Dtk-distributed est un outil permettant de réaliser des calculs distribués, gérer des communications entre nœuds et optimiser les performances de calculs intensifs.

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.

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.

Outil permettant d'explorer et de visualiser les ressources informatiques d'une infrastructure de calcul distribuée. Il offre une interface centralisée pour consulter les clusters, les nœuds, les processeurs, les mémoires, les GPU et les réseaux disponibles. Les utilisateurs peuvent analyser les performances, les configurations et les accès aux ressources, facilitant ainsi la planification et l'optimisation des ressources techniques.

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.

Scalatrace est un outil dédié à l'analyse et à la simulation de performances pour les applications parallèles et distribuées. Il permet de capturer des traces d'exécution détaillées (temps écoulé, nombre d'instructions) lors de l'exécution de benchmarks HPC ou d'applications scientifiques. Ces traces peuvent ensuite être réutilisées pour simuler ou optimiser les performances sur différents environnements matériels, facilitant ainsi l'évaluation et l'amélioration des infrastructures de calcul haute performance.

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.

PhoenixRender est une solution open source dédiée à l'automatisation et à l'optimisation des processus de rendu 3D. Elle permet aux artistes, studios et chercheurs de gérer efficacement des scènes complexes en distribuant les calculs sur des infrastructures de calcul haute performance. Le projet facilite la collaboration entre équipes en centralisant la gestion des ressources et en automatisant les tâches répétitives, réduisant ainsi les délais de production tout en garantissant une qualité optimale des rendus.

Le projet locality-aware-scheduling vise à optimiser la planification de tâches parallèles en prenant en compte la localité des données dans les calculs distribués. Il s'appuie sur les bibliothèques Starpu et Simgrid pour fournir des algorithmes de planification performants et adaptés aux architectures de calcul modernes.

EASEA est une plateforme open source dédiée à la spécification et à l'exécution d'algorithmes évolutifs. Elle permet aux chercheurs de concevoir facilement des algorithmes d'optimisation pour résoudre des problèmes scientifiques variés (continus, discrets, combinatoires, etc.). Grâce à son modèle d'îlots embarqué, elle exploite des ressources distribuées (clusters, cloud, GPGPU) pour accélérer les calculs, offrant des gains de performance significatifs.