阅读更多
Java并行处理框架JPPF日前发布了最新的3.0版本。该版本在易用性、稳定性、可靠性以及灵活性上都带来了大量的改进。


JPPF(全称Java Parallel Processing Framework,即Java并行处理框架)是一个开放源码的网格计算框架,它可以在一个分布执行环境中同时运行多个Java应用。JPPF基于Apache 2.0许可证开源。

JPPF 3.0的新功能介绍:

简化及改进配置

  • 服务器、节点及客户端执行任务现在只需要1个单独的TCP端口而不是3个了。
  • 通过JMXMP远程连接进行JMX管理也只要一个端口即可。
  • 在P2P环境中已可实现发现服务器时进行手动配置。
改善客户端上的任务恢复及故障转移功能

  • 增加一个新的持久管理器,允许在应用程序失败后对任务进行恢复。它实际上是一个API,可存储运行中任务的状态,并在程序崩溃或自动重启后恢复它们。
  • 当恢复一个客户端至服务器的连接时,只有在任务(job)中未执行的工作(task)会再次提交。
  • 现在当有任务发送至服务器或者在返回结果时,应用程序将收到通知
类加载

  • 分散的类加载机制已实现完全文档化
  • 提供新的扩展,可以帮助优化节点上的类加载开销。
  • 新的类加载器委派模式,提供更快的类加速速度。
新的自定义设置和扩展点

管理控制台方面改进

参见:What's new in JPPF 3.0

详细的新功能列表可查看:http://www.jppf.org/features.php

下载地址:http://www.jppf.org/downloads.php

  • 大小: 3.7 KB
1
2
评论 共 1 条 请登录后发表评论
1 楼 niko7 2012-02-07 17:05
学习一下。

发表评论

您还没有登录,请您登录后再发表评论

相关推荐

  • Java并行处理框架 JPPF:高效实现并行计算

    Java并行处理框架JPPF(Java Parallel Processing Framework)应运而生,它提供了一种高效的方式来实现并行计算,充分利用多核处理器和分布式计算资源。本文将介绍JPPF框架的特点和使用方法,并通过示例代码帮助读者...

  • JPPF:开源网格计算解决方案

    开源网格计算解决方案这是JPPF源代码的所在地。 其他服务可以在以下位置找到:JPPF模块: :包含构建脚本,网站和相关模板,以及作为LibreOffice文本文档的文档 :桌面(基于Swing)管理控制台的代码和资源 :Web...

  • JPPF:开源网格计算解决方案-开源

    JPPF使得并行化计算密集型任务并在Grid上执行它们变得容易。

  • 【开发】​Java并行处理框架JPPF

    JPPF是一个开放源码的网格计算框架,它可以在一个分布执行环境中 同时运行多个java应用。JPPF框架使用一个兼容JCA 1.5规范的资源适配器与J2EE应用服务器进行集成,这个适配器为服务器提供了到原始网格服务的访问...

  • Java并行处理框架JPPF

    Java并行处理框架JPPF1)JPPF最新版本:1.42)JPPF的主要特征:· 每个节点可以从控制台或通过API远程重启或关闭;· 任务可在客户端本地执行,且在本地和远程执行时自动进行负载均衡;· JPPF现在完全利用多核多CPU...

  • 网格计算框架JPPF1.5版

    网格计算框架JPPF,Java Parallel Processing Framework,即java并行处理框架.一个开放源码的网格计算框架,它可以在一个分布执行环境中 同时运行多个java应用.这是他的最新版1.5版

  • JPPF 3.3.2 发布,Java 并行处理框架

    JPPF是一个开放源码的网格计算框架,它可以在一个分布执行环境中 同时运行多个java应用。JPPF框架使用一个兼容JCA 1.5规范的资源适配器与J2EE应用服务器进行集成,这个适配器为服务器提供了到原始网格服务的访问。 ...

  • JPPF并行计算框架类加载机制研究

    JPPF并行计算框架类加载机制研究 博客分类: java 不算什么深入的研究,主要是了解下JPPF中类的加载和隔离机制。 JPPF中类的加载采用的是分布式类加载技术。这样既可在Node节点运行在node上并不存在的类...

  • Java并行处理框架(JPPF) 1.4版本发布

    Java并行处理框架(JPPF) 1.4版本发布。JPPF是一个开源网格计算平台,用Java编写,方便并行运行应用,随着规模增加大量提升性能。 在这个版本中新特性包括: 1。节点能够通过远程管理console或者API重启或者...

  • 并行处理框架JPPF 1.1支持多路复用及JMX监测

    并行处理框架JPPF 1.1支持多路...JPPF是一个基于java的开源并行处理框架,其最新版包含一个叫做TCP端口多路复用(TCP port multiplexer)的网络工具,它使得JPPF可以在安全的防火墙环境下工作。JPPF小组发布的1....

  • 基于JPPF的分布式并行检索系统研究.pdf

    #资源达人分享计划#

  • JPPF安装和使用指南

    Java Parallel Processing Framework(JPPF) 是一个优秀的开源的基于Java的并行处理框架。这是它的安装和使用手册,我自己做的PDF,带书签便于使用!

  • 智慧旅游景区解决方案PPT(50页).pptx

    智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。

  • 智慧旅游实景三维智慧景区建设方案PPT(70页).pptx

    智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。

  • 基于深度学习实现的半监督学习例子.zip

    深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。

  • 关于APx测试耳机音频的参数设置及步骤 关于APx测试耳机音频的参数设置及步骤

    关于APx测试耳机音频的参数设置及步骤 关于APx测试耳机音频的参数设置及步骤

  • jQuery背景可滑动的导航菜单代码,鼠标经过导航时导航背景可滑动,兼容主流浏览器

    jQuery背景可滑动的导航菜单代码,鼠标经过导航时导航背景可滑动,兼容主流浏览器 使用方法: 1、引入reset.css、index.css、jquery-1.7.2.min.js库文件,及jquery.movebg.js插件 2、在文件中加入 代码 开始 代码 结束 区域代码 3、移动的滑动可根据需要自由修改外观

  • Matlab实验指导书.doc

    Matlab实验指导书.doc

  • S7-1200 计数器介绍

    PLC

  • 010编辑器,好用的二进制编辑器

    010编辑器,好用的二进制编辑器

Global site tag (gtag.js) - Google Analytics