# AG HPC|A: Themensammlung Abschlussarbeiten Diese Seite stellt eine Übersicht der offenen Themenideen inklusive kurzer Aufgabenbeschreibung für Abschlussarbeiten in der Arbeitsgruppe "High Performance Computing and its Applications" zur Verfügung. Bei Interesse wenden Sie sich bitte an den jeweiligen Betreuer (Kontaktdetails finden Sie unter Members auf unserer Webseite). Webseite der Arbeitsgruppe: https://www.hpca-group.de/ ## Bachelorarbeiten ### Betreuung: Niklas Bartelheimer * **GPI-2 MiniApps Benchmarks** * Beispiel - MiniMD: https://github.com/Mantevo/miniMD * Vergleich zwischen GPI-2 und MPI Lösungen * **Evaluation and Optimization of the GPI-2 Application Benchmarking Suite** * SSCA1 (Bugs im Ursprungscode usw.) * Random-Access, extrem lange Laufzeit. Müsste Multithreaded sein. Hinweise im Paper von OakRidge * Vergleich mit verschiedenen MPI Distributionen (OpenMPI, PSMPI, MPICH, MVAPICH2 usw.) * **GPI4PY Communication Library** * Analyse exisiterender Implementierungen * https://github.com/cc-hpc-itwm/GaspiCxx/tree/master/src/python * Gruppen-eigener Code (wird zur Verfügung gestellt) * Analyse verfügbarer Methoden für Python-C Intercaces * Erstellen eines Konzepts zur Implementierung * Performance Evaluation and Analysis * **Performance Analyis of the Himeno Benchmark (pt2pt communication)** * Unter Verwendung von Extrae / Paraver * Unter Verwendung von Score-p / Scalasca * Analyse und Optimierung der Benchmarking Suite * **Performance Profiling and Analysis of GPI-2 Applications** * Evaluation von Extrae und Paraver für GPI-2 * Nutzbarkeit * Was fehlt, welche Probleme gibt es usw. * **UCX Communication Framework Support for GPI-2** * Design and implementation of a UCX device for GPI-2 * **Analysis and Evaluation of Allreduce / Collective Algorithms** * Welche Ansätze gibt es * Was wird z.B. in OpenMPI eingesetzt * Welche Techniken können von RMA profitieren * Kleine Beispiel Implementierung auf basis von MPI oder GPI-2 * Performance Evaluation ### Betreuung: Martin Machajewski * **Synthetic Time-Series Generation Methods** * Taxonomy & collection of Methods/Algos, Libraries, Tools * Describe important metrics * Set up 3 experiments (simple models) / Tools and generate time series * **Anomaly Detection Methods/Metrics For Time-Series** * Taxonomy & list collection of Methods/Algos, Libraries, Tools * Describe important metrics: binary classification, window-based, detection time * Practical analysis with TSAD: https://github.com/waico/tsad * **Prediction (Decision Trees) using continuous input & output (labels)** * SciKit DecisionTreeRegressor for continuous input * SciKit Isolation Forest for Anomaly Detection https://scikit-learn.org/stable/auto_examples/ensemble/plot_isolation_forest.html ### Betreuung: Zhaobin Zhu (ab November 2024) * **Evaluation of State-of-the-Art I/O Performance Analysis Tools** * Vergleich von I/O-Performance Analysetools hinsichtlich Funktionen, Genauigkeit, Benutzerfreundlichkeit und deren Fokus (Welche Insights bieten die Tools). * Demonstration der Tools an ausgewählte Anwendungsfällen. * **Standardization of I/O Performance Metrics** * Untersuchen und vergleichen von I/O-Performance-Metriken, die in verschiedenen Tools und Frameworks verwendet werden. * Analysieren wie sie berechnet und erfasst werden, und identifizieren welche Challenge dadurch entstehen. * **Automated Detection of I/O Access Patterns and Optimization Techniques** * Entwicklung einer Methode zur automatischen Erkennung von I/O-Zugriffsmustern anhand Traces. * Implementierung ggf. eines Erkennungsalgorithmus * Vorschlag von Optimierungsstrategien für ausgewählte Zugriffsmuster und evaluieren diese anhand von Benchmarks. ## Masterarbeiten ### Betreuung: Niklas Bartelheimer * **Implementierung eines Benchmark Codes (z.B. Himeno Benchmark) in optimierter Form auf GPUs** * CUDA * KOKKOS * SYCL * Ableitung einer Version für Multi GPU Szenarien * z.B. NVSHMEM, GPU Aware MPI, NCCL? * Performace Evakuation and Comparison ### Betreuung: Martin Machajewski * TBA ### Betreuung: Zhaobin Zhu (ab November 2024) * **Performance Modeling for Understanding I/O Performance** * Analysieren bestehender Performancemodelle aus verschiedenen Bereichen. * Adaptieren oder erweitern ausgewählten Performance Modell, sodass das Modell z.B. für die Vorhersage von I/O Performance oder das Vorschlagen von I/O Optimierungsmöglichkeiten verwendet werden kann. * **Automated Performance Tuning (on High-Level I/O or Interceptor Library Level)** * I/O Traces für Beispielanwendungen automatisiert erfassen und das I/O Zugriffsmuster detektieren und speichern. * Optimierungsstrategie anhand der Zugriffsmuster identifizieren (rule/ml-based) * Möglichkeit entwickeln zur Laufzeit die Tuning-Parameter über High-Level I/O Bibliotheken oder Inteceptor für die Anwendung zu verwenden.