Table of Contents

Projekt "Parallele Systeme"

Beschreibung

Unter einem Parallelrechner versteht man einen Rechner, auf dem Anwendungen echt parallel ausgeführt werden können. Die heutzutage üblichen Laptop- und Desktop-Rechner sind bereits kleine Parallelrechner, da mehrere Kerne eine echt parallele Abarbeitung von Anwendungen erlauben. Daher gewinnt die Programmierung von parallelen Programmen und Algorithmen immer mehr an Bedeutung und Wichtigkeit. Durch die steigenden Berechnungskapazitäten werden außerdem immer größere Datenmengen produziert.

Im Rahmen des Projekts werden daher verschiedene Aspekte von Parallelrechnern mithilfe moderner Methoden genauer analysiert und evaluiert. Big-Data-Ansätze erlauben die Analyse der immer weiter wachsenden Datenflut, während Machine-Learning-Methoden zunehmend klassische Problemlösungsansätze ersetzen. Leistungskritische Komponenten werden dabei häufig in hardwarenahen Sprachen wie C oder C++ entwickelt, während einfacher zu erlernende Sprachen wie Python eine komfortable Nutzung durch Anwender erlauben.

Konkrete Themen orientieren sich stark an aktuellen Forschungsfragen und werden daher erst am Einführungstermin vorgestellt. Beispiele können Sie in der Liste der letzten Jahre finden. Wir stehen außerdem interessanten Themenvorschlägen offen gegenüber.

Beachten Sie auch unsere allgemeinen organisatorischen Hinweise zu Projekten.

Zielgruppe

Das Projekt eignet sich für Studierende der Informatik in den Diplom- und Bachelorstudiengängen. Studierende anderer Studiengänge müssen die Anrechnung mit dem jeweiligen Prüfungsausschuss klären.

Interessierte Zuhörer sind auch herzlich willkommen.

Daten der Veranstaltung

Zeit Do. 12-14
Ort DKRZ Raum 034
Mailingliste PS-2425

Dozenten

Themenliste

  1. PFL auf Levante evaluieren 1) – Golo Schöberl
  2. Lustre Monitoring Tools evaluieren 2) – Jan Mägdefrau
  3. NeuralGCM benchmarken 3)4) – Samir Djavaheri
  4. Teilchensimulation mit Lennard-Jones-Potential 5) – Hauke Schnau
  5. Cloud Survey 6) – Felix Wissel, Deniz Yusuf
  6. (IO) pattern recognition 7) – Dan Cardoz
  7. Anwendung von KI zur Auswertung der U.S. SEC Enforcement- und Litigation-Datenbank 8) – Mateen Khalid
  8. Data LifeCycle tracking 9)10) – Conrad Langenbuch
  9. Retraction Watch Database 11) – Helen Schulz
  10. Erweiterung PyDarshan 12)13) – Georg Bismarck
  11. Exploration OpenMP Offloading 14) – Arian Hosseini
  12. Datenreduktion mittels Deduplikation 15)16) – Melissa Eisenburger
  13. Leistungsanalyse und Optimierung der Kompressionsintegration in Lustre-Clients unter CPU-Last 17) – Oskar Munz

MA Seminar Vorträge

  1. Datenstrukturen von NetCDF und HDF5 und deren interne Filterverarbeitung 18)19) – Georg Bismarck
  2. Lustre Architektur und Herausforderungen beim Monitoring (Fokus Layer) 20) – Jan Mägdefrau
  3. Prozesspinning und NUMA-Performance: Auswirkungen von Kontextwechseln (Fokus IO) 21) – Oskar Munz

Zeitplan und Materialien

Bei einem allgemeinen Einführungstermin werden Grundlagen vermittelt. Außerdem werden die Teilnehmer in Gruppen eingeteilt und bekommen Themen zugewiesen.

Nach der Festlegung der Themen soll ein Projektplan erstellt und mit dem jeweiligen Betreuer diskutiert werden. Regelmäßige Zwischenbesprechungen und -präsentationen sowie eine Abschlusspräsentation dienen dazu die Ergebnisse den anderen Projektteilnehmern vorzustellen.

1) , 2) , 3) , 9) , 12) , 15) , 17) , 18) , 20) , 21)
Anna Fuchs
4) , 5) , 6) , 7) , 10) , 13) , 14) , 16) , 19)
Jannek Squar
8)
Alexandra (TUHH)
11)
Christian Stindt (TUHH)