فلش‌کارت‌های آموزشی کار با پلتفرم‌های محاسبات ابری (Cloud HPC)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کار با پلتفرم‌های محاسبات ابری (Cloud HPC)

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر محاسبات سطح بالا (HPC)
• 2. تاریخچه و تکامل HPC
• 3. مفاهیم پایه: موازی سازی در مقابل همزمانی
• 4. معماری‌های HPC: اشتراک حافظه (Shared Memory) و توزیع حافظه (Distributed Memory)
• 5. مقدمه‌ای بر رایانش ابری (Cloud Computing)
• 6. مزایا و چالش‌های رایانش ابری برای HPC
• 7. معرفی پلتفرم‌های اصلی ابری: AWS, Azure, Google Cloud
• 8. آشنایی با ترمینال و دستورات پایه لینوکس
• 9. مدیریت فایل و مجوزها در لینوکس
• 10. اسکریپت نویسی شل (Shell Scripting) برای اتوماسیون
• 11. مقدمه‌ای بر کنترل نسخه با Git
• 12. مفاهیم کلیدی شبکه: IP, DNS, Subnet, Firewall
• 13. اصول امنیت در محاسبات
• 14. مدل‌های قیمت‌گذاری در فضای ابری (On-Demand, Reserved, Spot)
• 15. آشنایی با رابط خط فرمان (CLI) پلتفرم‌های ابری
• 16. ماشین‌های مجازی (VMs) و انواع آن
• 17. انتخاب نوع ماشین مجازی مناسب برای بارهای کاری HPC
• 18. پردازنده‌های (CPU) بهینه شده برای محاسبات
• 19. شتاب‌دهنده‌ها: معرفی GPU و کاربردهای آن در HPC
• 20. شتاب‌دهنده‌های دیگر: FPGA و ASIC
• 21. مفاهیم ذخیره‌سازی ابری: Block, File, Object Storage
• 22. ذخیره‌سازی Block با کارایی بالا
• 23. ذخیره‌سازی Object و کاربرد آن برای داده‌های حجیم (S3, Blob Storage)
• 24. سیستم‌های فایل موازی (Parallel File Systems) در ابر
• 25. معرفی سرویس‌های مدیریت شده فایل سیستم (Amazon FSx for Lustre)
• 26. شبکه‌های با تأخیر کم و پهنای باند بالا
• 27. مفاهیم Placement Groups برای بهینه‌سازی شبکه
• 28. مدیریت هویت و دسترسی (Identity and Access Management - IAM)
• 29. پیکربندی گروه‌های امنیتی (Security Groups) و لیست‌های کنترل دسترسی شبکه (NACLs)
• 30. رمزنگاری داده‌ها در حالت سکون و در حال انتقال
• 31. مقدمه‌ای بر زیرساخت به عنوان کد (Infrastructure as Code - IaC)
• 32. آشنایی با ابزارهای IaC: Terraform و CloudFormation
• 33. مفاهیم هزینه‌یابی و بودجه‌بندی در ابر
• 34. استفاده از Spot Instances برای کاهش هزینه‌ها
• 35. مانیتورینگ و لاگینگ منابع ابری (CloudWatch, Azure Monitor)
• 36. مفهوم کلاستر محاسباتی و اجزای آن
• 37. نودهای سرور (Head Node)، نودهای محاسباتی (Compute Nodes) و نودهای لاگین
• 38. نصب و پیکربندی دستی یک کلاستر ساده
• 39. معرفی مدیران کلاستر و زمان‌بندهای کار (Job Schedulers)
• 40. کار با Slurm: نصب و پیکربندی اولیه
• 41. ارسال و مدیریت جاب‌ها در Slurm (sbatch, squeue, scancel)
• 42. پارتیشن‌ها و صف‌ها در Slurm
• 43. کار با PBS/Torque به عنوان جایگزین Slurm
• 44. معرفی ابزارهای اتوماسیون ساخت کلاستر (AWS ParallelCluster, Azure CycleCloud)
• 45. ساخت یک کلاستر HPC با AWS ParallelCluster
• 46. مقیاس‌پذیری خودکار (Auto-Scaling) در کلاسترهای ابری
• 47. مقدمه‌ای بر کانتینرها: Docker
• 48. ایجاد و مدیریت Docker images
• 49. کانتینرها در HPC: چالش‌ها و راهکارها
• 50. معرفی Singularity (Apptainer) برای محیط‌های HPC
• 51. اجرای برنامه‌های موازی داخل کانتینر
• 52. مروری بر مدل‌های برنامه نویسی موازی
• 53. برنامه نویسی با MPI (Message Passing Interface): مفاهیم پایه
• 54. کامپایل و اجرای برنامه‌های MPI روی کلاستر ابری
• 55. ارتباطات نقطه به نقطه (Point-to-Point) در MPI
• 56. ارتباطات جمعی (Collective Communications) در MPI
• 57. برنامه نویسی با OpenMP برای حافظه مشترک
• 58. ترکیب MPI و OpenMP (مدل هیبریدی)
• 59. مقدمه‌ای بر برنامه نویسی GPU با CUDA
• 60. مفاهیم هسته (Kernel)، نخ (Thread) و بلاک (Block) در CUDA
• 61. کامپایل و اجرای برنامه‌های CUDA روی GPU های ابری
• 62. معرفی OpenACC به عنوان جایگزین CUDA
• 63. کتابخانه‌های علمی و ریاضی بهینه شده (Intel MKL, ScaLAPACK)
• 64. نصب و استفاده از نرم‌افزارهای علمی رایج (GROMACS, OpenFOAM)
• 65. ایجاد ماژول‌های نرم‌افزاری با Environment Modules (Lmod)
• 66. دیباگ کردن برنامه‌های موازی: ابزارها و تکنیک‌ها
• 67. پروفایلینگ و تحلیل عملکرد برنامه‌های MPI
• 68. پروفایلینگ برنامه‌های GPU با ابزارهایی مانند Nsight
• 69. بهینه‌سازی I/O در برنامه‌های موازی
• 70. مدیریت وابستگی‌های نرم‌افزاری
• 71. چک‌پوینتینگ (Checkpointing) و بازیابی خطا در محاسبات طولانی
• 72. استراتژی‌های انتقال داده‌های حجیم به ابر
• 73. استفاده از سرویس‌های انتقال داده (AWS DataSync, Azure Data Box)
• 74. مفاهیم چرخه حیات داده (Data Lifecycle Management)
• 75. آرشیو کردن داده‌ها با ذخیره‌سازی سرد (Amazon S3 Glacier)
• 76. بهینه‌سازی دسترسی به داده‌ها در Object Storage
• 77. مقدمه‌ای بر سیستم‌های مدیریت گردش کار (Workflow Management Systems)
• 78. ایجاد یک گردش کار علمی با Nextflow
• 79. ایجاد یک گردش کار علمی با Snakemake
• 80. یکپارچه‌سازی گردش کارها با زمان‌بند کلاستر (Slurm)
• 81. استفاده از کانتینرها در گردش کارهای علمی
• 82. مدیریت داده‌های میانی و خروجی در گردش کارها
• 83. موازی سازی در سطح گردش کار
• 84. پایگاه‌های داده برای داده‌های علمی در ابر
• 85. بصری‌سازی (Visualization) داده‌های علمی حجیم
• 86. تکنیک‌های بصری‌سازی از راه دور (Remote Visualization) با NICE DCV
• 87. محاسبات HPC بدون سرور (Serverless HPC) با AWS Batch و Azure Batch
• 88. استفاده از توابع لامبدا (Lambda Functions) برای محاسبات سبک
• 89. HPC هیبریدی: اتصال زیرساخت داخلی به ابر
• 90. یادگیری ماشین و هوش مصنوعی در مقیاس بزرگ روی کلاسترهای HPC
• 91. آموزش مدل‌های توزیع شده (Distributed Training)
• 92. استنتاج (Inference) با استفاده از زیرساخت HPC
• 93. یکپارچه‌سازی HPC با پلتفرم‌های کلان‌داده (Big Data) مانند Apache Spark
• 94. مطالعه موردی: تحلیل ژنومیک در ابر
• 95. مطالعه موردی: شبیه‌سازی دینامیک سیالات محاسباتی (CFD)
• 96. مطالعه موردی: مدل‌سازی مالی و تحلیل ریسک
• 97. بهینه‌سازی پیشرفته عملکرد: تنظیم پارامترهای کرنل و سیستم‌عامل
• 98. بهینه‌سازی پیشرفته شبکه با SR-IOV و EFA/InfiniBand
• 99. امنیت پیشرفته: بهترین شیوه‌ها برای کلاسترهای HPC
• 100. اتوماسیون انطباق و ممیزی (Compliance and Auditing)