Ce projet permet de déployer et gérer un cluster Apache Spark via Docker pour faciliter le traitement de données à grande échelle. Il offre une interface Jupyter pour exécuter des notebooks interactifs et des outils de monitoring pour superviser les tâches. Destiné aux chercheurs et data scientists, il automatise la configuration des nœuds maître et travailleurs, réduisant ainsi la complexité technique. Les utilisateurs peuvent soumettre des jobs de calcul distribué et analyser les résultats en temps réel.

Projet technique dédié à la gestion et à l'orchestration de ressources informatiques. Il permet de centraliser et d'administrer des clusters de serveurs pour des environnements de calcul intensif ou de stockage distribué.

Librairie et suite logicielle dédiée à l'indexation et à l'analyse de k-mers (séquences courtes) issus de données de séquençage biologique haut débit. Elle permet de traiter de grands volumes de séquences génomiques en utilisant le protocole MPI pour une distribution efficace des calculs sur des clusters de machines. Les résultats peuvent être exploités pour des études génomiques, métagénomiques ou épidémiologiques.

Ce projet consiste en l'installation et l'exploitation d'un cluster de calcul basé sur la distribution RocksCluster et une surcouche maison. Il permet de découvrir les fonctionnalités de base de RocksCluster et de ses applications packagées, telles que le gestionnaire de batch SGE/OGS et le système de monitoring Ganglia.

Ce projet facilite l'exécution de tâches parallèles utilisant le standard MPI (Message Passing Interface) sur un cluster Kubernetes. Il permet aux utilisateurs de déployer et gérer des jobs de calcul intensif de manière simplifiée, en tirant parti de l'orchestration Kubernetes pour une meilleure scalabilité et fiabilité. Idéal pour les applications scientifiques ou industrielles nécessitant des calculs distribués.

Ce projet permet de mettre en place un environnement de calcul distribué pour traiter de grandes quantités de données. Il utilise Apache Hadoop pour le stockage distribué et Apache Spark pour l'exécution de programmes en Scala. Le système est conçu pour répartir les tâches sur plusieurs machines (un maître et deux esclaves) afin d'optimiser les performances et la scalabilité. Les données sont stockées dans HDFS et les calculs sont exécutés en parallèle sur les nœuds du cluster.

Ce projet permet d'orchestrer et de gérer des tâches de calcul distribuées via un cluster Bacalhau, en utilisant une API Fastify pour interagir avec les nœuds. Il stocke les résultats des calculs dans un système MinIO, facilitant ainsi l'accès et l'analyse des données produites. Idéal pour des workflows scientifiques ou des traitements par lots nécessitant une infrastructure scalable et fiable.

CLARI-TE_smk est un pipeline Snakemake pour l'annotation génomique à grande échelle de TEs de génomes *Triticeae* basé sur RepeatMasker et CLARI-TE. Il est conçu pour fonctionner sur un cluster HPC avec slurm et effectue des calculs distribués pour annoter simultanément les TEs de différents chromosomes d'un génome. Il crée finalement un fichier d'annotation gff3.

Distem est une plateforme d'émulation de systèmes distribués. Elle permet de transformer un cluster homogène en un environnement expérimental où les nœuds ont des performances différentes et sont connectés via une topologie de réseau complexe. Idéal pour les recherches sur le Cloud, le P2P, le calcul à haute performance ou les systèmes Grid.

MiniClust Worker permet de déployer des nœuds de calcul dédiés à l'exécution de tâches de clustering et de simulations distribuées. Il s'intègre à une infrastructure existante pour renforcer les capacités de traitement de données massives, notamment dans des contextes de recherche ou d'analyse scientifique. Le projet facilite l'ajout de ressources de calcul sans nécessiter de configuration complexe.