Thesis Topics

(online since: 20.03.2019)

• Implementation of Java bytecode analysis to prepare the performance

  measurement of Big Data frameworks

• Selection of relevant program sections to insert measurement code

  (instrumentation) based on the analysed bytecode

• Investigation of suitable bytecode properties/features for the

  selection of relevant program sections

• Measurement and analysis of overhead and relevance compared to a

  measurement without previous static bytecode analysis

Details

(online seit: 20.03.2019)

• Novel parameter estimation algorithm to advance Systems Medicine
• Design and evaluation of interface prototype between simulation engine (C++) and parameter estimation wrapper (Python)
• Application to experimental data from organ regeneration
• Important part of Morpheus Lab: https://morpheus.gitlab.io

Details

The topic selection is made together with the student. Possible topics for a thesis might include:

• Measuring and evaluating the energy consumption of applications
• Developing standardised energy efficiency benchmarks
• Developing and evaluating energy efficiency metrics
• Developing strategies for energy savings

Contact:  Daniel Hackenberg

(online since 17.04.2019)

• Investigation of a method to generate AspectJ programs from Score-P filter files
• Measurement of the overhead when using AspectJ compared to the current method with ASM

Details

(online seit 19.4.2020)

Written information is largely available as free text without any specific format. Understanding the semantical relationship is the primary method to extract correlations among free texts. This study aims to investigate the potentials of modern machine learning techniques to correlate free texts that originate from various sources according to their semantical similarities in order to track a specific topic in various texts.

Key areas:

• Analyzing unstructured texts (free text)
• Extracting semantics from unstructured data
• Developing the correlation model of unstructured texts
• Use of semi-/unsupervised machine learning approaches

Literature:

• Xu, Peng, and Denilson Barbosa. "Connecting Language and Knowledge with Heterogeneous Representations for Neural Relation Extraction." Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long and Short Papers). 2019. [http://doi.org/10.18653/v1/N19-1323]
• G. Xu, Y. Meng, Z. Chen, X. Qiu, C. Wang and H. Yao, "Research on Topic Detection and Tracking for Online News Texts," in IEEE Access, vol. 7, pp. 58407-58418, 2019. [https://doi.org/10.1109/ACCESS.2019.2914097]

Kontakt: Siavash Ghiasvand

(online seit: 19.04.2021)

R ist eine der führenden Lösungen für die statistische Datenanalyse und kann für Data Analytics und Visualisierung eingesetzt werden. In der Arbeit sollen die Möglichkeiten des parallelen Rechnens mit R untersucht und evaluiert werden. Im Anwendungsfall sollen Sensordaten aus einem HPC-System parallel ausgewertet werden. Zur Bearbeitung der Aufgabenstellung sind Vorkenntnisse der Programmiersprache R obligatorisch.

Schwerpunkte:

• Konzeptionelle Umsetzung verschiedener paralleler Programmierparadigmen in R.
• Möglichkeiten und Probleme bei der Code-Optimierung für R.
• Bezug zu aktuellen Architekturen.

Literatur:

• Terence Sloan et al. Mastering Parallel Programming with R. Packt Publishing, 2016.
• McCallum, Q. Ethan; Weston, Stephen. Parallel R. O'Reilly, 2012.

Kontakt: Dr. Taras Lazariv

(online seit: 19.04.2021)

Die Architektur eines neuronalen Netzes (beschrieben durch seine Hyperparemeter) bestimmt sowohl seine Genauigkeit als auch die Performance. Die noch in Entwicklung befindliche parallele Hyperparameter-Optimierungssoftware OmniOpt soll anhand eines Benchmarks getestet werden und ein Performancevergleich durchgeführt werden.

Schwerpunkte:

• Implementieren eines geeigeneten Benchmarks im Bereich Neuronale Netze (ZB in Tensorflow oder Pytorch)
• Optimieren der Netzarchitektur mit der in Entwicklung befindlichen Software OmniOpt
• Performancevergleich zwischen verschiedenen Netzarchitekturen

Literatur: https://github.com/hyperopt/hyperopt

Kontakt: Dr. Peter Winkler

(online seit: 19.04.2021)

Mit HPC-DA (High Performance Computing - Data Analytics) stellt das ZIH einen schnellen NVMe-basierten Storage von ingesamt 2 PB für Nutzer des Hochleistungsrechners zur Verfügung. Ziel der Arbeit ist es, Möglichkeiten zur Optimierung des Datentransfers zwischen diesem Dateisystem und anderen HPC-Dateisystemen im Cluster zu evaluieren. Die Leistung soll anhand von Messungen auf dem Hochleistungsrechner untersucht werden.

Schwerpunkte:

• Literaturstudium
• Ist-Analyse auf HPC-DA
• Evaluation von parallelem Kopieren (z.B. mit mpiFileUtils)
• Evaluation der Platzierung des Kopier-Jobs im Cluster (Export-Node, Compute-Node, NVMe-Node)
• Evaluation weiterer Optimierungsmöglichkeiten (z.B. Raw statt POSIX, Stripe Alignment, Routing, Scheduling, etc.)

Literatur:

• Henseler, Dave, et al. "Architecture and design of cray datawarp." Cray User Group CUG, 2016
• Sikich, Danielle, et al. "mpiFileUtils: A Parallel and Distributed Toolset for Managing Large Datasets", 2017
• mpiFileUtils: https://hpc.github.io/mpifileutils/
• HPC-DA: https://doc.zih.tu-dresden.de/hpc-wiki/bin/view/Compendium/HPCDA

Kontakt: Dr. Matthias Lieber

(online seit: 19.04.2021)

OS-Noise bezeichnet Aktivitäten auf einem Computer-System, die regelmäßig im Hintergrund stattfinden und gewollt oder ungewollt sein können. Im HPC-Kontext können diese Hintergrundaktivitäten dazu führen, dass die  Hauptaufgabe mit dem ein Computer-System betraut wird, stark verlangsamt abgearbeitet wird. Bei statisch balanzierten parallelen Berechnungen reicht mitunter schon eine geringe Menge an OS-Noise, um die effiziente Nutzung der parallelen CPUs stark zu beeinträchtigen. Stichwort: Alle warten auf einen langsamen CoWorker. Die Arbeit soll das Phänom also solches beleuchten und Empfehlungen entwickeln, wie im laufenden Produktionsbetrieb OS-Noise erkannt und vermieden werden kann.

Schwerpunkte:

• Auswirkungen von OS-Noise auf HPC-Anwendungen anhand von konkreten Beispielen
• Wie kann OS-Noise systematisch gemessen werden?
• Vorstellung existierender Werkzeuge
• Wie könnte ein Frühwarnsystem für OS-Noise  aussehen?

Literatur:

• Hoefler, Torsten & Schneider, Timo & Lumsdaine, Andrew. (2009). The Effect of Network Noise on Large-Scale Collective Communications. Parallel Processing Letters. 19. 573-593. 10.1142/S0129626409000420.
• Netgauge OS Noise Measurement Descriptionhttp://w.unixer.de/research/netgauge/osnoise/
• Robert Schöne∗ Joseph Schuchart∗ Thomas Ilsche∗ Daniel Hackenberg∗ZIH, Technische Universität Dresden "Scalable Tools for Non-Intrusive Performance Debuggingof Parallel Linux Workloads"
• Torsten Hoefler, Torsten Mehlan, Andrew Lumsdaine and Wolfgang Rehm: Netgauge: A Network Performance Measurement Framework Vol 4782, In Proceedings of High Performance Computing and Communications, HPCC'07, presented in Houston, USA, pages 659-671, Springer, ISBN: 978-3-540-75443-5, Sep. 2007,

Kontakt: Dr. Holger Brunst