Ce projet propose des sous-routines d'algèbre linéaire dense optimisées pour des architectures hétérogènes et distribuées. Il vise à accélérer les calculs mathématiques intensifs, notamment dans des environnements nécessitant une grande puissance de traitement comme le calcul scientifique ou l'analyse de données massives. Les performances sont améliorées grâce à une parallélisation adaptée aux ressources disponibles.

Outil dédié à l'exécution distribuée de tâches pour des workflows scientifiques ou techniques. Il permet d'orchestrer des calculs complexes en répartissant la charge sur plusieurs nœuds, optimisant ainsi les performances et la scalabilité des traitements. Idéal pour les projets nécessitant une gestion avancée des ressources et des dépendances entre tâches.

Ce projet propose une infrastructure logicielle pour gérer des transactions sécurisées et le verrouillage de ressources dans un environnement multi-thread. Il inclut des outils pour l'extraction automatisée de données depuis des pages web et le traitement d'images avec des algorithmes avancés. La solution est conçue pour optimiser les performances et la fiabilité des systèmes distribués.

Bibliothèque et outil open source dédié au traitement et à l'analyse d'images 3D issues de scanners à tomographie. Il permet de manipuler, transformer et analyser des volumes d'images médicales ou scientifiques avec des algorithmes parallélisés et optimisés. Le projet inclut également des outils pour distribuer les calculs sur des clusters, facilitant le traitement de grands jeux de données.

Ce projet permet de comparer les performances des langages PIG et Spark dans le cadre d'un calcul de PageRank sur des données distribuées. Il inclut des scripts pour générer des données, exécuter les algorithmes et analyser les résultats. L'objectif est d'étudier l'impact des paramètres (nombre d'itérations, nombre de machines) sur le temps d'exécution et d'identifier les optimisations possibles pour améliorer l'efficacité des traitements.

Ce projet propose une solution légère pour orchestrer des tâches en arrière-plan au sein d'une architecture distribuée. Il permet de gérer des files de messages et d'exécuter des traitements de manière asynchrone, optimisant ainsi les performances et la scalabilité des systèmes informatiques.

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.

Ce projet vise à comparer et optimiser des frameworks de gestion de données à grande échelle comme Pig et Spark. Il permet d'analyser des jeux de données massifs (liens entre pages web, entités DBpedia) pour évaluer leur efficacité en termes de temps d'exécution et de consommation mémoire. Les résultats aident à choisir les meilleures solutions pour des traitements distribués complexes.

Pufferscale est un outil conçu pour optimiser la charge de travail dans les clusters HPC en gérant la scalabilité des services de données distribués et en équilibrant la charge entre les nœuds de traitement.

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.