Atelier Cluster est un tutoriel pratique visant à enseigner la création de pipelines bioinformatiques automatisés. Il guide les utilisateurs dans la configuration d'environnements conda, la gestion de code source avec git, et l'exécution de workflows sur un gestionnaire de tâches comme SGE. Basé sur des outils standards de la bioinformatique, il permet aux chercheurs et étudiants de maîtriser les bonnes pratiques pour traiter des données scientifiques de manière reproductible et efficace.

Ce plugin remplace l'exécuteur de démons intégré par défaut dans Lutece par un système basé sur Quartz. Il permet de planifier et d'exécuter des tâches en arrière-plan de manière fiable, avec la possibilité de configurer des schedulers locaux ou en cluster pour une meilleure gestion des ressources et une exécution synchronisée dans des environnements multi-instances.

Outil en ligne de commande simplifié pour interagir avec GitLab. Il permet de gérer les runners CI/CD, surveiller les pipelines et automatiser des tâches DevOps. Il offre également la possibilité de provisionner des runners sur les clusters de la plateforme Grid5000, facilitant ainsi l'exécution de jobs sur des infrastructures distantes.

Ce projet fournit un cadre de scripts conçu à l'origine pour exécuter des benchmarks de BLAST et PLAST sur une infrastructure informatique de cluster. Les scripts sont adaptés pour fonctionner avec le système de planification des tâches PBS pro 14.2.4, BLAST 2.2.31 et 2.6.0, et PLAST 2.3.2. Ils ont été utilisés pour évaluer la configuration optimale (coeurs, RAM et walltime) pour l'exécution de tâches de comparaison de séquences (utilisant BLAST ou PLAST) sur le superordinateur DATARMOR d'IFREMER.

Ce projet fournit un conteneur Singularity basé sur Ubuntu 18.04 LTS permettant d'intégrer et d'exécuter des outils de gestion de tâches HPC comme Slurm. Il facilite le déploiement de clusters légers en encapsulant les dépendances nécessaires, réduisant ainsi les conflits de configuration et simplifiant l'administration des ressources de calcul.

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 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 fournit des outils et des environnements configurés pour exécuter des calculs intensifs sur des clusters GPU. Il facilite la soumission de tâches de calcul scientifique, d'apprentissage automatique ou de simulation numérique via des images conteneurisées optimisées pour les architectures NVIDIA. Destiné aux chercheurs et ingénieurs, il permet d'exploiter efficacement les ressources GPU disponibles dans un cadre académique ou industriel.

Implémentation d'un moteur d'exécution de tâches basé sur le standard TES, déployé sur Kubernetes. TESK vise à supporter n'importe quel cluster Kubernetes et sa documentation technique est disponible dans le dépôt.

Ce projet permet d'évaluer et comparer les performances de différents frameworks (Pig et PySpark) pour calculer le PageRank sur de grands jeux de données. Il inclut la gestion de clusters cloud, l'exécution de tâches distribuées et l'analyse des résultats obtenus. L'objectif est d'optimiser le traitement de données massives en mesurant l'impact du nombre de nœuds de calcul sur les performances.