《并行计算与分布式计算》课程教学大纲.docx

《《并行计算与分布式计算》课程教学大纲.docx》由会员分享，可在线阅读，更多相关《《并行计算与分布式计算》课程教学大纲.docx（13页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、并行计算与分布式计算教学大纲一、课程基本信息课程名称并行计算与分布式计算Parallel Computing And Distributed Computing课程编码SCC320311030开课院部理学院课程团队数据科学团队学分3.0课内学时56讲授32实验0上机24实践0课外学时56适用专业数据科学与大数据技术授课语言中文先修课程程序设计（C）、数值计算方法课程简介 （必倒并行计算与分布式计算是数据科学与大数据技术专业的一门专业必修课。本课程以并行计算为主题，结合大数据和人工智能中常 用的一些典型的计算问题，掌握并行计算和分布式计算的基本原理与方法。通过本课程的学习，学生自主选择课题，利用

2、并行计算和分布 式计算工具进行并行算法设计与程序开发，形成研究报告。本课程内容主要包括并行计算与分布式计算基础知识、基于OpenVP的CPU共 享内存并行计算、基于MPI的CPU多节点并行计算、基于CUDA的GPU多核并行计算、基于Hadoop的分布式并行计算和基于Spark的分布 式并行计算，内容注重实践性和实用性，可提升学生编写并行程序的能力。uParallel Computing and Distributed Computing” is an compulsory course for the major of Data Science and Big Data Technology.

3、 This course takes parallel computing as the theme, combines some typical computing problems commonly used in large data and artificial intelligence, and grasps the basic principles and methods of parallel computing and distributed computing. Through the study of this course, students choose their o

4、wn topics, and use parallel computing and distributed computing tools to design parallel algorithms and develop programs to form research reports. This course mainly includes the basic knowledge of parallel computing and distributed computing, open MP-based CPU shared memory parallel computing, MPI-

5、based CPU multi-node parallel computing, CUDA-based GPU multi-core parallel computing, Hadoopbased distributed parallel computing and Spark-based distributed parallel computing. Usefulness can improve students， ability to write parallel programs.负责人大纲执笔人审核人二、课程目标序号代号课程目标OBE毕业要求指标点任务自选2Ml总结50%A-中心主题明

6、确，整体布局合理，关键词提取精准、合理、完整，层级科学。B-中心主题明确，整体布局 合理，关键词提取比较精准、合理、完整，层级科学。C-中心主题比较明确，整体布局比较合理，关键词 提取比较精准、合理、完整，层级乱。D-中心主题不明确，整体布局比较混乱，关键词提取不精准、不合 理、不完整，层级乱。3M2实验100%A-实验过程中认真完成实验要求，得到正确的实验结果，实验报告格式正确，步骤叙述清楚，正确分析实 验数据，从技术角度优选解决方案抉得有效结论。B-实验过程中认真完成实验要求，得到正确的实验结 果，实验报告格式正确，步骤叙述比较清楚，正确分析实验数据，从技术角度优选解决方案获得比较有效 的

7、结论。C-实验过程中认真完成实验要求，不能得到正确的实验结果，实验报告格式正确，步骤叙述清 楚，没有正确分析实验数据，但是结合理论分析可以从技术角度优选解决方案获得有效的结论。D-实验过 程中不能完成实验要求，不能得到正确的实验结果，不能从技术角度优选解决方案获得有效的结论。4M3实验40%A-实验过程中认真完成实验要求，得到正确的实验结果，实验报告格式正确，步骤叙述清楚，正确分析实 验数据，从技术角度优选解决方案获得有效结论。B-实验过程中认真完成实验要求，得到正确的实验结 果，实验报告格式正确，步骤叙述比较清楚，正确分析实验数据，从技术角度优选解决方案获得比较有效 的结论。c-实验过程中认

8、真完成实验要求，不能得到正确的实验结果，实验报告格式正确，步骤叙述清 楚，没有正确分析实验数据，但是结合理论分析可以从技术角度优选解决方案获得有效的结论。D-实验过 程中不能完成实验要求，不能得到正确的实验结果，不能从技术角度优选解决方案获得有效的结论。5M3大作业60%A-针对某问题进行串并行设计并实现，其设计合理，程序实现无误，加速效果好。B-针对某问题进行串并 行设计并实现，其设计较为合理，程序实现无误，加速效果好。c-针对某问题进行串并行设计并实现，其 设计基本合理，程序实现略有小问题，加速效果一般。D-针对某问题进行串并行设计并实现，其设计不合 理，程序实现有较大问题，加速效果一般。

9、6M4考勤100%A-全勤且积极参加课堂讨论。B-缺勤1-2次且比较积极参加课堂讨论。C-缺勤3-4次且很少参加课堂讨 论。D-缺勤5次以上且很少参加课堂讨论。评分等级说明：A, B, C, D = 90-100, 75-89, 60-74, 0-59;六、教材与参考资料序号教学参考资料明细1图书1多核并行计算，中国石油大学出版社，2018. 03, TSBN:9787563659036. （*主教材）2图书1玄计算与分布式系统：从并行处理到物联网，黄铠，机械工业出版社，2013.01, ISBN:9787111410652.1Ml目标1 ：掌握并行计算和分布式计算的基本概念和原理，了解并行计

10、算和分布式计算发展前沿。是3.32M2目标2 ：设计并行算法并编程实现。是4. 3, 5.23M3目标3 ：通过课程项目的实践，完成报告并答辩，培育认识和发现问题的能力和解决工程问题的能 力，增强团队合作能力。是6. 1, 6. 2,7. 14M4目标4 ：能保障课程正常秩序（政治层面、课堂保障层面，非学生能力层面）否三、课程内容序号章节号标题课程内容/重难点支撑课 程目标课内 学时教学方式课外 学时课外环节1第1章第1章并行计算 与分布式计算基础本章重点难点：高性能计算机体系结构、并行和分布式编程模 型、性能评测方法。/ / / /21. 11. 1高性能计算机 系统结构高性能计算机历史、高

11、性能计算机体系结构、高性能计算机体 系的发展趋势Ml0.5讲授0. 5自学资 料、课后 作业31.21.2并行文件系统 与内存管理并行文件系统的功能和通用模型、现存并行文件系统分类、设 计并行文件系统的关键技术、常见内存管理模式Ml0.5讲授0.5自学资 料、课后 作业41.3L3并行和分布式 计算模型多书点并行计算模型、多核并行计算模型、GPU并行计算模 型、分布式并行计算模型Ml1讲授1自学资 料、课后 作业51.41.4大数据、人工 智能与并行计算大数据概念与处理过程、人工智能概念与研究方法、他们与并 行计算的关系Ml0.5讲授0. 5自学资 料、课后 作业61.51.5性能评测方法常见

12、高性能计算机系统性能评测方法、系统性能评测方案设 计、系统性能评测结果分析Ml0.5讲授0.5自学资 料、课后 作业7上机1上机1 ：进程调用熟悉Visual SUidio环境，编程实现进程调用，并布置大作业 的选题工作。M22上机2编写程序8上机2上机2 ：线程调用熟悉Visual Studio环境，编程实现线程调用，并确定大作业 的选题工作。M22上机2编写程序9第2章第2章基于 OpenMP 的 CPU 共 享内存并行计算本章重点难点：Fork-join并行执行模型、并行指令之间的区 别、数据竞争和相关性、使用OpenMP进行多核计算“/102. 12. 1 OpenMP 并行 计算模型

13、OpenMP简介、Fork-join并行执行模型、OpenMP程序结构和编 程步骤31讲授1自学资 料、撰写 大作业报 告112.22. 2编译指导语句编译指导语句简介、编译指导语句详解、子句详解、数据竞争32讲授2自学资 料、撰写 大作业报 告122.32. 3循环并行化循环语句限制、数据相关性、循环嵌套31讲授1自学资 料、撰写 大作业报 告132.42.4同步与互斥互斥锁机制、事件同步机制Ml, M2, M30.5讲授0.5自学资 料、撰写 大作业报 告142.52. 5任务调度静态调度、动态调度、guided调度30.5讲授0.5自学资 料、撰写 大作业报 告152.62. 6案例1:

14、基于OpenMP的并行排 序算法实现使用OpenMP对排序算法进行并行化实现31讲授1自学资 料、撰写 大作业报告162.72. 7案例2:基于 OpenMP的并行稀 疏矩阵向量乘法实 现使用OpenMP对稀疏矩阵向量乘法进行并行化实现31讲授1自学资 料、撰写 大作业报 告17上机3上机3 ：案例1实 现在Visual Studio环境下，使用三种并行指令完成案例1。M22上机2编写程序18上机4上机4 ：案例2实 现在Visual Studio环境下，使用同步机制完成并行案例2。M22上机2编写程序19第3章第3章基于MPI 的CPU多节点并行 计算本章重点难点：MPI并行执行方式、点对点

15、通信、群集通信。/203. 13.1 MPI并行计算 模型MPI并行执行方式、MPI环境设置、程序结构30.5讲授0.5自学资 料、撰写 大作业报 告213.23.2 MPI常用函数MPI函数简介、MPT常用函数详解、基本程序实现31讲授1自学资 料、撰写 大作业报 告223.33. 3点对点通信基本概念、阻塞通信、数据类型匹配、通信安全问题、计时器32讲授2自学资 料、撰写 大作业报 告233.43. 4集合通信同步、广播、播撒、收集、规约31讲授1自学资 料、撰写 大作业报 告243.53. 5虚拟进程拓扑基本概念、笛卡儿拓扑、图拓扑30.5讲授0. 5自学资 料、撰写 大作业报 告253

16、.63. 6 MPI 与 OpenMP 混合编程使用MPI进行节点间并行计算，同时使用OpenMP进行节点内多 核并行混合编程31讲授1自学资 料、撰写 大作业报 告263.73.7案例1 :基于 MPI的并行排序算 法实现使用MPI对排序算法进行并行化实现Ml, M2, M31讲授1自学资 料、撰写 大作业报 告273.83. 8案例2 ：基于 MPI的神经网络并 行化实现与优化使用MPI对神经网络进行并行化实现31讲授1自学资 料、撰写 大作业报 告28上机5上机5 ：案例1实 现在Visual Studio环境下，使用MPI设计并行算法，并编程实 现案例loM22上机2编写程序29上机6

17、上机6 ：案例2实 现在Visual Studio环境下，使用MPI设计并行算法，并编程实 现案例2。M22上机2编写程序30第4章第4章基于CUDA 的GPU多核并行计 算本章重点难点：CUDA并行计算模型、CUDA内存管理与通信机 制。/314. 14. 1 CUDA环境搭 建在Visual Studio环境|、安装工具包、CUDA环境设置、编译程 序30.5讲授0.5自学资 料、撰写 大作业报 告324.24.2 CUDA硬件基CPU与GPU并行计算区别、GPU卡结构、GPU计算能力0.5讲授0.5自学资础架构3料、撰写 大作业报 告334.34.3 CUDA并行计 算模型GPU线程和核

18、、线程块、线程网格、线程束、线程块的调度、GPU多线程执行模式31讲授1自学资 料、撰写 大作业报 告344.44.4 CUDA内存管 理与通信机制高速缓存、寄存器、共享内存、常量内存、全局内存30.5讲授0.5自学资 料、撰写 大作业报 告354.54.5 CPU/GPU 异 构集群系统建设CPU/GPU异构集群系统当前建设情况、CPU/GPU异构集群系统架 构、CPU/GPU异构集群系统架构关键技术30.5讲授0.5自学资 料、撰写 大作业报 告364.64. 6案例1 ：基 于GPU的并行排序算法实现使用GPU对排序算法进行并行化实现30.5讲授0. 5自学资 料、撰写 大作业报 告37

19、4.74. 7案例2 ：基于 GPU的共辗梯度算 法的并行化实现使用GPU对共柜梯度算法进行并行化实现30.5讲授0. 5自学资 料、撰写 大作业报 告38上机7上机7 ：案例1实 现在Visual Studio环境下，使用GPU设计并行算法，并编程实 现案例1。M22上机2编写程序39上机8上机8 ：案例2实 现在Visual Studio环境下，使用GPU设计并行算法，并编程实 现案例2。M22上机2编写程序40第5章第5章基于本章重点难点：HDFS分布式文件系统、MapReduce并行计算原/Hadoop分布式并 行计算理。415. 15. 1 Hadoop 生态 系统设计与构建Hado

20、op大数据生态系统及常用组件简介、Hadoop分布式并行架 构与构建30.5讲授0.5自学资 料、撰写 大作业报 告425.25.2 HDFS分布式 文件系统HDFS分布式文件结构、分离元数据和数据、HDFS写过程、HDFS 读过程30.5讲授0.5自学资 料、撰写 大作业报 告435.35.3 MapReduce 并行计算原理实现过程、主要特征、关键技术32讲授2自学资 料、撰写 大作业报 告445.45. 4案例1 :基 于Hadoop的回归 分析与预测使用Hadoop对回归分析与预测进行并行化实现31讲授1自学资 料、撰写 大作业报 告455.55. 5案例2 :基 于Hadoop的大数

21、 据聚类分析使用Hadoop对大数据聚类分析进行并行化实现31讲授1自学资 料、撰写 大作业报 告46上机9上机9：案例1实 现在Visual Studio环境下，使用MapReduce设计分布式并仃算 法，并编程实现案例1。M22上机2编写程序47上机10上机10 ：案例2 实现在Visual Studio环境下，使用MapReduce设计分布式并行算 法，并编程实现案例2。M22上机2编写程序48第6章第6章基于Spark分布式并行本章重点难点：Spark RDD、Spark Streaming。/计算496. 16. 1 Spark 的大 数据生态系统Spark大数据生态系统及常用组件简

22、介、Spark分布式并行架构 与构建30.5讲授0. 5自学资 料、撰写 大作业报 告506.26.2 Spark RDD（弹性分布式数据 集）设计与运行原 理弹性分布数据集RDD、RDD特性、RDD操作、RDD数据存储管理31讲授1自学资 料、撰写 大作业报 告516.36.3 Spark Streaming实时流 式处理Spark Streaming构架、Spark Streaming的编程模型、性能调 优30.5讲授0.5自学资 料、撰写 大作业报 告526.46. 4 Spark 机器 学习库MLLibMLLib简介、数据类型、基础统计、分类与回归、聚类、维数 缩减、协同过滤31讲授1

23、自学资 料、撰写 大作业报 告536.56. 5案例1 ：基 于Spark的推荐系 统设计使用Spark对推荐系统并行化实现31讲授1自学资 料、撰写 大作业报 告546. 66. 6案例2 ：基 于Spark的深度学 习图像识别应用使用Spark对深度学习图像处理并行化实现31讲授1自学资 料、撰写 大作业报 告55上机11上机11 ：案例1 实现在Visual Studio环境下，使用Spark设计分布式并行算法， 并编程实现案例1。M22上机2编写程序56上机12上机12 ：案例2在Visual Studio环境下，使用Spark设计分布式并行算法，M22上机2编写程序实现四、考核方式序

24、号考核环节操作细节总评占比1平时作业1 .每周布置23道题目，平均每次课1道题以上。2 .成绩采用百分制，根据作业完成准确性、是否按时上交、是否独立完成评分。3 .考核学生对并行计算与分布式计算基本知识的掌握能力，学生综合运用所学知识分析问题、解决问题的能力题型主要 有算法分析、算法串行和并行设计、算法串行和并行实现。20%2总结1 .使用思维导图对每章节进行提炼总结。2 .成绩采用百分制，根据思维导图的中心主题、整体布局、关键词和层级完成评分。3 .考核学生对数据科学与大数据技术基本知识的掌握能力、学习总结能力。15%3实验1 .本课程依托大数据并行计算平台，课外完成610次实验。2 .成绩

25、采用百分制，根据实验完成情况评分。3 .考核学生算法并行分析能力。15%4大作业1 .本课程要求学生组队自选一个数值计算方法等课程中问题或实际问题，并利用C+语言或Python进行求解。2 .成绩采用百分制，根据设计合理性、程序实现情况、加速效果评分。3 .考核学生认识和发现问题的能力，以及解决实际问题的能力。40%5考勤刷卡点名5%6课堂表现课堂回答问题情况5%五、评分细则序号课程目标考核环节大致占比评分等级1Ml平时作业50%A-独立思考、按时完成，解题思路清晰、步骤完整、格式合理、答案准确。B-独立思考、按时完成，解题 思路比较清晰、步骤比较完整、格式合理、答案基本准确。c-基本按时完成，解题思路比较清晰、步骤比 较完整、格式比较合理、答案有少量错误。D-作业抄袭，未能按时完成，解题思路混乱，答案错误多。并编程实现案例2。