دوره استفاده از ابزارهای دیباگینگ برای کدهای سریع همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استفاده از ابزارهای دیباگینگ برای کدهای سریع

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر محاسبات سطح بالا و چالش‌های دیباگینگ آن
• 2. تفاوت دیباگینگ صحت (Correctness) و دیباگینگ کارایی (Performance)
• 3. انواع باگ در کدهای HPC: منطقی، رقابتی، بن‌بست، و کارایی
• 4. چرخه حیات دیباگینگ: از شناسایی تا رفع اشکال
• 5. پیکربندی محیط توسعه برای دیباگینگ موثر
• 6. آشنایی با فلگ‌های کامپایلر برای دیباگینگ (مانند -g)
• 7. استفاده از لاگینگ و چاپ مقادیر (printf debugging) به عنوان اولین گام
• 8. مفهوم دیباگر و نحوه عملکرد آن
• 9. اصول اولیه کار با دیباگر خط فرمان (GDB)
• 10. شروع یک برنامه تحت GDB و اتصال به یک فرآیند در حال اجرا
• 11. مفهوم نقاط شکست (Breakpoints) و نحوه تنظیم آن‌ها
• 12. نقاط شکست شرطی (Conditional Breakpoints)
• 13. نقاط شکست موقت و نادیده گرفتن نقاط شکست
• 14. گام به گام در کد: دستورات step, next, continue, finish
• 15. بررسی و بازرسی متغیرها و حافظه
• 16. بررسی پشته فراخوانی (Call Stack) و حرکت بین فریم‌ها
• 17. تغییر مقادیر متغیرها در حین اجرا
• 18. استفاده از نقاط مراقبت (Watchpoints) برای نظارت بر تغییرات حافظه
• 19. مدیریت سیگنال‌ها در GDB
• 20. تحلیل خطاهای Segmentation Fault و Bus Error
• 21. استفاده از Core Dumps برای تحلیل پس از وقوع خطا (Post-mortem Debugging)
• 22. اسکریپت‌نویسی در GDB با استفاده از پایتون
• 23. آشنایی با رابط کاربری متنی GDB (TUI)
• 24. دیباگینگ از راه دور با gdbserver
• 25. چالش‌های دیباگینگ کدهای بهینه‌سازی شده (Optimized Code)
• 26. مقدمه‌ای بر تحلیل کارایی و پروفایلینگ
• 27. پروفایلینگ مبتنی بر نمونه‌برداری (Sampling) در مقابل ابزار دقیق (Instrumentation)
• 28. آشنایی با ابزار gprof و تحلیل خروجی آن
• 29. محدودیت‌های gprof و ابزارهای جایگزین
• 30. مقدمه‌ای بر ابزار perf در لینوکس
• 31. ضبط داده‌های کارایی با perf record و تحلیل با perf report
• 32. مفهوم خطاهای حافظه نهان (Cache Misses) و تاثیر آن بر سرعت
• 33. استفاده از perf برای شناسایی مشکلات مربوط به حافظه نهان
• 34. مفهوم نمودارهای شعله (Flame Graphs) برای تحلیل تنگناها
• 35. ساخت و تفسیر نمودارهای شعله
• 36. مقدمه‌ای بر مجموعه ابزار Valgrind
• 37. استفاده از Callgrind برای پروفایلینگ گراف فراخوانی
• 38. تحلیل خروجی Callgrind با ابزارهای بصری مانند KCacheGrind
• 39. مقدمه‌ای بر پروفایلینگ حافظه
• 40. استفاده از Massif برای تحلیل مصرف حافظه Heap
• 41. شناسایی نقاط داغ (Hotspots) در کد
• 42. قانون امدال (Amdahl's Law) و کاربرد آن در بهینه‌سازی
• 43. آشنایی با فلگ‌های بهینه‌سازی کامپایلر (O1, O2, O3, Ofast)
• 44. تحلیل گزارش‌های بهینه‌سازی تولید شده توسط کامپایلر
• 45. مقدمه‌ای بر برنامه‌نویسی موازی و چالش‌های دیباگینگ آن
• 46. معرفی MPI و مدل برنامه‌نویسی ارسال پیام
• 47. خطاهای رایج در MPI: بن‌بست، تگ‌های نامطابق، بافرهای اشتباه
• 48. دیباگینگ برنامه‌های MPI با استفاده از GDB و xterm
• 49. معرفی دیباگرهای موازی مانند DDT و TotalView
• 50. اتصال دیباگر موازی به یک کار در حال اجرای MPI
• 51. کنترل گروه‌هایی از فرآیندها در دیباگر موازی
• 52. ایجاد نقاط شکست گروهی (Collective Breakpoints)
• 53. بررسی صف پیام‌ها در برنامه‌های MPI
• 54. تکنیک‌های دیباگینگ بن‌بست (Deadlock) در MPI
• 55. معرفی OpenMP و مدل حافظه اشتراکی
• 56. باگ‌های رایج در OpenMP: شرایط رقابتی (Race Conditions) و اشتراک کاذب (False Sharing)
• 57. دیباگینگ برنامه‌های OpenMP با GDB و مدیریت نخ‌ها
• 58. استفاده از ابزارهایی مانند Helgrind برای شناسایی شرایط رقابتی
• 59. دیباگینگ برنامه‌های ترکیبی MPI+OpenMP
• 60. استراتژی‌های دیباگینگ در مقیاس بزرگ (هزاران فرآیند)
• 61. دیباگینگ آماری و دیباگینگ زیرمجموعه‌ای
• 62. تحلیل کارایی ارتباطات MPI
• 63. استفاده از ابزارهای پروفایلینگ MPI مانند mpiP و Score-P
• 64. بصری‌سازی ردپای اجرای موازی با ابزارهایی مانند Vampir
• 65. تحلیل عدم توازن بار (Load Imbalance) در برنامه‌های موازی
• 66. دیباگینگ پیشرفته حافظه: نشت حافظه و خطاهای دسترسی
• 67. استفاده از Memcheck برای یافتن خطاهای حافظه
• 68. درک انواع خطاهای حافظه: خواندن/نوشتن نامعتبر، استفاده پس از آزادسازی
• 69. آشنایی با ابزار AddressSanitizer (ASan)
• 70. آشنایی با ابزار ThreadSanitizer (TSan) برای خطاهای نخی
• 71. آشنایی با ابزار MemorySanitizer (MSan) برای متغیرهای مقداردهی نشده
• 72. دیباگینگ تنگناهای ورودی/خروجی (I/O)
• 73. استفاده از ابزارهای پروفایلینگ I/O مانند Darshan
• 74. مقدمه‌ای بر محاسبات با GPU و CUDA/OpenCL
• 75. چالش‌های دیباگینگ کدهای GPU
• 76. استفاده از cuda-gdb برای دیباگینگ کرنل‌های CUDA
• 77. تنظیم نقطه شکست درون یک کرنل GPU
• 78. بررسی حافظه GPU (سراسری، اشتراکی، محلی)
• 79. استفاده از cuda-memcheck برای یافتن خطاهای حافظه روی GPU
• 80. پروفایلینگ برنامه‌های GPU با NVIDIA Nsight Systems
• 81. پروفایلینگ کرنل‌های GPU با NVIDIA Nsight Compute
• 82. درک معیارهای کارایی GPU: اشغال (Occupancy) و پهنای باند حافظه
• 83. دیباگینگ مشکلات برداری‌سازی (Vectorization) و SIMD
• 84. استفاده از گزارش‌های کامپایلر برای بررسی وضعیت برداری‌سازی
• 85. تکرارپذیری (Reproducibility) در دیباگینگ محاسبات علمی
• 86. دیباگینگ عددی: بررسی خطاهای ممیز شناور و پایداری
• 87. ایجاد یک استراتژی سیستماتیک برای دیباگینگ
• 88. اهمیت کنترل نسخه (مانند Git) در فرآیند دیباگینگ
• 89. استفاده از git bisect برای یافتن سریع رگرسیون‌ها
• 90. نوشتن کدهای قابل دیباگ: استفاده از Assertions و مدیریت خطا
• 91. تست واحد (Unit Testing) برای کدهای محاسباتی
• 92. یکپارچه‌سازی مداوم (CI) برای کدهای HPC
• 93. تست خودکار رگرسیون کارایی
• 94. مطالعه موردی ۱: دیباگینگ یک بن‌بست در برنامه MPI
• 95. مطالعه موردی ۲: یافتن نشت حافظه در یک شبیه‌سازی بزرگ
• 96. مطالعه موردی ۳: بهینه‌سازی یک کرنل CUDA با استفاده از پروفایلر
• 97. روندهای آینده در ابزارهای دیباگینگ و تحلیل کارایی HPC
• 98. **تحلیل عملکرد و پروفایلینگ در کدهای موازی:** استفاده از ابزارهای پروفایلینگ (مانند Intel VTune Amplifier, perf) برای شناسایی گلوگاه‌های عملکردی، تحلیل سربارهای ارتباطی و همگام‌سازی، و بهینه‌سازی تخصیص حافظه در کدهای موازی.
• 99. **دیباگینگ از راه دور و دیباگینگ هسته (Kernel Debugging):** دیباگینگ برنامه‌های در حال اجرا بر روی سیستم‌های توزیع‌شده یا HPC با استفاده از دیباگرهای از راه دور، و همچنین اصول دیباگینگ هسته برای شناسایی مشکلات درایورها و سیستم‌عامل مرتبط با کدهای HPC.
• 100. **تکنیک‌های تست خودکار و تست واحد برای کدهای سریع:** ایجاد تست‌های واحد موثر برای اطمینان از صحت عملکرد توابع و ماژول‌ها، استفاده از فریم‌ورک‌های تست خودکار (مانند Google Test, Catch2) و ادغام آن‌ها در فرآیند توسعه مداوم (CI/CD) برای شناسایی زودهنگام باگ‌ها.