Ученые из Национального исследовательского технологического университета «МИСиС» опубликовали результаты исследования, доказавшие, что вычислительная сеть, состоящая исключительно из миллионов распределенных по всему миру мобильных телефонов, может достигнуть уровня производительности суперкомпьютера. Работа опубликована в журнале Communications in Computer and Information Science.
По данным американского портала Digital Trends, количество пользователей смартфонов в мире в 2020 году достигло 6,1 миллиарда и продолжает расти. Текущие возможности устройств также значительно увеличились: благодаря последним достижениям в области маломощных процессоров мобильные устройства могут выполнять ресурсоемкие операции, что позволяет рассматривать эти устройства как вычислительные платформы.
Пользователи могут подключать свои мобильные устройства – смартфоны и планшеты – к сети в основном для двух целей: получить доступ к сетевым ресурсам и/или сделать ресурсы своих мобильных устройств доступными для пользователей сети. По мнению исследователей из Института информационных технологий и компьютерных наук НИТУ «МИСиС», включение мобильных устройств в сетевую и вычислительную инфраструктуру в ближайшее время приведет к появлению новой категории вычислительных систем – мобильной.
Грид-система предполагает объединение персональные устройства и использование их в фоновом режиме, когда они либо стоят на зарядке, либо заряжены на 80-90% и при этом имеют доступ к wi-fi. По словам разработчиков, правильно подобранные параметры распределенной системы могут как повысить уровень использования мобильников для решения задач без существенного влияния на заряд батареи, так и значительно сократить время расчета всего эксперимента.
В результате научный коллектив разработал и рекомендовал параметры прототипа мобильной грид-системы, которая эффективно работает с различными типами персональных устройств.
По словам разработчиков, полученные результаты могут быть использованы для масштабных и многомесячных вычислительных экспериментов, например, для глубокого обучения нейросетей, или моделирования свойств новых материалов.