Quantification d incertitude et Tendances en HPC
|
|
- Camille Boisvert
- il y a 8 ans
- Total affichages :
Transcription
1 Quantification d incertitude et Tendances en HPC Laurence Viry E cole de Physique des Houches 7 Mai 2014 Laurence Viry Tendances en HPC 7 Mai / 47
2 Contents 1 Mode lisation, simulation et quantification d incertitudes 2 Quelques strate gies 3 Tendance en HPC E volution Hardware Implication software Grille de calcul Cloud Paralle lisme avec R Quelques outils Laurence Viry Tendances en HPC 7 Mai / 47
3 Sommaire 1 Modélisation, simulation et quantification d incertitudes 2 Quelques stratégies 3 Tendance en HPC Évolution Hardware Implication software Grille de calcul Cloud Parallélisme avec R Quelques outils Laurence Viry Tendances en HPC 7 Mai / 47
4 Applications/Modélisation/Simulation Numérique 1 Une application est fréquemment décrite par un modèle mathématique, souvent un système d équations aux dérivées partielles linéaires ou non linéaires, couplées. 2 Rôle prédictif des applications de simulations numériques. 3 Écart entre l application (observations) et la simulation numérique issue de la modélisation. 4 La modélisation et la simulation numérique qui en découle introduisent des sources d erreurs: Erreur sur le modèle, erreur sur les entrées/sorties et/ou variabilité naturelle de ces entrées, erreurs sur les conditions initiales, forçages, erreur d approximation numérique du modèle, erreur informatique,... 5 Chaque source d erreur devra être intégrée dans le processus de prédiction. Laurence Viry Tendances en HPC 7 Mai / 47
5 Propagation d incertitude à travers du modèle Dans les méthodes non-déterministes, un nombre de calculs du modèle doit être effectué pour recouvrir l espace des entrées vers l espace des sorties du modèle. Le nombre de calculs nécessaire dépend: de la non-linéarité des équations aux dérivées partielles, de la structure de dépendance entre les quantités incertaines, de la nature des incertitudes (aléatoire, épistémique) des méthodes numériques utilisées.... Laurence Viry Tendances en HPC 7 Mai / 47
6 Applications/Modélisation/Simulation Numérique La connaissance globale des incertitudes des réponses d un modèle peut nécessiter le développement et la mise en oeuvre: d une analyse de sensibilité globale permettant d identifier les variables d entrées les plus pertinentes, de techniques de propagation d incertitudes. de technique de vérification et validation de code. L évolution des ressources de calcul, de stockage et des logiciels disponibles : induit une plus grande complexité des modèles et de leur implémentation numérique, permet d envisager la mise en oeuvre de méthodes considérées jusqu à récemment comme trop coûteuses, L évolution des architectures hardware des machines de calcul impose une adaptation des algorithmes utilisés répondant à des critères d efficacité en terme de temps de calcul, de gestion de la mémoire et des I/O et de paradigme de programmation. Laurence Viry Tendances en HPC 7 Mai / 47
7
8 Sommaire 1 Modélisation, simulation et quantification d incertitudes 2 Quelques stratégies 3 Tendance en HPC Évolution Hardware Implication software Grille de calcul Cloud Parallélisme avec R Quelques outils Laurence Viry Tendances en HPC 7 Mai / 47
9 Modèle Nous considérons un modèle (code numérique) représenté de manière générique par une fonction f définie sur un domaine de R p et à valeurs dans R m : Y = f (X, θ) avec X R p les entrées, θ les paramètres et Y R m les sorties du modèle. Quantités d intérêt estimées en général par leur analogues empiriques. ϱ(x, θ) = E(f (X, θ)) moyenne de Y Var(f (X, θ)) variance de Y F Y (y) = P(Y < y) fonction de répartition de Y q s (Y ) quantile de Y E(Y /X s ) moyenne conditionnelle de Y Var(Y /x s ) variance conditionnelle de Y S i i 1,..., p indice de sensibilité de premier ordre S i1,i 2,...,i k indice de sensibilité d ordre supérieur... Laurence Viry Tendances en HPC 7 Mai / 47
10 Méthodologies Caractéristiques de calcul: Temps d une évaluation du modèle. Volume du stockage (échantillon, I/O du modèle, quantités d intérêts). Communications: évaluation du modèle, distribution des données et des résultats. Environnement software, gestion de la complexité des processus.... Les processus utilisés: (P 1 ) Paramétrisation, assigner des lois de probabilité aux variables du modèle étape de criblage éventuel. (P 2 ) Échantillonage ou planification à partir des lois des entrées. (P 3 ) Répartition des données en entrée du modèle et/ou du métamodèle. Évaluation du modèle (P 7 ) et/ou du métamodèle (P 8 ) : calcul séquentiel ou parallèle. (P 4 ) Récupération des résultats. (P 5 ) Estimation des quantités d intérêt. (P 6 ) Construction d un métamodèle (dans certains cas). Laurence... Viry Tendances en HPC 7 Mai / 47
11 Analyse de sensibilité: Estimations à l aide du modèle Échantillon de taille n (X(w 1 ),..., X(w n )) Estimations des quantités d intérêts ˆϱ n (f (X, θ)) ϱ(f (X, θ)) Evaluation Modèle (T7,S7,C7) Paramétrisation (T1,S1,C1) Échantillonnage Planification (T2,S2,C2) Distribution (T3,S3,C3)... Récupération (T4,S4,C4) Pi=(Ti,Si,Ci) Ti: temps de calcul de la tâche i Si: volume de stockage de la tâche i Ci: volume des communications de la tâche i Evaluation Modèle (T7,S7,C7) Estimations (T5,S5,C5) Laurence Viry Tendances en HPC 7 Mai / 47
12 Analyse : Estimations à l aide du modèle Temps de calcul global (T): T = T 1 + T 2 + T 3 + n T 7 + T 4 + T 5 n évaluations du code Dépend de T 7, de la taille de l échantillon (n), du volume des I/O. Stockage (S): S 1, S 2, S 5 : espace de stockage peu volumineux. S 7 : dépend du volume des I/O du code. S 4 : dépend du volume des quantités d intérêts. Volume d échange des données (C), concerne les tâches P 3, P 4, P 7. C 3 : distribution I/O et échantillon des paramètres: C 3 = taille(x) n C 4 : distribution des sorties du code et des quantités d intérêt pour l estimation des indices: C 4 = taille(y ) n C 7 : dépend du code (parallèle). Solutions HPC suivant la complexité de l application et des paramètres à estimer: Parallélisation du code. Distributions des calculs sur un gros cluster ou sur une grille de calcul. Utilisation d une grille de stockage. Parallélisation des estimations(moyenne, variance, indices de sensibilité,...) Laurence Viry Tendances en HPC 7 Mai / 47
13 Échantillon de taille m pour estimer le métamodèle Échantillon de taille (n) pour estimer les quantité d intérêts: (n >> m) Estimation à l'aide d'un métamodèle Evaluation Modèle (T7,S7,C7) Paramétrisation (T1,S1,C1) Planification (T2,S2,C2) Distribution (T3,S3,C3)... Récupération (T4,S4,C4) Evaluation Métamodèle (T8,S8,C8) Evaluation Modèle (T7,S7,C7) Récupération (T4',S4',C4')... Distribution (T3',S3',C3') Planification (T2',S2',C2') Construction Métamodèle (T6,S6,C6) Evaluation Métamodèle (T8,S8,C8) Estimations (T5,S5,C5) échantillon de taille m pour construire le métamodèle échantillon de taille n pour estimer les quantités d'intérêts m << n Laurence Viry Tendances en HPC 7 Mai / 47
14 Analyse : Estimations à l aide du modèle Temps de calcul global (T): T = T 1 + T 2 + T 3 + n T 7 + T 4 + T 6 + T 2 + T 3 + m T 8 + T 4 + T 5 Dépend de T 7 et de la taille de l échantillon (n). Stockage (S): S 1, S 2, S 2, S 5 : espace de stockage peu volumineux. S 7 : dépend du volume des I/O du code. S4, S4 : volume des quantités d intérêts. Volume d échange des données (C), concerne les tâches P 3, P 4, P 7. C 3 : distribution de l échantillon des paramètres: C 3 = taille(x) n C 4 : distribution des résultats du code pour l estimation des paramètres: C 4 = taille(y ) n C 7 : dépend du code. Laurence Viry Tendances en HPC 7 Mai / 47
15 Sommaire 1 Modélisation, simulation et quantification d incertitudes 2 Quelques stratégies 3 Tendance en HPC Évolution Hardware Implication software Grille de calcul Cloud Parallélisme avec R Quelques outils Laurence Viry Tendances en HPC 7 Mai / 47
16 Pourquoi le calcul parallèle? Qu est ce que le calcul parallèle? Plusieurs calculs exécutés simultanémant sur une ou plusieurs unités de calcul. Quand? Pour exploiter le parallélisme intrinsèque aux processeurs/ calculateurs et aux applications. Quand les limites des ressources nécessaires, des performances et/ou de la taille des problèmes traités sont atteintes sur un seul processeur. Comment? Par décomposition: des données pour traiter un plus gros volume de données ou traiter par une même tâche des données différentes: data parallelism de tâches indépendantes: task parallelism Laurence Viry Tendances en HPC 7 Mai / 47
17 Contexte HPC: Super calculateurs, Clusters, Grille, Cloud Ressources de calcul Station de travail Clusters Homogène: noeuds de plusieurs CPU multi-coeurs avec ou sans GPU ou accélérateurs. Super calculateur: IBM Blue Gene (4 096 nœuds de 16 cœurs à 1,6 GHz) TFlop/s de puissance crêteà l IDRIS),... Grille de calcul et de stockage: GRID500, grille locale,... Cloud Hiérarchie de réseaux WAN: Internet, Private WAN,... LAN: Ethernet SAN: InfiniBand,... Laurence Viry Tendances en HPC 7 Mai / 47
18 Motivations en simulation numérique La vitesse des processeurs a cessé d augmenter (x2 tous les 18mois). Parallélisme naturel dans la plupart des applications. Possibilité de traiter des gros volumes de données. Nécessité d exécuter un grand nombre de runs. Meilleure gestion des accès mémoire. La vitesse des réseaux augmentant, c est la possibilité d utiliser des ressources réparties sur un site ou sur plusieurs sites... En majorité: Codes parallèles Plusieurs codes indépendants Un seul code parallèle intensif Laurence Viry Tendances en HPC 7 Mai / 47
19 Unité de calcul: CPU versus GPU Composition d un noeud de calcul (Avec des proportions différentes) Une unité de contrôle Des unités d arithmétique et logique (ALU) Mémoire(DRAM, Caches,... ) Un grand nombre de coeurs capables de traiter rapidement des calculs simples sur des grandes quantités de données (GPU) Les processeurs classiques (CPU) sont moins rapides mais savent résoudre des problèmes plus compliqués Une combinaison de ces deux types de processeurs (accélérateurs) Laurence Viry Tendances en HPC 7 Mai / 47
20 Loi de Moore - Top500 Le nombre de transistors continue à augmenter par unité de surface. La puissance consommée et dissipée est le facteur limitant Puissance frequence 3 fréquence limitée Plus de performance avec moins de puissance Adaptation software? Laurence Viry Tendances en HPC 7 Mai / 47
21 Implication software Le coût en énergie de la fréquence Nb Cores Fréquence(Hz) Flops/s W Flops/s/W Superscalar 1 1.5X 1.5X 3.3X 0.45X Multicore X 1.5X 0.8X 1.88X Conséquences sur les applications Exécuter une application à un temps t 0 sur un calculateur Pas de modifications fondamentales du code entre t 1 et t 0 Exécuter l application au temps t 1 sur un nouveau calculateur quelles sont les performances? Laurence Viry Tendances en HPC 7 Mai / 47
22 Évolution des performances en HPC Période de fréquence croissante (< 2003) Peu de parallélisme dans les architectures La fréquence augmente Nb Flops/s augmente Les codes sont plus rapides L implémentation des codes n a pas besoin d être modifiée pour exploiter les nouvelles architectures Période Multi-core (> 2003) Plus de parallélisme dans l architecture (core,mémoire, stride des disque,... ) La fréquence décroit Les codes sont plus lents Les codes doivent être modifiées pour exploiter le parallélisme de ces nouvelles architectures Laurence Viry Tendances en HPC 7 Mai / 47
23 Laurence Viry Tendances en HPC 7 Mai / 47
24 Implications Multi-core Quelques définitions CPU (Central Processing Unit): puce ou processeur qui effectue les opérations de base du système. socket: le socket fournit au CPU les connections au bus système et tous les devices attachés à ce bus (mémoire, adaptateur réseau, I/O,... ). Core: unité de calcul contenu dans un CPU, ses propres registres et cache L1. Ressources partagées caches: les cores d un CPU peuvent se partager les caches L2 ou L3 socket: Les cores d un même CPU se partagent le même socket du CPU Ressources partagées Potentiel de conflits d accès aux ressources plus important Laurence Viry Tendances en HPC 7 Mai / 47
25 Classification des architectures parallèles Classification de Flynn basée sur le type d organisation du flux de données et du flux d instructions. Parallélisme d instructions Parallélisme de données { } { } S S I D M M SI Single Instruction MI Multiple Instruction SD Single Data MD Multiple Data SISD Single Instruction, Single Data SIMD Single Instruction, Multiple Data MISD Multiple instructions, Single Data MIMD Multiple Instructions, Multiple Data MIMD: architecture parallèle la plus utilisée Laurence Viry Tendances en HPC 7 Mai / 47
26 Mémoire partagée/mémoire distribuée Système à mémoire distribuée Un espace mémoire est associé à chaque processeur (CPU/noeud) L accès à la mémoire du processeur voisin se fait par échange de messages à travers le réseau entre les processeurs. Les algorithmes utilisés devront minimiser les communications. Système à mémoire partagée Un espace global visible par tous les processeurs (CPU/noeud) Les processeurs auront leur propre mémoire locale (cache,...) dans laquelle sera copié une partie de la mémoire globale. La cohérence entre ces mémoires locales devra être gérée par le hardware, le software et parfois l utilisateur. Laurence Viry Tendances en HPC 7 Mai / 47
27 Chaque processeur (noeud SMP) a sa propre mémoire. Les processus s exécutent indépendamment Ils communiquent entre eux par échange de message MPI. Overhead dû aux communications Réseau performant La mémoire globale est commune à tous les processeurs. Plus facile à utiliser (directives OpenMP) cohérence de cache. Performance de la bande passante mémoire. Défaut de scalabilité des accès mémoire. Problème de False Sharing ou de Race Dectection Facile à programmer - Difficile à déboguer Laurence Viry Tendances en HPC 7 Mai / 47
28 Plus rapide que la loi de Moore ( double tous les 14 mois) Le Top1 sort du Top500 en 8 ans La consommation électrique, l encombrement et le refroidissement sont devenu des freins à l extension des systèmes. Les architectures Hybrides (CPU/GPU) apparaissent. Laurence Viry Tendances en HPC 7 Mai / 47
29 Architectures Hybrides GPGPU sur les calculateurs Les architectures traditionnelles ont atteint leurs limites Plus de cores/noeud, plus de mémoire mais accès pas plus rapide. Actuellement, 3 sur 5 gros calculateurs sont des machines hybrides Plus de parallélisme dans le Hardware Adaptation des codes pour obtenir de la performance Les codes doivent être conçus différemment Les codes MPI ne passent pas au massivement parallèle. les performances augmentent en améliorant le parallélisme dans le code. Les performances augmentent en ajoutant des niveaux de parallélisme (OpenMP, MPI, GPU,... ) Laurence Viry Tendances en HPC 7 Mai / 47
30 Et plus de performances si affinités L apport de toujours plus de parallélisme dans les calculateurs pose le problème de la gestion des affinités. Les performances en dépendent Principe de localité et mémoire cache optimisation de l accès aux données. Caches et affinité entre tâches et données: le déplacement d une tâche sur un autre coeur. Partage de données entre tâches: accès à la mémoire par différent coeurs. Machine NUMA et affinités pour la mémoire: accès plus rapide aux données proche du processeur qui effectue l accès. Nos programmes peuvent s exécuter sans tenir compte de toutes ces contraintes, mais ils iront moins vite... Laurence Viry Tendances en HPC 7 Mai / 47
31 Et bien d autres affinités Périphériques qui peuvent être plus proches de certains cœurs que d autres (GPU,carte réseau). Calculateurs hétérogènes ou hybrides contenant différents types de cœurs de calcul: Combiner ces différents types de processeurs permet d atteindre des puissances de calcul gigantesques si on arrive à déterminer les affinités entre les # coeurs et les # tâches. Laurence Viry Tendances en HPC 7 Mai / 47
32 Architecture hautement parallèle: Accélérateurs Intel Xeon/Phi 60+ cores 512 Bit SIMD Clock Speed: 1000MHz Nombre de transistors: 3 B (22nm) Consommation énergétique: 250W Performance Max (DP): 1TF/s Bande passante Mémoire: 250GB/s (GDDR5) NB Threads: Language: Fortran, C/C++ + OpenMP+vectorisation NVIDIA Kepler (GK110) 15 unités SMX avec chacune 192 SP cores 2880 SP cores au total Vitesse de l horloge: 700MHz Nombre de transistors: 7.1 B (28nm) Consommation énergétique: 250W Performance Max (DP): 1TF/s Bande passante Mémoire: 250GB/s (GDDR5) NB Threads: Language: CUDA, OpenCL, OpenACC Laurence Viry Tendances en HPC 7 Mai / 47
33 Évolution rapide du HPC Hardware Toujours plus de parallélisme (multi-core, mémoire, stockage,... ). Architectures hétérogènes. Les accès mémoire sont le principal frein aux performances. Software Parallélisme multi niveaux. Optimisation: gestion des affinités,... Gestion de la précision, de la stabilité. Maintenance et robustesse? Point de vue utilisateur Nouveaux types d architectures (GPU, MIC, BG.Q,...) Nouveaux paradigmes de programmation (MPI, OPENMP, Hybrid, OpenCL,PGAS,... ). Un code unique pour CPU et Accélérateurs? Les gros codes de calcul doivent suivre. Quelle pérennité? Laurence Viry Tendances en HPC 7 Mai / 47
34 Efforts d optimisation Compromis entre efforts d optimisation et gain de performance Optimisation rapide: performances modérées... Le Hardware, le compilateur ne réussit pas à exploiter le parallélisme de l architecture. Une meilleure connaissance de l application est nécessaire. Optimisation approfondie: algorithme, implémentation, déploiement, gestion des affinités. La maintenance des efforts n est pa assuré. Génération automatique ou semi-automatique? (quelques propositions: HMPP, OpenACC,... ) De nouveaux paradigmes de programmation exploitant la parallélisme du Hardware sont attendus. Maintenance, portabilité? Laurence Viry Tendances en HPC 7 Mai / 47
35 Architecture, environnements utilisateurs, bibliothèques et réseau Même run, mêmes sources: différents environnements utilisateurs Étude au cas par cas Les analyses sont système-dépendantes, pas de règles systématiques. Utiliser des bibliothèques optimisées sur le Hardware. Les performances du réseau et du soft qui l utilise est aussi un critère important. Bien connaître son application et les bibliothèques utilisées Laurence Viry Tendances en HPC 7 Mai / 47
36 Grille de calcul Grille de calcul Ressources informatiques hétérogènes (clusters, supercalculateur, stockage,...) Projet Grid5000 ( Mise en réseau de ces ressources Stockage.... Middleware (NetSolve, DIET,... ): couche réseau + services logiciels Gestion de l hétérogénéité des ressources, allocation des données et des tâches sur les ressources, Fault detection, mécanisme de checkpoint/restart,... récupération et réorganisation des résultats éviter le transfert multiple de données... Grâce aux grilles Les calculs au temps d exécution très longs deviennent possibles en temps raisonnable. Possibilité de lancer un nombre très grand de runs (plusieurs millions) Laurence Viry Tendances en HPC 7 Mai / 47
37 Cloud Cloud Basé sur la virtualisation Habituellement basé sur des processeurs de faible performance: presque sans contrainte sur le réseau HPC Cloud Fault-tolerance? Noeuds de calcul puissants avec beaucoup de mémoire, Performances du réseau garanties (F E.g., 10 Gbps, low latency) Opérationnel mais pas simple... (panne des infrastructures, noeuds non accessibles,... Coût Quelques tentatives pour mettre un calculateur (Blue Gene) dans le Cloud. Laurence Viry Tendances en HPC 7 Mai / 47
38 Considérations pour le développement des codes Efficacité des architectures: pour le passage aux architectures successives, il faut tenir compte des compétences et de l investissement humain qu il implique. Survivre aux générations successives des machines ( 5ans) est de plus en plus compliqué. La programmation homogène tire à sa fin: plusieurs niveaux de parallélisme déviennent nécessaires pour exploiter les nouvelles architectures. Bibliothèques: leur choix doit être dicté par leur stabilité, leurs performances et leurs disponibilité sur les systèmes. Organisation des données doit répondre à de nombreuses contraintes répondant aux différents types d affinités. L organisation des compétences scientifiques, numériques et informatiques est un challenge qui doit être compatible avec chaque écosystème. Compromis algorithmiques: le coût des flops est en décroissance alors que celui de l accès et du déplacement de données est en forte croissance.... Laurence Viry Tendances en HPC 7 Mai / 47
39 Calcul hautes performances avec R Paralléliser un code R est possible mais demande un effort significatif S assurer d une implémentation séquentielle optimale Algorithme adapté Bonnes pratiques de développement sous R Utilisation des packages adaptés aux gros volumes de données Utiliser des outils de profiling (mémoire, temps de calcul) proftools: profiling Output Processing Tools for R profr: An alternative display for profiling informations Quelques méthodes pour résoudre les problèmes d efficacité Vectorisation: fonctions appliquées à des vecteurs apply() fonctions: fonctions qui peuvent être utilisées sur un ensemble de données simultanément. Utiliser les interfaces avec des langages compilés (C,C++,...) = Les solutions suivantes utilisent le parallélisme Laurence Viry Tendances en HPC 7 Mai / 47
40 Calcul parallèle avec R R est mono-thread Plusieurs packages existent pour les clusters de calcul Basés sur plusieurs couches de communications: MPI, PVM, Socket, NWS Rmpi, nws, snow, sprint, foreach Plus ou moins matures, performants ou faciles à utiliser Sur un système multi-core: multicore, pnmath, fork, romp Intégration du package parallel (multicore, snow) à la version de base de R à partir de la version R peut aussi être compilé avec une version multi-thread des bibliothèques d algèbre linéaire (BLAS,LAPACK) ce qui permet d exploiter l architecture multicore et peut accélérer les calculs. State of the Art in Parallel Computing with R : HPC Task View on CRAN: Laurence Viry Tendances en HPC 7 Mai / 47
41 Le package parallel (version > 2.14) Basée sur les packages multicore et snow Particulièrement adaptée au programme de type SPMD (single program, multiple data) Peut utiliser simultanément : plusieurs coeurs d un même noeud SMP ( multicore) en mémoire partagée ou plusieurs CPUs en mémoire distribuée en utilisant la bibliothèque d échange de messages MPI ( snow) Le support MPI dépend du package Rmpi et d une bibliothèque MPI Inclut un générateur de nombre aléatoire parallèle ( RNG) Laurence Viry Tendances en HPC 7 Mai / 47
42 mclapply: version parallèle de lapply sur un seul CPU Exemple simple: calcul (1:100)ˆ2 ## La fonction aucarre fait le calcul aucarre <- function(n) {return(nˆ2)} ## Tableau sur lequel s applique le calcul tab <- 1:100 Version séquentielle (lapply) ## Calcul séquentiel res <- lapply(tab,aucarre) Version parallèle (mclapply) ## Nombre de tâches nbtask <- 8 ## Calcul parallèle res <- mclapply(tab,aucarre,mc.cores = nbtask) Utilise plusieurs coeurs sur un seul CPU Utilise des fork, ne fonctionne pas sous Windows mcmapply, mcmap: version parallèle de mapply et Map Laurence Viry Tendances en HPC 7 Mai / 47
43 parlapply: version parallèle de lapply sur un ou plusieurs noeuds Plusieurs types de communications, PSOCK et MPI PSOCK: peut être utilisé en intéractif Pas adapté pour plusieurs noeuds Portable Utilisé pour les tests MPI Ne peut pas être utilisé en intéractif Nécessite le package Rmpi (MPI) Fonctionne sur plusieurs noeuds Portable là où est installé Rmpi (MPI) Utilisé pour la production. Laurence Viry Tendances en HPC 7 Mai / 47
44 Exemple: parlapply avec PSOCK library(parallel) ## Nombre de tâches nbtask <- 8 ## Définit le cluster cl <- makecluster(nbtask,type= STOCK ) ## Calcul parallèle (parlapply) res <- parlapply(cl,tab,nbtask) ## Arrêter le cluster stopcluster(cl) print(unlist(res)) Laurence Viry Tendances en HPC 7 Mai / 47
45 Exemple: parlapply avec MPI Programme: simple mpi.r library(parallel) ## Définit le cluster nbtask <- 8 cl <- makecluster(nbtask,type= MPI ) ## Calcul parallèle (parlapply) res <- parlapply(cl,tab,nbtask) ## Arrêter le cluster stopcluster(cl) mpi.exit() # or mpi.quit(), qui sort de R également Exécuter mpirun -n 1 R --slave -f simple_mpi.r Laurence Viry Tendances en HPC 7 Mai / 47
46 Démarche pour les calculs Programmer les calculs dans une fonction qui peut être appelée par lapply Faire des tests intéractivement avec lapply en séquentiel, mclapply sur un CPU multi-core et/ou parlapply (SOCK) en parallel sur un noeud. Utiliser mclapply sur un seul noeud ou parlapply (MPI) sur un ou plusieurs noeuds. Avec parlapply, les gros volumes de données peuvent être distribuées à chaque tâche avec clusterexport. Avec parlapply, chaque process devra chargé les packages clusterevalq ou clustercall. Laurence Viry Tendances en HPC 7 Mai / 47
47 Environnement logiciel Cougar (IFPEN & partners) - reservoir simulation Commercial Fonctionnalités Analyse de sensibilité (basé sur la variance) Surface de réponse paramétrique (polynomiale) Surface de réponse non-paramétrique (Krigeage) Planification... Calcul sur grille OpenTURNS: exposé R Barate Calcul Haute Performance avec OpenTURNS Uranie: exposé F. Gaudier Plate-forme Incertitude Uranie: Fonctionnalités et Applications Laurence Viry Tendances en HPC 7 Mai / 47
Initiation au HPC - Généralités
Initiation au HPC - Généralités Éric Ramat et Julien Dehos Université du Littoral Côte d Opale M2 Informatique 2 septembre 2015 Éric Ramat et Julien Dehos Initiation au HPC - Généralités 1/49 Plan du cours
Plus en détailArchitecture des ordinateurs
Décoder la relation entre l architecture et les applications Violaine Louvet, Institut Camille Jordan CNRS & Université Lyon 1 Ecole «Découverte du Calcul» 2013 1 / 61 Simulation numérique... Physique
Plus en détailRapport 2014 et demande pour 2015. Portage de Méso-NH sur Machines Massivement Parallèles du GENCI Projet 2015 : GENCI GEN1605 & CALMIP-P0121
Rapport 2014 et demande pour 2015 Portage de Méso-NH sur Machines Massivement Parallèles du GENCI Projet 2015 : GENCI GEN1605 & CALMIP-P0121 Rappel sur Méso-NH : Modélisation à moyenne échelle de l atmosphère
Plus en détailInfrastructures Parallèles de Calcul
Infrastructures Parallèles de Calcul Clusters Grids Clouds Stéphane Genaud 11/02/2011 Stéphane Genaud () 11/02/2011 1 / 8 Clusters - Grids - Clouds Clusters : assemblage de PCs + interconnexion rapide
Plus en détailContrôle Non Destructif : Implantation d'algorithmes sur GPU et multi-coeurs. Gilles Rougeron CEA/LIST Département Imagerie Simulation et Contrôle
Contrôle Non Destructif : Implantation d'algorithmes sur GPU et multi-coeurs Gilles Rougeron CEA/LIST Département Imagerie Simulation et Contrôle 1 CEA R & D for Nuclear Energy 5 000 people Nuclear systems
Plus en détailEléments d architecture des machines parallèles et distribuées
M2-RISE - Systèmes distribués et grille Eléments d architecture des machines parallèles et distribuées Stéphane Vialle Stephane.Vialle@supelec.fr http://www.metz.supelec.fr/~vialle Notions d architecture
Plus en détailLes environnements de calcul distribué
2 e Atelier CRAG, 3 au 8 Décembre 2012 Par Blaise Omer YENKE IUT, Université de Ngaoundéré, Cameroun. 4 décembre 2012 1 / 32 Calcul haute performance (HPC) High-performance computing (HPC) : utilisation
Plus en détailINF6500 : Structures des ordinateurs. Sylvain Martel - INF6500 1
INF6500 : Structures des ordinateurs Sylvain Martel - INF6500 1 Cours 4 : Multiprocesseurs Sylvain Martel - INF6500 2 Multiprocesseurs Type SISD SIMD MIMD Communication Shared memory Message-passing Groupe
Plus en détailEvaluation des performances de programmes parallèles haut niveau à base de squelettes
Evaluation des performances de programmes parallèles haut niveau à base de squelettes Enhancing the Performance Predictability of Grid Applications with Patterns and Process Algebras A. Benoit, M. Cole,
Plus en détailArchitecture des calculateurs
Formation en Calcul Scientifique - LEM2I Architecture des calculateurs Violaine Louvet 1 1 Institut Camille jordan - CNRS 12-13/09/2011 Introduction Décoder la relation entre l architecture et les applications
Plus en détailSystèmes et traitement parallèles
Systèmes et traitement parallèles Mohsine Eleuldj Département Génie Informatique, EMI eleuldj@emi.ac.ma 1 Système et traitement parallèle Objectif Etude des architectures parallèles Programmation des applications
Plus en détailInfo0804. Cours 6. Optimisation combinatoire : Applications et compléments
Recherche Opérationnelle Optimisation combinatoire : Applications et compléments Pierre Delisle Université de Reims Champagne-Ardenne Département de Mathématiques et Informatique 17 février 2014 Plan de
Plus en détailDétection d'intrusions en environnement haute performance
Symposium sur la Sécurité des Technologies de l'information et des Communications '05 Détection d'intrusions en environnement haute performance Clusters HPC Fabrice Gadaud (fabrice.gadaud@cea.fr) 1 Sommaire
Plus en détailOutil d aide au choix Serveurs Lot 4 Marché Groupement de Recherche
Outil d aide au choix Serveurs Lot 4 Marché Groupement de Recherche Serveurs DELL PowerEdge Tour Rack standard R310 T110II Rack de calcul Lames R815 M610 R410 R910 M620 R415 R510 T620 R620 R720/R720xd
Plus en détailGestion de clusters de calcul avec Rocks
Gestion de clusters de calcul avec Laboratoire de Chimie et Physique Quantiques / IRSAMC, Toulouse scemama@irsamc.ups-tlse.fr 26 Avril 2012 Gestion de clusters de calcul avec Outline Contexte 1 Contexte
Plus en détailSegmentation d'images à l'aide d'agents sociaux : applications GPU
Segmentation d'images à l'aide d'agents sociaux : applications GPU Richard MOUSSA Laboratoire Bordelais de Recherche en Informatique (LaBRI) - UMR 5800 Université de Bordeaux - France Laboratoire de recherche
Plus en détailArchitecture des Ordinateurs. Partie II:
Architecture des Ordinateurs Partie II: Le port Floppy permet le raccordement du lecteur de disquette àla carte mère. Remarque: Le lecteur de disquette a disparu il y a plus de 6 ans, son port suivra.
Plus en détailRapport de stage Master 2
Rapport de stage Master 2 Informatique Haute Performance et Simulation, 2 ème année Ecole Centrale Paris Accélération des méthodes statistiques sur GPU Auteur : CHAI Anchen. Responsables: Joel Falcou et
Plus en détailContribution à la conception à base de composants logiciels d applications scientifiques parallèles.
- École Normale Supérieure de LYON - Laboratoire de l Informatique du Parallélisme THÈSE en vue d obtenir le grade de Docteur de l École Normale Supérieure de Lyon - Université de Lyon Discipline : Informatique
Plus en détailUNIVERSITÉ D ORLÉANS ÉCOLE DOCTORALE MIPTIS MATHÉMATIQUES, INFORMATIQUE, PHYSIQUE THÉORIQUE ET INGÉNIEURIE DES SYSTÈMES. THÈSE présentée par :
UNIVERSITÉ D ORLÉANS ÉCOLE DOCTORALE MIPTIS MATHÉMATIQUES, INFORMATIQUE, PHYSIQUE THÉORIQUE ET INGÉNIEURIE DES SYSTÈMES Laboratoire d Informatique Fondamentale d Orléans THÈSE présentée par : Hélène COULLON
Plus en détailRetour d expérience en Astrophysique : utilisation du Cloud IaaS pour le traitement de données des missions spatiales
Retour d expérience en Astrophysique : utilisation du Cloud IaaS pour le traitement de données des missions spatiales Cécile Cavet cecile.cavet at apc.univ-paris7.fr Centre François Arago (FACe), Laboratoire
Plus en détailEvolution des technologies et émergence du cloud computing Drissa HOUATRA, Orange Labs Issy
Evolution des technologies et émergence du cloud computing Drissa HOUATRA, Orange Labs Issy Séminaire Aristote, 17 Déc. 2009 Ecole Polytechnique Palaiseau Plan L'univers du cloud Ressources Grilles, middleware
Plus en détailVMWare Infrastructure 3
Ingénieurs 2000 Filière Informatique et réseaux Université de Marne-la-Vallée VMWare Infrastructure 3 Exposé système et nouvelles technologies réseau. Christophe KELLER Sommaire Sommaire... 2 Introduction...
Plus en détailEnseignant: Lamouchi Bassem Cours : Système à large échelle et Cloud Computing
Enseignant: Lamouchi Bassem Cours : Système à large échelle et Cloud Computing Les Clusters Les Mainframes Les Terminal Services Server La virtualisation De point de vue naturelle, c est le fait de regrouper
Plus en détail<Insert Picture Here> Solaris pour la base de donnés Oracle
Solaris pour la base de donnés Oracle Alain Chéreau Oracle Solution Center Agenda Compilateurs Mémoire pour la SGA Parallélisme RAC Flash Cache Compilateurs
Plus en détailCommunications performantes par passage de message entre machines virtuelles co-hébergées
Communications performantes par passage de message entre machines virtuelles co-hébergées François Diakhaté1,2 1 CEA/DAM Île de France 2 INRIA Bordeaux Sud Ouest, équipe RUNTIME Renpar 2009 1 Plan Introduction
Plus en détailRapport d activité. Mathieu Souchaud Juin 2007
Rapport d activité Mathieu Souchaud Juin 2007 Ce document fait la synthèse des réalisations accomplies durant les sept premiers mois de ma mission (de novembre 2006 à juin 2007) au sein de l équipe ScAlApplix
Plus en détailParallélisme et Répartition
Parallélisme et Répartition Master Info Françoise Baude Université de Nice Sophia-Antipolis UFR Sciences Département Informatique baude@unice.fr web du cours : deptinfo.unice.fr/~baude Septembre 2009 Chapitre
Plus en détailOptimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie
Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie 1 Présenté par: Yacine KESSACI Encadrement : N. MELAB E-G. TALBI 31/05/2011 Plan 2 Motivation
Plus en détailTout savoir sur le matériel informatique
Tout savoir sur le matériel informatique Thème de l exposé : Les Processeurs Date : 05 Novembre 2010 Orateurs : Hugo VIAL-JAIME Jérémy RAMBAUD Sommaire : 1. Introduction... 3 2. Historique... 4 3. Relation
Plus en détailHPC by OVH.COM. Le bon calcul pour l innovation OVH.COM
4 HPC by OVH.COM Le bon calcul pour l innovation 2 6 5 6 2 8 6 2 OVH.COM 5 2 HPC by OVH.COM 6 HPC pour High Performance Computing Utilisation de serveurs et de grappes de serveurs (clusters), configurés
Plus en détailDG-ADAJ: Une plateforme Desktop Grid
DG-ADAJ: Une plateforme pour Desktop Grid Olejnik Richard, Bernard Toursel Université des Sciences et Technologies de Lille Laboratoire d Informatique Fondamentale de Lille (LIFL UMR CNRS 8022) Bât M3
Plus en détailLimitations of the Playstation 3 for High Performance Cluster Computing
Introduction Plan Limitations of the Playstation 3 for High Performance Cluster Computing July 2007 Introduction Plan Introduction Intérêts de la PS3 : rapide et puissante bon marché L utiliser pour faire
Plus en détailRetour d expérience, portage de code Promes dans le cadre de l appel à projets CAPS-GENCI
, portage de code Promes dans le cadre de l appel à projets CAPS-GENCI PROMES (UPR 8521 CNRS) Université de Perpignan France 29 juin 2011 1 Contexte 2 3 4 Sommaire Contexte 1 Contexte 2 3 4 Laboratoire
Plus en détailT. Gasc 1,2,3, F. De Vuyst 1, R. Motte 3, M. Peybernes 4, R. Poncet 5
Modélisation de la performance et optimisation d un algorithme hydrodynamique de type Lagrange-Projection sur processeurs multi-cœurs T. Gasc 1,2,3, F. De Vuyst 1, R. Motte 3, M. Peybernes 4, R. Poncet
Plus en détailTechnologie SDS (Software-Defined Storage) de DataCore
Technologie SDS (Software-Defined Storage) de DataCore SANsymphony -V est notre solution phare de virtualisation du stockage, dans sa 10e génération. Déployée sur plus de 10000 sites clients, elle optimise
Plus en détailÉléments d'architecture des ordinateurs
Chapitre 1 Éléments d'architecture des ordinateurs Machines take me by surprise with great frequency. Alan Turing 1.1 Le Hardware Avant d'attaquer la programmation, il est bon d'avoir quelques connaissances
Plus en détailInfrastructure de calcul du CRRI
Infrastructure de calcul du CRRI Types d'infrastructures de calcul Calcul Intensif (High Performance Computing) Tâches fortement couplées (codes vectoriels / parallèles) Supercalculateurs, SMP, clusters,
Plus en détailen version SAN ou NAS
tout-en-un en version SAN ou NAS Quand avez-vous besoin de virtualisation? Les opportunités de mettre en place des solutions de virtualisation sont nombreuses, quelque soit la taille de l'entreprise. Parmi
Plus en détailRencontre sur la thématique du Calcul Haute Performance - 13 juin 2012. Better Match, Faster Innovation
Better Match, Faster Innovation Rencontre sur la thématique du Calcul Haute Performance - 13 juin 2012 Meeting on the theme of High Performance Computing TABLE DES MATIÈRES Qu est ce qu un imatch? STI
Plus en détailViSaGe. Virtualisation du Stockage dans les Grilles. Informatiques. RenPar 16, 6-8 Avril 2005 Thiebolt François thiebolt@irit.fr
1 ViSaGe Virtualisation du Stockage dans les Grilles Informatiques RenPar 16, 6-8 Avril 2005 Thiebolt François thiebolt@irit.fr IRIT Projet RNTL labellisé pré-compétitif Solution ViSaGe ViSaGe Accès transparent
Plus en détailTests de SlipStream sur les plateformes StratusLab@LAL et OpenStack@CC-IN2P3 : vers la. Vers la fédération du Cloud computing
Tests de sur les plateformes StratusLab@LAL et OpenStack@CC-IN2P3 : vers la fédération du Cloud computing Cécile Cavet1 & Charles Loomis2 (1) Centre François Arago, Laboratoire, Université Paris Diderot,
Plus en détailJournée Utiliateurs 2015. Nouvelles du Pôle ID (Informatique) Pierre Neyron, LIG/CNRS
Journée Utiliateurs 2015 Nouvelles du Pôle ID (Informatique) Pierre Neyron, LIG/CNRS 1 Pôle ID, Grid'5000 Ciment Une proximité des platesformes Autres sites G5K Grenoble + CIMENT Pôle ID = «Digitalis»
Plus en détailHiérarchie matériel dans le monde informatique. Architecture d ordinateur : introduction. Hiérarchie matériel dans le monde informatique
Architecture d ordinateur : introduction Dimitri Galayko Introduction à l informatique, cours 1 partie 2 Septembre 2014 Association d interrupteurs: fonctions arithmétiques élémentaires Elément «NON» Elément
Plus en détailEcole Mohammadia d Ingénieurs Systèmes Répartis Pr. Slimane Bah, ing. PhD G. Informatique Semaine 24
Ecole Mohammadia d Ingénieurs Systèmes Répartis Pr. Slimane Bah, ing. PhD G. Informatique Semaine 24 1 Semestre 4 : Fev. 2015 Cluster Caractéristiques : Centralisé Fortement couplé Même domaine administratif
Plus en détail4. Utilisation d un SGBD : le langage SQL. 5. Normalisation
Base de données S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Présentation du module Contenu général Notion de bases de données Fondements / Conception Utilisation :
Plus en détailLA VIRTUALISATION. Etude de la virtualisation, ses concepts et ses apports dans les infrastructures informatiques. 18/01/2010.
Guillaume ANSEL M2 ISIDIS 2009-2010 / ULCO Dossier d étude sur la virtualisation LA VIRTUALISATION 18/01/2010 Etude de la virtualisation, ses concepts et ses apports dans les infrastructures informatiques.
Plus en détailComment optimiser l utilisation des ressources Cloud et de virtualisation, aujourd hui et demain?
DOSSIER SOLUTION Solution CA Virtual Placement and Balancing Comment optimiser l utilisation des ressources Cloud et de virtualisation, aujourd hui et demain? agility made possible La solution automatisée
Plus en détailIntroduction aux systèmes temps réel. Iulian Ober IRIT ober@iut-blagnac.fr
Introduction aux systèmes temps réel Iulian Ober IRIT ober@iut-blagnac.fr Définition Systèmes dont la correction ne dépend pas seulement des valeurs des résultats produits mais également des délais dans
Plus en détailHappy birthday ZSet High performance computing dans ZSet
Happy birthday ZSet High performance computing dans ZSet F. Feyel & P. Gosselet Architectures SMP NUMA memory memory memory Distribué memory memory 2 memory memory Hybride memory memory memory memory memory
Plus en détailCORBA haute performance
CORBA haute performance «CORBA à 730Mb/s!» Alexandre DENIS PARIS/IRISA, Rennes Alexandre.Denis@irisa.fr Plan Motivations : concept de grille de calcul CORBA : concepts fondamentaux Vers un ORB haute performance
Plus en détailUne dérivation du paradigme de réécriture de multiensembles pour l'architecture de processeur graphique GPU
Une dérivation du paradigme de réécriture de multiensembles pour l'architecture de processeur graphique GPU Gabriel Antoine Louis Paillard Ce travail a eu le soutien de la CAPES, agence brésilienne pour
Plus en détailChapitre 1. Infrastructures distribuées : cluster, grilles et cloud. Grid and Cloud Computing
Chapitre 1. Infrastructures distribuées : cluster, grilles et cloud Grid and Cloud Computing Problématique Besoins de calcul croissants Simulations d'expériences coûteuses ou dangereuses Résolution de
Plus en détailSanity Check. bgcolor mgcolor fgcolor
Sanity Check bgcolor mgcolor fgcolor 0 1 2 3 4 5 6 7 8 9 10 Compilation pour cibles hétérogènes: automatisation des analyses, transformations et décisions nécessaires, François Irigoin et Ronan Keryell
Plus en détailJulien MATHEVET Alexandre BOISSY GSID 4. Rapport RE09. Load Balancing et migration
Julien MATHEVET Alexandre BOISSY GSID 4 Rapport Load Balancing et migration Printemps 2001 SOMMAIRE INTRODUCTION... 3 SYNTHESE CONCERNANT LE LOAD BALANCING ET LA MIGRATION... 4 POURQUOI FAIRE DU LOAD BALANCING?...
Plus en détailLes participants repartiront de cette formation en ayant une vision claire de la stratégie et de l éventuelle mise en œuvre d un Big Data.
Big Data De la stratégie à la mise en oeuvre Description : La formation a pour objet de brosser sans concession le tableau du Big Data. Les participants repartiront de cette formation en ayant une vision
Plus en détailvbladecenter S! tout-en-un en version SAN ou NAS
vbladecenter S! tout-en-un en version SAN ou NAS Quand avez-vous besoin de virtualisation? Les opportunités de mettre en place des solutions de virtualisation sont nombreuses, quelque soit la taille de
Plus en détailÉléments de programmation et introduction à Java
Éléments de programmation et introduction à Java Jean-Baptiste Vioix (jean-baptiste.vioix@iut-dijon.u-bourgogne.fr) IUT de Dijon-Auxerre - LE2I http://jb.vioix.free.fr 1-20 Les différents langages informatiques
Plus en détailCommunications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes
Loris MARCHAL Laboratoire de l Informatique du Parallélisme Équipe Graal Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Thèse réalisée sous la direction
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailSystèmes Répartis. Pr. Slimane Bah, ing. PhD. Ecole Mohammadia d Ingénieurs. G. Informatique. Semaine 24.2. Slimane.bah@emi.ac.ma
Ecole Mohammadia d Ingénieurs Systèmes Répartis Pr. Slimane Bah, ing. PhD G. Informatique Semaine 24.2 1 Semestre 4 : Fev. 2015 Grid : exemple SETI@home 2 Semestre 4 : Fev. 2015 Grid : exemple SETI@home
Plus en détailModule : Virtualisation à l aide du rôle Hyper-V
Windows Server 2008 pour l'enseignement Module : Virtualisation à l aide du rôle Hyper-V Agenda du module Présentation d Hyper-V Installation d Hyper-V Configuration d Hyper-V Administration des machines
Plus en détailPrésentation d HyperV
Virtualisation sous Windows 2008 Présentation d HyperV Agenda du module Présentation d Hyper-V Installation d Hyper-V Configuration d Hyper-V Administration des machines virtuelles Offre de virtualisation
Plus en détailCH.3 SYSTÈMES D'EXPLOITATION
CH.3 SYSTÈMES D'EXPLOITATION 3.1 Un historique 3.2 Une vue générale 3.3 Les principaux aspects Info S4 ch3 1 3.1 Un historique Quatre générations. Préhistoire 1944 1950 ENIAC (1944) militaire : 20000 tubes,
Plus en détailÉquilibrage Dynamique de Charge pour des Calculs Parallèles sur Cluster Linux - Une Évaluation de l Environnement AMPI.
Facultés Universitaires Notre-Dame de la Paix, Namur Institut d Informatique Année académique 2003-2004 Équilibrage Dynamique de Charge pour des Calculs Parallèles sur Cluster Linux - Une Évaluation de
Plus en détailMétriques de performance pour les algorithmes et programmes parallèles
Métriques de performance pour les algorithmes et programmes parallèles 11 18 nov. 2002 Cette section est basée tout d abord sur la référence suivante (manuel suggéré mais non obligatoire) : R. Miller and
Plus en détail3A-IIC - Parallélisme & Grid GRID : Définitions. GRID : Définitions. Stéphane Vialle. Stephane.Vialle@supelec.fr http://www.metz.supelec.
3A-IIC - Parallélisme & Grid Stéphane Vialle Stephane.Vialle@supelec.fr http://www.metz.supelec.fr/~vialle Principes et Objectifs Evolution Leçons du passé Composition d une Grille Exemple d utilisation
Plus en détailRésolvez vos problèmes d énergie dédiée à l informatique
Résolvez vos problèmes d énergie dédiée à l informatique GRÂCE À UNE SOLUTION ENERGY SMART DE DELL Surmonter les défis énergétiques des datacenters Les responsables informatiques ont un problème urgent
Plus en détailOrganiser vos données - Big Data. Patrick Millart Senior Sales Consultant
Organiser vos données - Big Data Patrick Millart Senior Sales Consultant The following is intended to outline our general product direction. It is intended for information purposes only, and may not be
Plus en détailProgrammation C. Apprendre à développer des programmes simples dans le langage C
Programmation C Apprendre à développer des programmes simples dans le langage C Notes de cours sont disponibles sur http://astro.u-strasbg.fr/scyon/stusm (attention les majuscules sont importantes) Modalités
Plus en détailRuntime. Gestion de la réactivité des communications réseau. François Trahay Runtime, LaBRI sous la direction d'alexandre Denis Université Bordeaux I
Runtime Gestion de la réactivité des communications réseau François Trahay Runtime, LaBRI sous la direction d'alexandre Denis Université Bordeaux I 1 Le calcul hautes performances La tendance actuelle
Plus en détailSéminaire RGE REIMS 17 février 2011
Séminaire RGE REIMS 17 février 2011 ADACSYS Présentation des FPGA Agenda Spécificité et différences par rapport aux autres accélérateurs Nos atouts Applications Approche innovante Document confidentiel
Plus en détailChoix d'un serveur. Choix 1 : HP ProLiant DL380 G7 Base - Xeon E5649 2.53 GHz
Choix d'un serveur Vous êtes responsable informatique d'une entreprise. Vous devez faire un choix pour l'achat d'un nouveau serveur. Votre prestataire informatique vous propose les choix ci-dessous Vous
Plus en détailSur un ordinateur portable ou un All-in-One tactile, la plupart des éléments mentionnés précédemment sont regroupés. 10) 11)
1/ Généralités : Un ordinateur est un ensemble non exhaustif d éléments qui sert à traiter des informations (documents de bureautique, méls, sons, vidéos, programmes ) sous forme numérique. Il est en général
Plus en détailContributions à l expérimentation sur les systèmes distribués de grande taille
Contributions à l expérimentation sur les systèmes distribués de grande taille Lucas Nussbaum Soutenance de thèse 4 décembre 2008 Lucas Nussbaum Expérimentation sur les systèmes distribués 1 / 49 Contexte
Plus en détailLʼavenir des grilles Des grilles aux Clouds avec quelques «petits problèmes» de recherche. F. Desprez INRIA
Lʼavenir des grilles Des grilles aux Clouds avec quelques «petits problèmes» de recherche F. Desprez INRIA Introduction Les grilles font-elles déjà parties du passé? Des plates-formes de recherche et de
Plus en détailJournée Scientifique Onera
[[À la croisée des révolutions numériques]] Journée Scientifique Onera Date : 20 mai 2014 Lieu : ONERA - Centre de Châtillon - 29 avenue de la Division Leclerc, 92322 Inscription : Gratuite Obligatoire.
Plus en détailSéminaire Partenaires Esri France 6 et 7 juin 2012 Paris. ArcGIS et le Cloud. Gaëtan LAVENU
Séminaire Partenaires Esri France 6 et 7 juin 2012 Paris ArcGIS et le Cloud Gaëtan LAVENU Agenda Qu'attendent nos clients du Cloud Computing? Les solutions de Cloud ArcGIS dans le Cloud Quelles attendent
Plus en détailLe projet Gaïa, le Big Data au service du traitement de données satellitaires CRIP - 16/10/2013 Pierre-Marie Brunet
Le projet Gaïa, le Big Data au service du traitement de données satellitaires CRIP - 16/10/2013 Pierre-Marie Brunet 1 SOMMAIRE Le calcul scientifique au CNES Le BigData au CNES, le cas Gaïa HPC et BigData
Plus en détailIBM CloudBurst. Créer rapidement et gérer un environnement de Cloud privé
IBM CloudBurst Créer rapidement et gérer un environnement de Cloud privé Points clés Accélérez le déploiement d'un Cloud privé à l'aide d'un système préinstallé et préintégré avec des logiciels, des serveurs
Plus en détailVMware vsphere 5 Préparation à la certification VMware Certified Professional 5 Data Center Virtualization (VCP5-DCV) - Examen VCP510
Introduction A. Au sujet du livre 10 B. Au sujet de l'examen 10 Chapitre 1 Les nouveautés de vsphere A. Présentation 14 B. En quoi vsphere 5 diffère de vsphere 4? 14 1. Un Service Console abandonné 14
Plus en détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détailNe laissez pas le stockage cloud pénaliser votre retour sur investissement
Ne laissez pas le stockage cloud pénaliser votre retour sur investissement Préparé par : George Crump, analyste senior Préparé le : 03/10/2012 L investissement qu une entreprise fait dans le domaine de
Plus en détailVersion de novembre 2012, valable jusqu en avril 2013
Pré requis techniques pour l installation du logiciel complet de gestion commerciale WIN GSM en version hyper File en configuration Windows Terminal Serveur Version de novembre 2012, valable jusqu en avril
Plus en détailArchitecture matérielle des systèmes informatiques
Architecture matérielle des systèmes informatiques IDEC, Renens. Version novembre 2003. Avertissement : ce support de cours n est pas destiné à l autoformation et doit impérativement être complété par
Plus en détaillibérez votre innovation avec l extreme computing CEA/Philippe Stroppa
libérez votre innovation avec l extreme computing CEA/Philippe Stroppa Solutions Bull pour l extreme computing Une gamme qui démultiplie votre pouvoir d innovation. De la physique fondamentale à la recherche
Plus en détailPourquoi OneSolutions a choisi SyselCloud
Pourquoi OneSolutions a choisi SyselCloud Créée en 1995, Syselcom est une société suisse à capitaux suisses. Syselcom est spécialisée dans les domaines de la conception, l intégration, l exploitation et
Plus en détailEvaluation des performances de programmes parallèles haut niveau à base de squelettes algorithmiques
Evaluation des performances de programmes parallèles haut niveau à base de squelettes algorithmiques (bourse EPSRC numéro GR/S21717/01) Enhancing the Perf. Predictability of Grid Appli. with Patterns and
Plus en détailLes mésocentres HPC àportée de clic des utilisateurs industriels
Les mésocentres HPC àportée de clic des utilisateurs industriels Université de Reims Champagne-Ardenne (URCA) Centre de Calcul ROMEO Multidisciplinary university more than 22 000 students a wide initial
Plus en détailSystème de stockage IBM XIV Storage System Description technique
Système de stockage IBM XIV Storage System Description technique Système de stockage IBM XIV Storage System Le stockage réinventé Performance Le système IBM XIV Storage System constitue une solution de
Plus en détailBonjour. Yohan PARENT, Cyprien FORTINA, Maxime LEMAUX, Hyacinthe CARTIAUX
Bonjour I.Le contexte II.Le cloud computing III.L'expérimentation des solutions libres sur Grid'5000 1.Eucalyptus 2.OpenNebula 3.OpenStack IV.Tableau Comparatif V.Conclusion I.Le contexte 1)Le projet
Plus en détailProgrammation parallèle et distribuée
ppd/mpassing p. 1/43 Programmation parallèle et distribuée Communications par messages Philippe MARQUET Philippe.Marquet@lifl.fr Laboratoire d informatique fondamentale de Lille Université des sciences
Plus en détailAXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES
1 AXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES 2 Axes de recherche L activité du DIM LSC concerne la méthodologie de la conception et le développement de systèmes à forte
Plus en détailLes clusters Linux. 4 août 2004 Benoît des Ligneris, Ph. D. benoit.des.ligneris@revolutionlinux.com. white-paper-cluster_fr.sxw, Version 74 Page 1
Les clusters Linux 4 août 2004 Benoît des Ligneris, Ph. D. benoit.des.ligneris@revolutionlinux.com white-paper-cluster_fr.sxw, Version 74 Page 1 Table des matières Introduction....2 Haute performance (High
Plus en détailCatalogue des stages Ercom 2013
Catalogue des stages Ercom 2013 Optimisations sur Modem LTE Poste basé à : Caen (14) Analyse et optimisation des performances des traitements réalisés dans un modem LTE. - Profiling et détermination des
Plus en détailSans trop entrer dans les détails, la démarche IO Model consiste à : Pour cela, Microsoft découpe la maîtrise de l infrastructure en quatre niveaux :
Windows Server 2008 Les fondations du système... 15 La virtualisation... 16 La sécurité... 18 Le Web... 20 Fonctionnalité disponible dans... 21 Installation et configuration... 22 Installer... 23 Les services
Plus en détailExécution des instructions machine
Exécution des instructions machine Eduardo Sanchez EPFL Exemple: le processeur MIPS add a, b, c a = b + c type d'opération (mnémonique) destination du résultat lw a, addr opérandes sources a = mem[addr]
Plus en détailADMINISTRATION EXADATA
ADMINISTRATION EXADATA Abel Afonso Avant Vente abel.afonso@oracle.com The following is intended to outline our general product direction. It is intended for information purposes only, and may not be incorporated
Plus en détailProjet IGGI. Infrastructure pour Grappe, Grille et Intranet. Fabrice Dupros. CASCIMODOT - Novembre 2005. Systèmes et Technologies de l Information
Projet IGGI Infrastructure pour Grappe, Grille et Intranet CASCIMODOT - Novembre 2005 Fabrice Dupros CONTEXTE > Etablissement Public à caractère Industriel et Commercial (EPIC) Sous la tutelle des Ministères
Plus en détailMODULE I1. Plan. Introduction. Introduction. Historique. Historique avant 1969. R&T 1ère année. Sylvain MERCHEZ
MODULE I1 Plan Chapitre 1 Qu'est ce qu'un S.E? Introduction Historique Présentation d'un S.E Les principaux S.E R&T 1ère année Votre environnement Sylvain MERCHEZ Introduction Introduction Rôles et fonctions
Plus en détail