Burocracias¶

Horários

Aulas:

Segunda -> 16h30 -- 18h30

Sexta -> 14h15 -- 16h15

Atendimento -> Início 27/02/26

Sexta -> 12:30 às 14:00

Objetivos de Aprendizagem

Ao final da disciplina, o estudante será capaz de:

Obj 1. Desenvolver algoritmos usando recursos de computação paralela e distribuída para obter ganhos de desempenho na aplicação final.

Obj 2. Aplicar estruturas lógicas de computação distribuída no desenvolvimento de algoritmos multitarefa.

Obj 3. Usar GPGPU (General-Purpose computing on Graphics Processing Units) para computação numérica e comparar seu desempenho com soluções baseadas em CPU.

Obj 4. Planejar e projetar sistemas de computação de alto desempenho, considerando aspectos de hardware, escalabilidade, e alocação de recursos.

Obj 5. Analisar a complexidade de algoritmos paralelos e a eficiência de implementações específicas, identificando as métricas de desempenho mais adequadas para essa análise.

Obj 6. Aplicar recursos específicos de sistemas operacionais (como escalonadores, controle de threads e gerenciamento de memória) para melhorar o desempenho de algoritmos.

Obj 7. Desenvolver aplicações que utilizam protocolos otimizados para paralelização, como MPI, OpenMP e CUDA.

Plano de Aulas - Supercomputação (2026.1)

Data	Aula	Tópicos Abordados	Atividades
09/fev (seg)	01	Introdução à disciplina; conceitos de HPC; plataforma de HPC; acesso remoto (SSH); políticas de uso do Cluster Franky	Criação de conta no cluster; configuração do ambiente; primeiro código em C++; uso da IDE
13/fev (sex)	02	Sistemas de HPC; arquitetura de clusters; rede e hardware; filas e jobs; SLURM; clusters no Brasil e no mundo	Atividade prática com SLURM no Cluster Franky; submissão de jobs via SLURM
20/fev (sex)	03	C++ para HPC: vetores; gerenciamento de memória; STL; alocação dinâmica; acesso cache-friendly	Exercícios de fixação em C++; análise de desempenho
23/fev (seg)	04	C++ para HPC: matrizes; layout de memória (row-major); acesso sequencial vs aleatório; custo computacional	Exercícios de fixação; comparação de padrões de acesso à memória
27/fev (sex)	05	Otimizações em CPU; hierarquia de memória; caches; prefetching; localidade temporal e espacial; loop unrolling	Exercícios de otimização em CPU; medição de desempenho
02/mar (seg)	06	Estratégias e algoritmos de otimização; BLAS; Roofline Model; limites computacionais vs memória	Exercícios de fixação; análise comparativa de desempenho e relatório técnico
06/mar (sex)	07	Algoritmos avançados de otimização; algoritmo de Strassen; matrizes esparsas; estruturas CSR e CSC	Exercícios de fixação; análise de custo computacional
09/mar (seg)	08	Concorrência e paralelismo; modelo fork-join; speedup; eficiência; Leis de Amdahl e Gustafson	Exercícios de paralelização; análise de escalabilidade
13/mar (sex)	09	Otimizações de memória em estratégias paralelas; false sharing; alinhamento; afinidade de memória	Exercícios de fixação; comparação de desempenho antes e depois da otimização
16/mar (seg)	10	Gerenciamento de threads; thread pools; sincronização; barreiras; mutexes	Exercícios de fixação; implementação correta sem condições de corrida
20/mar (sex)	11	Aula Estúdio: resolução orientada de problemas reais em HPC	Desenvolvimento incremental da APS 1; acompanhamento em sala
23/mar (seg)	12	Aula Estúdio: continuação da APS 1	Desenvolvimento incremental da APS 1
27/mar (sex)	13	Avaliação Intermediária	Avaliação prática e teórica
30/mar (seg)	14	Avaliação Intermediária	Avaliação prática e teórica
06/abr (seg)	15	Paralelismo com OpenMP; compartilhamento entre threads; efeitos do scheduler; escalonamento estático e dinâmico	Exercícios de fixação com OpenMP
10/abr (sex)	16	Efeitos colaterais do paralelismo; race conditions; dependências de dados; recursão	Exercícios de fixação; correção de erros concorrentes
13/abr (seg)	17	Memória distribuída; MPI ponto a ponto; Send/Recv; latência e topologias de comunicação	Exercícios de fixação; implementação MPI no cluster
17/abr (sex)	18	MPI comunicação coletiva; Broadcast; Scatter; Gather; Reduce	Exercícios de fixação; análise de eficiência de comunicação
24/abr (sex)	19	Grupos e comunicadores; programação híbrida MPI + OpenMP	Exercícios de fixação; implementação híbrida
27/abr (seg)	20	Introdução à programação paralela em GPU; arquitetura de GPUs; modelo SIMT; hierarquia de memória	Exercícios de fixação; primeiro código CUDA
04/mai (seg)	21	Programação em CUDA; kernels; grids e blocks; memória global e compartilhada	Exercícios de fixação; implementação de kernels
08/mai (sex)	22	CUDA avançado: stencil, tiling e agendamento de threads	Exercícios de fixação; comparação entre versões otimizadas
11/mai (seg)	23	Redução e scan em CUDA; algoritmos paralelos clássicos; uso de memória compartilhada	Exercícios de fixação; medição de speedup
15/mai (sex)	24	Matrizes esparsas em GPU; SpMV; computação assíncrona; streams; sobreposição comunicação–cálculo	Exercícios de fixação; análise de desempenho
18/mai (seg)	25	Código síncrono vs assíncrono em CUDA; streams; eventos; latência e throughput	Exercícios de fixação; comparação quantitativa entre abordagens
22/mai (sex)	26	Revisão geral do conteúdo; exercícios preparatórios para Avaliação Final	Lista de exercícios preparatórios
25/mai (seg)	27	Simulado da Avaliação Final	Resolução comentada do simulado
29/mai (sex)	28	Avaliação Final	Avaliação Final
01/jun (seg)	29	Avaliação Final	Avaliação Final

Atividades (Individual) 15%

Percentual de Atividades	Conceito
50%	C
70%	B
90%	A
100%	A +

APS 1 - Otimizações e Paralelismo em CPU (Individual 10%)

Detalhes em APS 1 - Otimizações e Paralelismo em CPU

Avaliação¶

A APS será avaliada em 2 aspectos principais;

A implementação (4 pontos)
O relatório (6 pontos)

Implementação (4 pontos)¶

A implementação seguirá a seguinte rubrica.

0 - Não compila, não é possível testar a implementação.
+1 - Implementou alguma otimização que melhora o algoritmo exaustivo sequencial, mas ainda leva muito tempo para chegar na solução.
+1 - Otimizou a heurísitca e conseguiu chegar na solução, mas ainda tem uma implementação sequencial.
+2 - Paralelizou o algorítimo e conseguiu chegar na melhor solução no menor tempo possível.

Relatório¶

O relatório deve apresentar evidências de que os experimentos foram executados e analisados pelo aluno. A avaliação será feita de acordo com os critérios abaixo:

1. Reprodutibilidade dos experimentos (1 ponto)¶

O relatório deve permitir que qualquer pessoa entenda exatamente como os experimentos foram realizados e o como reproduzir os testes.

0 - Não é possível entender como realizar os testes nem como eles foram executados.
+1 - O repositório disponibiliza os arquivos SLURM utilizados e todos os arquivos necessários para realizar os testes, há uma descrição clara dos testes realizados e como reproduzir os experimentos.

2. Evidência de execução dos experimentos (2 pontos)¶

O relatório deve apresentar resultados obtidos a partir da execução do código. Esses resultados devem ser apresentados em formas de tabela e gráficos.

0 pontos - O relatório não apresenta resultados em forma de tabelas e gráficos.
+0.5 ponto - Existe a apresentação dos dados em tabela ou gráfico.
+1.5 ponto - O relatório apresenta tabela e gráfico contendo os principais parâmetros de execução dos experimento.

3. Qualidade da análise dos resultados (3 pontos)¶

A análise deve mostrar que o aluno entendeu as otimizações que realizou e como elas impactaram os resultados obtidos.

0 pontos - Texto do relatório genérico, análises claramente geradas por ferramentas de IA ou explicações inconsistentes com os resultados apresentados.
+1 ponto - O relatório menciona resultados, mas a interpretação ainda é superficial.
+2 pontos - O relatório relaciona as otimizações implementadas com os dados obtidos de forma clara e objetiva.

A entrega da APS 1 deverá ser realizada até o dia 20/03 as 23h59 pelo Github Classroom ¶

APS 2 20%

Em construção