Hochleistungsrechnen
Numerisches Rechnen und große Datenmengen

HPC umfasst ein recht breites Spektrum an Technologien und gemeinsamen grundlegenden Designüberlegungen. Rechenleistung, RAM, Datenspeicherung und Kommunikationsbandbreite sowie Signallaufzeiten müssen auf der Grundlage hochgradig individualisierter Topologien verwaltet werden. Die rechnerisch zu beantwortenden Fragen müssen entsprechend aufgeschlüsselt, d. h. zerlegt werden. Die Rechenleistung ist alles andere als homogen, da in diesem Bereich verschiedene Arten von Beschleunigern wie GPUs, FPGAs und andere spezialisierte Hardware eingesetzt werden. HPC bleibt mit all seinen Unterdisziplinen, von der Softwareentwicklung bis zur Hardwarearchitektur, eines der technologisch anspruchsvollsten Felder der Informationstechnologie. pleiszenburg.de bietet fast zwei Jahrzehnte Erfahrung auf diesem Gebiet und war an der Entwicklung und Optimierung zahlreicher hochgradig individualisierter wissenschaftlicher und technischer Workloads beteiligt.

Nennenswerte Interessen und Kenntnisse

  • Optimierung von vorhandenem Code hinsichtlich Geschwindigkeit und/oder Speicherverbrauch durch verschiedene Regimes
  • Fehlertolerante parallele Berechnungen
  • Hochskalierung/Neuanpassung von Code und/oder Algorithmen für parallele Berechnungen
  • Unterstützende Technologien: OpenMP, MPI, SIMD, BLAS, LAPACK, Dask, ZeroMQ, Apache Kafka, Slurm, Ansible, Salt, KVM, VirtualBox, Docker, Podman, VMWare, Hyper-V, Kubernetes, GlusterFS, Ceph, ZFS, iSCSI, Fibre Channel, PostgreSQL, PostGIS
  • Relevante Sprachen: Python, C, C++, Rust, Fortran, Matlab, Basic, JavaScript, Bash
  • Entwurf von Verarbeitungspipelines basierend auf gerichteten azyklischen Graphen (DAGs)
  • CUDA, beginnend mit Compute Capability 3 (Kepler-Mikroarchitektur) und CUDA Toolkit 4, über reines C/C++, Numba (LLVM), Pycuda oder Wrapper – je nach Anwendungsfall
  • GPGPU mit Alternativen zu CUDA, z. B.: openCL, ROCr/ROCm, Vulkan Compute usw.
  • Entwerfen und Betreiben von Clustern, die von verschiedenen Ethernet- und/oder Infiniband-Typen und Speicher unterstützt werden
  • Wissenschaftliche Datenspeicherung: Schwerpunkt auf numerischen Daten und relevanten Technologien
  • Cloud: AWS, Azure, Google Cloud, Hetzner, Huawei und White-Label-Klone (wie sie z. B. im Nahen Osten und anderen Regionen zu finden sind) usw.
  • Fundierte Kenntnisse von x86-Architekturen und CPUs
  • Tiefgreifende Kenntnisse von relevanten Linux-Betriebssystem-Interna