Bachelorarbeiten zu Computing
| Thema: | Performance study of NN-Training with data streaming from remote storage |
| Zusammenfassung: | In High Energy Physics, datasets of several hundreds of GB are used for machine learning. Often, these datasets are stored at remote storage servers. Sometimes it is not possible to keep them on the computing machine. It could be an option to stream the data from the remote storage. It is possible to use a cache that keeps the data near the computing resource. That reduces the network traffic and the access latency for the files. The performance during streaming with and without cache should be studied. |
| Sie lernen kennen: | concepts and usage of distributed computing, transfer protocol, and storage/caching software XRootD |
| Referent: | Prof. Dr. Torben Ferber |
| Ansprechpartner: | Dr. Matthias Schnepf |
| Letzte Änderung: | 04.06.2025 |
| Thema: | Multi-core support for Belle II Grid |
| Zusammenfassung: | Belle II uses a distributed computing infrastructure called Grid. Currently, Belle II supports only one CPU core per application in the Grid. The use of multiple CPU cores would speedup applications and reduce memory footprint. You can improve the Belle II Grid computing by configuring, implementing, and testing the support for multiple CPU cores in the Belle II Grid. |
| Sie lernen kennen: | usage and configuration of the workflow management system DIRAC, Python, bash, Grid computing |
| Referent: | Prof. Dr. Torben Ferber |
| Ansprechpartner: | Dr. Matthias Schnepf |
| Letzte Änderung: | 04.06.2025 |
| Thema: | Evaluierung von modernem Inference-as-a-Service für HEP am KIT |
| Zusammenfassung: | Inference-as-a-Service (IaaS) ist ein moderner Ansatz, um maschinelle Lerninferenzfähigkeiten als Dienst bereitzustellen. In dieser Arbeit werden Sie bestehende IaaS-Lösungen für die Hochenergiephysik (HEP) am KIT evaluieren. Sie werden das SuperSONIC/Triton-Paket auf unserem lokalen Cluster untersuchen und daran arbeiten, seine Leistung und Skalierbarkeit für groß angelegte Inferenz in der HEP zu bewerten. |
| Sie lernen kennen: | Python, C++, Machine Learning, Cloud Computing, Containerization (Docker, Kubernetes) |
| Referent: | Prof. Dr. Jan Kieseler |
| Ansprechpartner: | Prof. Dr. Jan Kieseler |
| Letzte Änderung: | 02.10.2025 |