Burocracias¶
Horários
Aulas:
Segunda -> 16h30 -- 18h30
Sexta -> 14h15 -- 16h15
Atendimento:
Segunda -> 18h30 -- 20h00
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 (2025.2)
| Data | Aula | Tópicos Abordados | Atividades |
|---|---|---|---|
| 11/ago (seg) | Aula 01 | Problemas de HPC; mapa de memória; Python × C++; desempenho; objetivos da disciplina; passagem de argumentos; recursos de C++ | Transcrição de códigos Python para C++; comparação de desempenho entre linguagens. |
| 15/ago (sex) | Aula 02 | Sistemas de HPC; rede, hardware, filas, jobs; SLURM; clusters no Brasil e no mundo | Testes com SLURM no Cluster Franky; comparação de desempenho em diferentes filas. |
| 18/ago (seg) | Aula 03 | Hierarquia de memória (L1, L2, L3); técnica de Tiling (fateamento em blocos); princípios de localidade espacial e temporal | Aplicar tiling para melhorar o uso de cache; reorganizar estruturas de dados para melhor localidade. |
| 22/ago (sex) | Aula 04 | Aleatoriedade, heurísticas, alocação de memória | Ajustes em heurísticas, estrutura de dados e uso da memória de forma eficiente. |
| 25/ago (seg) | Aula 05 | Paralelismo em CPU; threads; cores; OpenMP; variáveis privadas e compartilhadas; scheduling | Paralelismo com OpenMP; compartilhamento entre threads; efeitos do scheduler. |
| 29/ago (sex) | Aula 06 | Efeitos colaterais do paralelismo; racing conditions; dependências; recursão | Estudo de caso: mapear problemas, levantar hipóteses de otimização e comparar desempenho. |
| 01/set (seg) | Aula 07 | Memória distribuída; comunicação com MPI; ponto-a-ponto e coletiva; grupos e comunicadores | Paralelismo com MPI; comunicação entre nós. |
| 05/set (sex) | Aula 08 | Estratégias híbridas MPI + OpenMP | Estudo de caso com MPI + OpenMP, levantamento de gargalos e possíveis otimizações. |
| 08/set (seg) | Aula 09 | Aula estúdio | Suporte ao Projeto 1 – Mineração de criptomoedas em CPU |
| 12/set (sex) | Aula 10 | Palestra NVIDIA - CUDA | Palestra NVIDIA - CUDA |
| 15/set (seg) | Aula 11 | Aula estúdio | Suporte ao Projeto 1 – Mineração de criptomoedas em CPU |
| 19/set (sex) | Aula 12 | Devolutiva do Projeto 1 | Discussão das soluções apresentadas e feedback. |
| 22/set (seg) | Aula 13 | Aula estúdio | Ajustes finais no Projeto 1 – Mineração de criptomoedas em CPU |
| 26/set (sex) | Aula 14 | Prova Intermediária | Avaliação dos conteúdos até Estratégias híbridas MPI + OpenMP. |
| 29/set (seg) | Aula 15 | Profiling em GPU; warps e SIMD; divergência; alocação de memória | Atividade prática de Profiling em GPU, análise de divergências e uso de memória. |
| 06/out (seg) | Aula 16 | Histogramming; data race em GPU; atomic; throughput | Estudo de caso aplicado. |
| 10/out (sex) | Aula 17 | Técnicas stencil; convolução; tile boundaries; agendamento de threads | Estudo de caso aplicado. |
| 13/out (seg) | Aula 18 | Estabilidade numérica; ponto flutuante; controle de erro | Estudo de caso aplicado. |
| 17/out (sex) | Aula 19 | Estratégias híbridas com MPI + CUDA; gerenciamento de dados | Atividade prática com múltiplas GPUs. |
| 20/out (seg) | Aula 20 | Resumo das estratégias de otimização; discussão sobre aplicação em projeto | Discussão coletiva de estratégias de otimização. |
| 24/out (sex) | Aula 21 | Apresentação do Projeto 2 | Discussão sobre estratégias de otimização para aplicação no projeto. |
| 27/out (seg) | Aula 22 | Aula estúdio | Suporte ao Projeto 2 – Mineração de criptomoedas em GPU |
| 31/out (sex) | Aula 23 | Palestra NVIDIA – OpenACC | Introdução ao OpenACC |
| 03/nov (seg) | Aula 24 | Aula estúdio | Suporte ao Projeto 2 – Mineração de criptomoedas em GPU |
| 07/nov (sex) | Aula 25 | Aula estúdio | Suporte ao Projeto 2 – Mineração de criptomoedas em GPU |
| 10/nov (seg) | Aula 26 | Devolutiva do Projeto 2 | Ajustes finais após feedback ao Projeto 2 |
| 14/nov (sex) | Aula 27 | Simulado da Avaliação Final | Revisão prática. |
| 17/nov (seg) | Aula 28 | Avaliação Final | Avaliação Final |
| 24/nov (seg) | Aula 29 | Avaliação Final | Encerramento e avaliação final |
Atividades (Individual) 15%
| Percentual de Atividades | Conceito | Com Participação Voluntária |
|---|---|---|
| 50% | C | C+ |
| 70% | B | B+ |
| 90% | A | A+ |
Projeto 1 (Grupo) 10%
Mineração de criptomoedas em CPU¶
Este projeto consiste na implementação e otimização de um minerador de criptomoedas que roda em CPU. Aplicando técnicas de paralelismo para melhorar desempenho no cluster Franky. A dificuldade da mineração é ajustada pela quantidade de zeros no hash, aumentando o desafio computacional conforme otimizimos a aplicação.
| Rubrica | Critérios Técnicos |
|---|---|
| C | Executa o código minerador assíncrono no cluster Franky com dificuldade **5 zeros e pelo menos 5 gerações diferentes de async_gen`. |
| B | Executa o código minerador assíncrono no cluster Franky com dificuldade 6 zeros e pelo menos 5 gerações diferentes de async_gen; utiliza paralelismo ou distribuição do código em CPU. |
| A | Executa o código minerador assíncrono no cluster Franky com dificuldade 7 zeros e pelo menos 5 gerações diferentes de async_gen; realiza paralelização e distribuição do código em CPU. |
Entrega¶
Código-fonte funcional, comentado e documentado. Relatório técnico com:
- Diagnóstico dos gargalos;
- Proposta de otimização;
- Hipótese de melhoria;
- Implementação da hipótese;
- Comparação de desempenho;
- Discussão dos resultados.
Bônus por Qualidade¶
| Conceito Base | Com Bônus |
|---|---|
| C | C+ |
| B | B+ |
| A | A+ |
Projeto 2 (Individual) 20%
Projeto Minerador em GPU Neste projeto, o foco é explorar o uso de paralelismo e estratégias de otimização em GPU para maximizar o desempenho computacional.
Objetivos principais:
-
Executar o projeto utilizando o sistema de HPC SDumont, do LNCC;
-
Implementar estratégias de paralelismo e distribuição em GPUs;
-
Aumentar a dificuldade da mineração (número de zeros);
-
Comparar desempenho, eficiência e consumo de recursos entre as versões CPU e GPU;
Rúbrica de Avaliação¶
| Nível | Critérios Técnicos | Complexidade Computacional Esperado |
|---|---|---|
| Rúbrica C | Parte da otimização realizada em CPU e parte implementada em GPU, executada no SDumont | 7 zeros |
| Rúbrica B | Paralelismo e distribuição em CPU, com parte da otimização feita em GPU, utilizando o SDumont | 8 zeros |
| Rúbrica A | Paralelismo e distribuição focados principalmente em GPU, com tarefas simples executadas em CPU, utilizando o sistema SDumont | 9 zeros |
Entrega¶
Código-fonte funcional, comentado e documentado. Relatório técnico com:
- Diagnóstico dos gargalos;
- Proposta de otimização;
- Hipótese de melhoria;
- Implementação da hipótese;
- Comparação de desempenho;
- Discussão dos resultados.
Bônus por Qualidade¶
| Conceito Base | Com Bônus |
|---|---|
| C | C+ |
| B | B+ |
| A | A+ |