Programación paralela y distribuida

El objetivo de la asignatura es llegar a conocer y adquirir experiencia en las principales tecnologías de desarrollo de aplicaciones paralelas y distribuidas, abarcando un rango de plataformas hardware que se extiende desde los sistemas multi-core y multi-GPUs hasta los grandes multicomputadores paralelos, incluyendo soluciones basadas en cloud computing, y afrontando problemas tanto del ámbito del HPC como de Big Data.

• Se ha producido un error mientras se leían los datos de este feed: http://laurel.datsi.fi.upm.es/web/foro-DESCONECTADO/rss.php?f=26

• Guía de Aprendizaje de la Asignatura.

• El aula designada es la 6302.

• Martes de 19:00 a 21:00
• Jueves de 18:00 a 19:00

1. Introducción. Necesidades de la computación científica Clase presentación de la asignatura Introducción HPC
   • Necesidades de cómputo. Arquitecturas de altas prestaciones. Top 500. Green 500.
   • Sistemas de memoria compartida.
   • Sistemas de memoria distribuida, clusters y cloud.
   • Coprocesadores (GPUs y MIC).
   • Análisis de aplicaciones. Detección de errores y cuellos de botella (valgrind).
2. Programación distribuida MPI
   • Programación de sistemas de memoria distribuida: MPI. Ejemplos.
3. E/S de Alto Rendimiento (Transparencias)
   • Computación Intensiva de datos. Motivación.
   • Sistemas de ficheros paralelos y escalables. Lustre, GPFS, PVFS, HDFS, Ceph, GlusterFS.
   • Bibliotecas de E/S paralela. MPI-IO, HDF5, NetCDF.
4. Programación paralela OpenMP
   • Programación de sistemas de memoria compartida: OpenMP. Ejemplos.
5. Entornos de programación paralela basados en modelos/paradigmas
   • Reflexiones sobre la programación paralela (Transparencias).
   • MapReduce:
     • Propuesta Google MapReduce de Google (Artículo, Transparencias)
     • Introducción a la programación MapReduce en Hadoop Guía para la programación MapReduce en Hadoop.
     • Diseño de algoritmos con MapReduce "Data-Intensive Text Processing with MapReduce" de Jimmy Lin and Chris Dyers.
     • Ejercicios de MapReduce propuestos para clase
   • Otros modelos de programación paralela basados en paradigmas (Transparencias)
     • Basados en BSP y Modelos para el procesamiento de grafos (Google Pregel)
6. Aceleradores
   • Many Integrated Cores o Intel Xeon Phi. Descripción. Vectorización.
   • Graphic Processing Unit. Introducción. Descripción de la arquitectura. Programación con Cuda.

Como se especifica en la normativa de la asignatura, hay tres proyectos prácticos:

• Primer proyecto práctico: Computación de alto rendimiento (plazo 5 de diciembre de 2014)
  • Enunciado de la práctica
  • Responsable: Antonio García Dopico
• Segundo proyecto práctico: MapReduce (plazo 15 de enero de 2016)
  • Enunciado de la práctica
  • Responsable: Fernando Pérez Costoya
• Tercer proyecto práctico: E/S Paralela (plazo 16 de enero de 2015)
  • Enunciado de la práctica
  • Responsable: María de los Santos Pérez Hernández