1. 并行处理技术介绍
开发并行性的三种途径：
1、时间重叠；引入时间因素，是让多个处理过程在时间上相互错开，轮流使用同一套硬件设备的各个部分，以加快硬件周转使用来赢得速度。
2、资源重复；通过重复设置硬件资源来提高性能。
3、资源共享 ；是用方法让多个用户按一定时间顺序轮流使用同一套资源，来提高其利用率，相应也就提高了系统的性能。并发的实质是一个物理CPU（也可以多个物理CPU）在若干道程序之间多路复用，并发性是对有限物理资源强制行驶多用户共享以提高效率。并行性是指计算机系统具有可以同时进行运算或操作的特性，在同一时间完成两种或两种以上工作。它包括同时性与并发性两种含义。同时性指两个或两个以上事件在同一时刻发生。并发性指两个或两个以上事件在同一时间间隔发生。实现并发技术的关键之一是如何对系统内的多个活动（进程）进行切换。
2. 并行处理的应用
就业前景还比较好！
并行这一块其实是一个古老的方向，但是一直在快速发展，个人感觉有三个浪潮：
第一个浪潮：HPC和科学计算
伯克利提出了13个小矮人的并行模式
MPI、OpenMP、高性能算子库为代表基础软件
以解偏微分方程为主的，大量行业的HPC应用和科学计算，如气象、材料等等。
第二个浪潮：云计算和大数据
Google提出三架马车开始，在大规模资源调度、大规模数据ETL和处理、大规模数据分析、大规模图计算方面迅速发展，出现Spark/Hadoop/Flink/K8s等为代表的基础软件。
应用主要聚焦以数据处理和分析为主的企业计算
第三个浪潮：AI
深度学习出现后，出现张量计算，重点是大规模的张量计算和数据拟合，也出现大量的AI框架，应用聚焦于ML领域。
3. 并行处理技术的三种方式
1、串行传输：特别适合于远距离传输.对于那些与计算机相距不远的人－机交换设备和串行存储的外部设备如终端、打印机、逻辑分析仪、磁盘等，采用串行方式交换数据也很普遍.在实时控制和管理方面，采用多台微机处理机组成分级分布控制系统中，各 CPU 之间的通信一般都是串行方式。2、并行传输：广泛应用于微机系统，是微机系统中最基本的信息交换方法，例如：微机与并行接口打印机、磁盘驱动器，系统板上各部件之间，接口电路板上各部件之间。
4. 并行处理技术是什么
大数据对比是什么意思：大数据分析的使用者有大数据分析专家,同时还有普通用户,但是他们二者对于大数据分析最基本的要求就是可视化分析,因为可视化分析能够直观的呈现大数据特点
什么是大数据？
字面意思，即为非常庞大的数据，而大量的数据本身并没有价值，只有通过对大量的数据进行分析处理，从而发现大量数据有用、有价值的东西，把大量数据转换为对人们生产生活有利的价值，这就是大数据。
这里与之前的云计算对比学习；云计算:就是将计算任务扔到云端处理，是一种计算解决技术方案。大数据:从大量的来自各个应用领域的数据中，挖掘分析出有价值的信息。云计算为大数据提供有力的计算处理技术的支持，大数据为云计算提供了用武之地
大数据的特点：（数据体量大、速度快、种类多、价值密度低）
数据体量大：大数据的数据体量非常大，由于各行各业，各种应用领域都在产生数据，导致大数据的数据体量不断扩大。
速度快：数据的产生和处理分析的速度相当快。
数据类型多：传统的IT产业产生数据的种类比较单一，往往是对数据库的操作。随着传感技术、智能设备，物联网等技术的发展，数据获取的方式，数据的来源都在不断的扩大，数据的类型也变的多样化。
价值密度低: 大数据由于数据体量的不断增加，单位数据的价值密度在不断降低，但是总的数据价值在不断增加。
大数据产生的三个阶段：
1、运营式系统阶段：被动产生数据阶段
数据库的出现，将数据通过数据库进行管理，推动了数据的产生管理和发展。
在实际中数据库大多为运行系统所采用包括银行存取款记录、消费记录、医疗记录等等。数据的产生是通过运用系统被动产生的。
2、用户原创数据阶段：主动产生数据阶段
随着互联网技术的发展成熟，用户原创内容的意愿越来越强，用户用过各种社交媒体网络应用主动的发表、创作产生大量的数据。这种数据产生的方式是主动的。
3、感知式系统阶段：自动产生数据阶段
传感技术、物联网技术的发展，数据通过感知系统自动的识别产生数据，数据量爆炸式增长，最终导致大数据的产生。
大数据的作用
1、融合新技术：实现物联网、云计算等新技术的融合。
2、推动信息产业发展：带动存储技术的发展
3、推进社会治理能力治理体系现代化
大数据云计算对比学习：
总体关系：
云计算为大数据提供有力的工具和解决问题的途径，大数据为云计算提供有价值的用武之地。
相同点：
1、都是为了数据的存储和处理服务的。
2、都需要占用大量的存储和计算资源。
因此都需要用到海量数据存储技术，海量数据管理技术等并行处理技术。
不同点：
背景：大数据现有的处理技术不能胜任社交网络和物联网产生的大量异构数据，但是这些数据存在很大价值。云计算基于互联网的相关服务日益丰富和频繁。
目的：大数据充分挖掘数据中的信息。云计算通过互联网更好的调用、扩展和管理计算机及其存储方面的资源和能力。
对象：大数据是数据集合，云计算是IT资源、能力和应用。
推动力量：大数据技术的发展受从事数据存储与处理的软件厂商和拥有大量数据的企业的推动。云计算的发展受生产计算及其存储设备的厂商，拥有计算及其存储资源的企业推动。
带来的价值：大数据是发现数据中的价值，云计算是节省IT资源部署成本。
5. 并行计算技术
事业编制如果不参照公务员执行的话就没有职级并行，只能晋职称，如果参照公务员执行，在现任职另任职起15年晋升上一级职务，每获一次年度优秀提前半年。
6. 并行处理的概念
是计算机系统中能同时执行两个或多个处理的一种计算方法。可以同时工作于同一程序的不同方面。可以节省大型和复杂问题的解决时间。
7. 并行处理技术介绍模板
这个好象难度不小 首先，你要运行的软件，必须本身支持并行计算机处理，或者服务器群集运算的功能，否则一切都没意义； 其次，不同操作系统，需要有不同的工具；
1、windows系统下，罕有并行计算软件，一些CAD、3D软件有这个功能，自带的，这个时候只需要超快的局域网即可，也就是说网线要好、交换机要好就够了；
2、Linxu下很多这种软件，网上一找一大堆，开源免费的都有，问题是你的软件要能在Linux下运行才行，否则没意义；
3、Nvdia公司有K20、K40的这种硬件卡，插在多台计算机上，用数据电缆互联，就能组成并行处理计算机阵列，或者服务器群集阵列，问题也是不支持windows系统，这种是效果最好的解决方案。
买卡时，会送对应的软件的。不便宜。
8. 并行数据处理技术
MPP架构
MPP解决方案的最原始想法就是消除共享资源。
每个执行器有单独的CPU，内存和硬盘资源。
一个执行器无法直接访问另一个执行器上的资源，除非通过网络上的受控的数据交换。这种资源独立的概念，对于MPP架构来说很完美的解决了可扩展性的问题。
MPP的第二个主要概念就是并行。
每个执行器运行着完全一致的数据处理逻辑，使用着本地存储上的私有数据块。
在不同的执行阶段中间有一些同步点(我的理解：了解Java Gc机制的，可以对比GC中stop-the-world,在这个同步点，所有执行器处于等待状态)，这些同步点通常被用于进行数据交换(像Spark和MapReduce中的shuffle阶段)。
MPP的设计缺陷
但是，这样的设计对于所有的MPP解决方案来说都有一个主要的问题——短板效应。如果一个节点总是执行的慢于集群中其他的节点，整个集群的性能就会受限于这个故障节点的执行速度(所谓木桶的短板效应)，无论集群有多少节点，都不会有所提高。
过往记忆大数据大多数情况下，除了Executor 7 其他的所有执行器都是空闲状态。
这是因为他们都在等待Executor 7执行完成后才能执行同步过程，这也是我们的问题的根本。所有的MPP系统都面临这样的问题。
如果你看一下Google的磁盘错误率统计报告，你就能发现观察到的AFR(annualized failure rate,年度故障率)在最好情况下，磁盘在刚开始使用的3个月内有百分之二十会发生故障。
如果一个集群有1000个磁盘，一年中将会有20个出现故障或者说每两周会有一个故障发生。如果有2000个磁盘，你将每周都会有故障发生，如果有4000个，将每周会有两次错误发生。两年的使用之后，你将把这个数字乘以4，也就是说，一个1000个磁盘的集群每周会有两次故障发生。
事实上，在一个确定的量级，你的MPP系统将总会有一个节点的磁盘队列出现问题，这将导致该节点的性能降低，从而像上面所说的那样限制整个集群的性能。这也是为什么在这个世界上没有一个MPP集群是超过50个节点服务器的。
9. 并行处理技术介绍怎么写
并行工程(Concurrent Engineering) 并行工程是对产品及其相关过程（包括制造过程和支持过程）进行并行、集成化处理的系统方法和综合技术。
并行工程具有以下五个方面的特点：
1、基于集成制造的并行性。
2、并行有序。
3、群组协同。
4、面向工程的设计。
5、计算机仿真技术。