SilvaV，Leite J，Camata J，Oliveira D，Coutinho ALGA，Valduriez P，等.数据密集型并行工作流执行期间的原始数据查询。FutureGener Comput Syst J2017.数据驱动研究工作流专刊。[7] Camata JJ，Silva V，Valduriez P，Mattoso M，Coutinho ALGA.浊流模拟的 现 场 可 视 化 与 数 据 分 析 。 Comput Geosci 2018;110 ： 23-31.http://dx.doi.org/10.1016/j.cageo.2017.09.013网站。[8] Kirk BS，Peterson JW，Stogner RH，Carey GF. libMesh：一个用于并行 自 适 应 网 格 细 化 / 粗 化 模 拟 的 C++ 库 。 工 程 计 算 2006;22 ： 237-54.http://dx.doi.org/10.1007/s00366-006-0049-3网站。[9]Silva V，Souza R，Camata J，de Oliveira D，Coutinho ALGA，ValduriezP等人，在计算科学和工程应用中捕获运行时数据分析的来源。国际出处和注释研讨会（IPAW）。英国伦敦，2018年。[10] Alnæs M，Blechta J，Hake J，Johansson A，Kehlet B，Logg A，et al.数值软件存档，数值软件存档：FeNiCS项目版本1.5.海德堡大学图书馆; 2015年，http://dx.doi.org/10.11588/ans.2015.100.20553。[11]刘J，Pacitti E，Valduriez P，Mattoso M.数据密集型科学工作流管理研究综述 。 J Grid Comput 2015;13 ： 457-93. http://dx.doi.org/10.1007/s10723-015-9329-8.[12]Pimentel JF ， Murta L ， Braganholo V ， Freire J. noWorkflow ： 一 个 从Python 脚 本 收 集 ， 分 析 和 管 理 出 处 的 工 具 。 Proc VLDB Endowment2017;10：1841-4. http://dx.doi.org/10.14778/3137765的网站。3137789.[13][10] 杨 文 辉 ， 李 文 辉 . 一 个 生 成 出 处 的 模 板 系 统 。 IEEE Trans Softw Eng2018;44：103-21. http://dx.doi.org/10.1109/TSE.2017.2659745网站。[14]将SPADE扩展到大的出处。在：第八届USENIX研讨会的理论和实践的出处（TaPP16）。华盛顿特区：USENIX协会;2016，https://www.usenix.org/conference/tapp16/workshop-program/presentation/gehani。[15]Liu Q，Logan J，Tian Y，Abbasi H，Podhorszki N，Choi JY，et al. HelloADIOS ： the challenges and lessons of developing leadership class I/Oframeworks. 一 致 性 计 算 ： 实 践 经 验 2014;26 ： 1453-73 。http://dx.doi.org/10.1002/www.example.com[16]Wu K，Ahern S，伯特利呃，陈J，ChildsH，科尔米耶米歇尔FastBit ： 交 互 式 搜 索 海 量 数 据 。 J Phys ： Conf Ser 2009;180 ： 012053.http://dx.doi.org/10.1088/1742-6596/180/1/012053网站。[17][10]李国雄，李国雄，李国雄. NoDB：对原始数据文件的高效查询执行。Commun ACM 2015;58：112-21. http://dx.doi.org/10.1145/2830508网站。[18]放大图片作者：David S，J.分析相关的原始数据文件，通过图表。CCPE2016;28：2528-45. http://dx.doi.org/10.1002/www.example.com[19]Davidson SB，Freire J.《出处和科学工作流程：挑战和机遇》。在：ACMSIGMOD.NewYork ， NY ， USA ： ACM;2008 ， p.1345-50.http://dx.doi.org/10.1145/1376616.1376772网站。[20][10]张晓刚，王晓刚.利用物源资料进行沉积模拟的原位数据导向。在：超级计算会议的海报会议;2016年。[21]Souza R，Silva V，Camata J，Coutinho A，Valduriez V，Mattoso M.在动态工作流中跟踪用户操作。未来一代计算系统2019;99：624-43。[22]IDEAS（Interoperable Design of Extreme-Scale Application Software）http：//ideas-productivity.org网站。时间步长流运输可视化线性剩余非线性残差线性剩余非线性残差10000.01683720.00536680.0002269650.0000000/viz/img_1000.png200030000.06437410.12703041.75431e− 060.0001092370.0002304090.00186711/viz/img_2000.png/viz/img_3000.png