Hauptinhalt überspringenNavigation überspringenFooter überspringen
Logo der Fachhochschule Nordwestschweiz
Studium
Weiterbildung
Forschung und Dienstleistungen
Internationales
Die FHNW
De
Standorte und KontaktBibliothek FHNWKarriere an der FHNWMedien

      Logo der Fachhochschule Nordwestschweiz
      • Studium
      • Weiterbildung
      • Forschung und Dienstleistungen
      • Internationales
      • Die FHNW
      De
      Standorte und KontaktBibliothek FHNWKarriere an der FHNWMedien
      Module
      High Performance Computing

      High Performance Computing

      Nummer
      hpc
      ECTS
      4.0
      Spezifizierung
      Verstehen der verschiedenen Beschleunigungs- und Ausführungsmöglichkeiten im HPC Umfeld
      Anspruchsniveau
      Advanced
      Inhalt
      Die Skalierung von Applikationen soll auf verschiedenen Ebenen möglichst generisch garantiert werden. Die Skalierung geht von der Auslastung eines einzelnen Computersystems zur Auslastung eines High Performance Computing Centers. Um alle verfügbaren Ressourcen maximal auszulasten, werden auch Rechenbeschleuniger wie GPUs eingesetzt. Abstraktionen der Hardware, der Parallelisierung der Berechnungen, sowie der Kommunikation zwischen Systemen erlaubt die Ausführung auf unterschiedlichen Infrastrukturen. Die Spezialisierung der Berechnung auf spezifische Hardware, wie die GPU-Programmierung, ermöglicht hingegen die maximale Performance mit abnehmender Portabilität.
      Lernergebnisse

      Containers Die Grundlagen von Container-Systemen sind bekannt. Applikationen können in verschiedenen – auf HPC optimierten - Containerformaten ausgeführt und gewartet werden. Mittels interaktiven Containers wird die Rechenleistung eines HPC Clusters durch der Verwendung von Data Science Tools effektiv genutzt.


      Shared-memory Systeme Ein Überblick der shared-memory Systeme und Frameworks (beispielsweise OpenMP) ist bekannt. Die gängigsten Parallelisierungsparadigmen können durch die beispielhafte Verwendung dieser Frameworks umgesetzt werden. Verfügbare Ressourcen eines shared-memory Systems werden dadurch maximal ausgenutzt.


      Distributed-memory Systeme Die verschiedenen Message-Passing Kommunikationspatterns sind bekannt. Diese können in beispielhaften Anwendungen angewendet und ausgeführt werden. Mittels Message-Passing werden mehrere unabhängige Rechensressourcen miteinander verbunden, um so ein Problem parallel zu lösen. Die korrekte Verwendung der verschiedenen Patterns garantiert einen effizienten Nachrichtenaustausch der Systeme.


      Hybrid Programmierung auf GPU / CPU Die grundlegende Funktionsweise verschiedener Rechenbeschleuniger im HPC Umfeld sind bekannt. Die grundlegende Verwendung von geeigneten Frameworks garantiert alle Ressourcen von hybriden CPU/GPU Systemen effizient auszunutzen. Die am meist gebrauchten Beschleunigungspatterns sind bekannt und können an Beispielen ausgeführt werden.


      GPU Programmierung Die mehrschichtige parallele Architektur von modernen GPUs wird verstanden. Algorithmen können an das parallele Ausführungsmodell, sofern möglich, angepasst werden. Verschiedene Möglichkeiten um den Datentransfer-Overhead zu minimieren, respektive zu verstecken, können an einfachen Beispielen angewendet werden.

      Modulbewertung
      Note
      Baut auf folgenden Modulen auf
      Grundkompetenz Programmieren
      Modultyp
      Portfoliomodul
      (Englische Version)

      Studium

      Angebot

      • Studium
      • Weiterbildung
      • Forschung & Dienstleistungen

      Über die FHNW

      • Hochschulen
      • Organisation
      • Leitung
      • Facts and Figures

      Hinweise

      • Datenschutz
      • Accessibility
      • Impressum

      Support & Intranet

      • IT Support
      • Login Inside-FHNW

      Member of: