Нижегородский государственный университет им.Н.И.Лобачевского.

ЛАБОРАТОРИЯ ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

Факультет вычислительной математики и кибернетики

Лаборатория ITLabМероприятияОрганизацияШколыЗимняя школа по параллельным вычислениям 2006Аннотация программы Зимней школы Switch to English version  
Новости
О Лаборатории
Обучение
Исследования
Образовательные комплексы
Семинар Лаборатории
Мероприятия
Организация
Участие
Вакансии Интел
Сотрудничество
Разработчики сайта
О нас пишут
Летняя школа 2011
Видео лекции
Клуб У.М.Н.И.К.
Имя:
Пароль:
запомнить:
Забыли пароль? Регистрация

Аннотация программы Зимней школы

Аннотации к программе Зимней Школы–Практикума
Технологии Параллельного Программирования 2006

Технология параллельного программирования. Гергель Виктор Павлович (12 ч.)

Лабораторный практикум направлен на практическую демонстрацию использования современных технологий параллельного программирования на примере конкретной вычислительно-трудоемкой задачи численного решения дифференциальных уравнений в частных производных. Задачи подобного типа часто встречаются при моделировании сложных явлений и систем, с другой стороны, на основе этой одной задачи оказывается возможной наглядная демонстрация многих аспектов параллельного программирования (балансировка вычислений, синхронизация расчетов, блокировка и т.п.)

Многопоточное программирование для многоядерных архитектур Intel: эффективные инструменты разработки и оптимизации.  Виктория Громова, Intel, 1.5ч

Появление многоядерных процессоров требует от разработчика понимания различных техник распараллеливания программ. Из лекции Вы поймете важность много поточного программирования. Особое внимание будет уделено проблемам корректности и производительности многопоточных программ, созданных для многоядерных процессоров следующего поколения, и их решению с помощью Intel® Threading Tools

Масштабируемость параллельных программ: измерение и анализ, проблемы и решения. Алексей Куканов, Intel, 1.5ч

Наиболее вероятным путём дальнейшего увеличения мощности процессоров видится рост количества вычислительных ядер. В связи с этим проблема эффективного использования нескольких вычислительных устройств перестаёт быть узкоспециальной. Масштабируемость, то есть степень роста производительности программы с увеличением количества доступных вычислительных ядер, становится одним из главных приоритетов для разработчика. В презентации рассматриваются вопросы измерения и анализа масштабируемости и факторы, на неё влияющие.

Introduction to OpenMP programming / Введение в OpenMP. Лев Нежданов, Intel, 2ч

Лекция знакомит слушателей с интерфейсом прикладного программирования OpenMP, предназначенным для написания параллельных программ с общей памятью на языках C/C++ и Fortran. OpenMP – переносимая, масштабируемая модель, дающая программистам простой и гибкий интерфейс для разработки приложений для широкого круга платформ – от настольных систем до суперкомпьютеров. В лекции рассматриваются все компоненты OpenMP – директивы, библиотечные функции, переменные окружения. Множество простых примеров иллюстрирует типичные применения основных конструкций OpenMP.

Cluster OpenMP*: распределенные вычисления для многоядерных процессоров. Виктория Громова, Intel, 1ч

В докладе будут изложены основные концепции создания программ для распределенных систем, где каждый процесс распараллелен при помощи OpenMP, что позволяет полностью задействовать не только мощность распределенных систем в традиционном смысле, но и полностью использовать возможности каждого кластерного узла, в случае, если он многопроцессорный (многоядерный). Будет представлен инструмент Cluster OpenMP, который реализует расширение OpenMP, позволяющее объявлять области данных доступными всем узлами кластера. В докладе будут представлены преимущества инструмента по сравнению с MPI и класс задач, для которых инструмент может работать эффективно. Одно из самых ярких преимуществ, о котором будет рассказано в деталях, - это простота разработки программ для Cluster OpenMP, поскольку передача данных между узлами кластера скрывается инструментом (происходит неявно, по протоколу Lazy Release Consistency).

Лабораторная работа: использование Intel® Thread Profiler для повышения производительности многопоточных приложений. Анна Малашкина, Андрей Марочко, Intel, 2ч

Происходящее сейчас на рынке массовое замещение обычных процессоров многоядерными, делает практически обязательным применение много поточности при разработке приложений. Однако интенсивное взаимодействие потоков в реальном времени часто приводит к недостаточно-эффективному использованию вычислительных ресурсов. Решение проблем производительности многопоточных приложений является очень сложной задачей, в частности ввиду того, что человеческое мышление является последовательным по своей природе. Intel® Thread Profiler, уникальный инструмент выпускаемый корпорацией Intel, позволяет визуализировать взаимодействие потоков, и предоставляет набор подходов к оптимизации многопоточных программ. Лабораторная работа познакомит участников с применением данного инструмента и некоторыми техниками многопоточной оптимизации.

Лабораторная работа: использование интерфейса OpenMP для написания многопоточных приложений. Андрей Тананакин, Intel, 2ч

Лабораторная работа знакомит участников с практическими аспектами использования интерфейса прикладного программирования OpenMP. Участникам предлагается написать OpenMP приложение, изучить применение основных конструкций OpenMP, а также выполнить анализ и оптимизацию OpenMP приложения с помощью инструментов, выпускаемых корпорацией Intel.

Технологии параллельного программирования  в системах с общей памятью
Нестеренко Максим Юрьевич, Калинина Анна Павловна, Владова Алла Юрьевна (12 ч.)

Данный практикум направлен на получение практических навыков разработки параллельных программ в системах с общей памятью с применением инструментов. На примере конкретных задач показаны наиболее важные возможности, предоставляемые инструментами Intel Vtune Analyzer, Thread Checker и Thread Profiler. Кроме того, демонстрируются все этапы практического создания параллельной программы с участием каждого из инструментов на соответствующем этапе. Рассматриваются проблемы, связанные с масштабируемостью многопоточных приложений.

Модели параллельных вычислений и технологии разработки параллельных программ на примере системы DVM. Крюков Виктор Алексеевич (12 ак. ч.)

Курс посвящен одному из важнейших направлений освоения и внедрения параллельных вычислительных систем – автоматизации разработки параллельных программ.

В первой части лекционного курса (2 час) проводится сравнительный анализ практических систем параллельного программирования, которые используются при решении вычислительных задач на многопроцессорных ЭВМ с распределенной памятью.

Вторая часть лекционного курса (4 час) посвящена технологии распараллеливания, функциональной отладки и отладки производительности типовых вычислительных задач в системе DVM.

Лабораторный практикум состоит из 3-х частей:

·        Распараллеливание “старой” последовательной программы (типовые итерационные алгоритмы)

·        Разработка новой последовательно-параллельной программы (умножение матриц)

·        Использование двухуровневого параллелизма (параллелизм по данным и параллелизм задач) в одной программе (многоблочный метод MULTIBLOCK)

Главное внимание будет уделено функциональной отладке и отладке производительности параллельных программ с использованием инструментальных средств системы DVM. Практикум оснащен методиками разработки и отладки параллельных программ на языках C-DVM и Fortran-DVM.

Проектирование прикладного математического обеспечения параллельной обработки данных. Бухановский Александр Валерьевич (12 ч.)

Курс посвящен одному из важных прикладных направлений, вплотную связанному с параллельными вычислениями – проектированию и программной реализации математического обеспечения параллельной обработки данных. Под обработкой данных в данном курсе подразумевается потоковая обработка многомерных массивов информации с целью анализа и извлечения из них определенных знаний; структура и механизмы извлечения знаний определяются спецификой прикладной области. К практическим задачам, использующим подобные технологии, относятся различные интерпретации многомерного Data Mining’а на основе статистических методов, в том числе климатическое обобщение данных о состоянии природной среды, обработка, сжатие и распознавание отображений, обработка информации в текстовых поисковых системах, анализ и синтез генетической информации.

Интел библиотеки повышения производительности IPP & MKL. Петров Андрей, Intel.

Библиотеки IPP и MKL – это прекрасный инструмент для повышения производительности приложений в области обработки сигналов, изображений, аудио и видео кодировании (IPP); решения задач линейной алгебры, быстрого преобразования Фурье, методов типа Монте-Карло (MKL) и еще многого другого. Библиотеки объединяют несколько тысяч функций, оптимизированных под архитектуру Интел. Разделы библиотек хорошо структурированы и легко поддаются изучению.

Попробуйте «обогнать» IPP или MKL!

Новости

14.11.2015
16.10.2015
16.10.2015
14.10.2015
20.09.2015

© ITLab, Нижний Новгород,  2009