Sunum yükleniyor. Lütfen bekleyiniz

Sunum yükleniyor. Lütfen bekleyiniz

EGEE-II INFSO-RI-031688 Enabling Grids for E-sciencE www.eu-egee.org EGEE and gLite are registered trademarks Paralel Hesaplama Onur Temizsoylu Grid ve.

Benzer bir sunumlar


... konulu sunumlar: "EGEE-II INFSO-RI-031688 Enabling Grids for E-sciencE www.eu-egee.org EGEE and gLite are registered trademarks Paralel Hesaplama Onur Temizsoylu Grid ve."— Sunum transkripti:

1 EGEE-II INFSO-RI Enabling Grids for E-sciencE EGEE and gLite are registered trademarks Paralel Hesaplama Onur Temizsoylu Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi ODTÜ, Ankara

2 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 2 İçerik –Neden paralel hesaplama? –Terminoloji –Paralel hesaplamanın tarihi –Teori:  Hızlanma, Amdahl Yasası  Sınıflandırma –Yönetim Modelleri –Programlama Modelleri –Paralel Donanım Mimarileri –Paralel Uygulamalar –Örnek Problemler

3 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 3 Neden Paralel Hesaplama –Hesaplama ihtiyaçları, gün geçtikçe artmaktadır. Daha yüksek frekanslı sensörler, görselleştirme kalitesinin artması, dağıtık veri tabanları buna birer örnektir. –Diğer taraftan işlemci teknolojisi fiziksel limitlerine (termodinamik, ışık hızı, CMOS transistörler) yaklaşmaktadır. –Paralel hesaplama, daha hızlı sonuç almak için bir uygulamaya ait program parçalarının birden fazla işlemcide aynı anda çalıştırılmasıdır. –Ağ teknolojilerindeki hızlı gelişmeler paralel hesaplama için kolay edinilebilir ve ulaşılabilir donanımlara izin vermektedir.

4 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 4 Moore Yasası (?) –Intel’in kurucularından Gordon E. Moore tarafından ortaya atılmıştır. –“Mikroişlemciler içindeki transistör sayısı her iki yılda bir iki katına çıkacaktır.” –Buna bağlı olarak işlemci hızlarının da iki katına çıkması beklenmektedir. –Ucuz CMOS transistörlerle üretim, 2008 yılı içinde 45nm üretim teknolojisi bile kullanılsa da hız artışının sonu gelmektedir. –Intel, çok çekirdekli işlemciler ile Moore yasasını geçerli kılmaya çalışmaktadır.

5 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 5 Butters Yasası –Ağ dünyasında ise Gerald Butters her dokuz ayda tek bir fiber kablodan geçebilecek veri miktarının iki katına çıktığını öne sürmüştür. –Özellikle WDM teknolojisi ile optik kablolar üzerinden transfer edilebilecek veri miktarı artmaktadır. –İşlemcilerden farklı olarak farklı dalga boylarında çalışan lazer ışığı kullanıcı farkında olmadan birleştirilmektedir. –Lokal ve geniş ağlardaki hızlı teknoloji değişimi ile paralel hesaplama için küme bilgisayarlar, grid hesaplama gibi yöntem ve mimariler ortaya çıkmıştır.

6 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 6 Terminoloji –Süreç (“Process”) –İş Parçacığı (“Thread”) –Görev (“Task”) –Hızlanma (“Speedup”) –Ölçeklenebilirlik (“Scalability”) –Verimlilik –Senkronizasyon (“Synchronization”) –Paralel Ek Yükü (“Parallel Overhead”) –Süperbilgisayar

7 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 7 Paralel Hesaplamanın Tarihi –İlk paralel hesaplamanın M.Ö. tabletlerde yapıldığı varsayılmaktadır Seri Çağı Paralel Çağı Ticarileştirme Araştırma Son Ürün Donanım İşletim Sistemi / Derleyici Uygulamalar Donanım İşletim Sistemi / Derleyici Uygulamalar

8 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 8 Paralel Hesaplamanın Tarihi 1942Atanasoff–Berry Computer (ABC)30 OPS 1946UPenn ENIAC100 kOPS 1960UNIVAC LARC150 kFLOPS 1976CRAY-1250 MFLOPS 1995CRAY T3E> 1 TFLOPS 1997Intel ASCI Red1.3 TFLOPS 2004IBM Blue Gene/L280 TFLOPS

9 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 9 Paralel Hesaplamanın Tarihi –TOP500 Listesine göre son 15 sene içinde süperbilgisayar sistemlerinde mimari değişimi

10 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 10 Paralelleştirme –Bir işin paralelleştirilmesinde programın toplam çalışma zamanını azaltmak amaçlanır.

11 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 11 Paralelleştirme Ek Yükü –Ek yük:  İşlemcilerde fazladan geçen süre  İletişim ek yükü  Senkronizasyon ek yükü  Programın paralel olmayan/ olamayan parçaları –Paralel programlamada ek yük ve çalışma zamanı hızlanma ve verimlilik ile ifade edilir. Çalışma Zamanı İşlemci Zamanı Haberleşme Ek Yükü 1 işlemci 2 işlemci 4 işlemci 8 işlemci Çalışma Zamanında Azalma

12 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 12 Hızlanma ve Verimlilik –İ sayıda işlemcide programın toplam işlemci zamanını Z(i) olarak ifade edelim. Hızlanma (i) = Z(1) / Z(i) Verimlilik (i) = Hızlanma (i) / i –İdeal durumda: Z (i) = Z (1) / i Hızlanma (i) = i Verimlilik (i) = 1 –Ölçeklenebilir programlar büyük işlemci sayılarında bile verimli kalırlar. Hızlanma İşlemci Sayısı ideal Süper-lineer Saturasyon Felaket Verimlilik İşlemci Sayısı 1

13 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 13 Amdahl Yasası –Amdahl yasası:  “Kodun paralel olmayan kısmı (ek yük), kodun ölçeklenebilirliği konusunda üst limiti oluşturur.” –Kodun seri kısmını s, paralel kısmını p olarak ifade edersek: 1= s + p Z (1)= Z (s) + Z (p) = Z (1) * (s + p) = Z (1) * (p + (1-p)) Z (i)= Z (1) * (p/i + (1-p)) Hızlanma (i)= Z (1) / Z (i) = 1 / (p/i + 1 – p) Hızlanma (i) < 1 / (1 - p)

14 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 14 Pratikte –Pratikte programları paralelleştirmek Amdahl yasasında görüldüğü kadar zor değildir. –Ancak programın çok büyük bir kısmını paralel işlem için harcaması gereklidir. Hızlanma Kodda Paralel Kısım 0%20%40%100%60%80% s 1980s 1990s En iyi paralel kodlar ~99% diliminde P=2 P=4 P=8 David J. Kuck, Hugh Performance Computing, Oxford Univ.. Press 1996

15 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 15 Coarse/Fine Grained Paralel –Fine-Grained:  Genelde her döngüde paralelleştirme vardır.  Çok sayıda döngü paralleleştirilir.  Kodun çok iyi bilinmesine gerek yoktur.  Çok fazla senkronizasyon noktası vardır. –Coarse-Grained:  Geniş döngülerle paralleştirme yapılır.  Daha az senkronizasyon noktası vardır.  Kodun iyi anlaşılması gerekir. Ana Program A B C D F E G H I J KLM NO pq rs t Coarse-grained Fine-grained

16 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 16 Ölçeklenebilirlik –Ölçeklenebilirliği etkileyen diğer faktörler:  İş parçacıkları arası yük dengesizliği : Bir kodun herhangi bir paralel kısmının çalışma zamanı en uzun süren iş parçacığının çalışma zamanıdır. Coarse-Grained programlamada ortaya çıkması daha olasıdır.  Çok fazla senkronizasyon: Kodda küçük döngüler sırasında her seferinde senkronizasyon yapılırsa bu ek yük getirir. Fine-Grained programlamada ortaya çıkması daha olasıdır. Çalışma Zamanı i0i0 i1i1 i2i2 i3i3 başlangıçbitiş

17 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 17 Flynn Sınıflandırması –Michael J. Flynn paralel bilgisayar mimarilerini komut ve veri akışlarına göre sınıflandırmıştır:  SISD (Single Instruction, Single Data) PCler, iş istasyonları  SIMD (Single Instruction, Multiple Data) Vektör makineler, Intel SSE  MISD (Multiple Instruction, Single Data) Çok fazla örneği yok  MIMD (Multiple Instruction, Multiple Data) SGI sunucular, küme bilgisayarlar

18 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 18 SISD İşlemci Veri Girişi Veri Çıkışı Komutlar

19 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 19 MISD Girdi Verisi Çıktı Verisi İşlemci A İşlemci B İşlemci C Komut Akışı A Komut Akışı B Komut Akışı C

20 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 20 SIMD Komut Akışı İşlemci A İşlemci B İşlemci C Girdi Akışı A Girdi Akışı B Girdi Akışı C Çıktı Akışı A Çıktı Akışı B Çıktı Akışı C

21 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 21 MIMD İşlemci A İşlemci B İşlemci C Girdi Akışı A Girdi Akışı B Girdi Akışı C Çıktı Akışı A Çıktı Akışı B Çıktı Akışı C Komut Akışı A Komut Akışı B Komut Akışı C

22 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 22 Ortak Bellek MIMD BELLEKBELLEK YOLUYOLU BELLEKBELLEK YOLUYOLU Bellek İşlemci A İşlemci A İşlemci B İşlemci B İşlemci C İşlemci C BELLEKBELLEK YOLUYOLU

23 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 23 Dağıtık Bellek MIMD BELLEKBELLEK YOLUYOLU İşlemci A İşlemci A İşlemci B İşlemci B İşlemci C İşlemci C BELLEKBELLEK YOLUYOLU BELLEKBELLEK YOLUYOLU BELLEK A BELLEK A BELLEK B BELLEK B BELLEK C BELLEK C IPC Kanalı IPC Kanalı

24 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 24 Terminoloji - II –Son senelerde ağ hızındaki önemli artış ve çoklu çekirdekli işlemcilerin kullanılmaya başlaması ile paralel hesaplama konusunda birçok terminoloji karışıklığı olmaya başlamıştır. MPP, küme bilgisayarlarla hesaplama, dağıtık hesaplama, grid hesaplama... –Paralel hesaplamada yaygın kullanılan terimlerden bazıları şunlardır:  Multiprocessing: İki veya daha fazla işlemcinin aynı bilgisayar sistemi içinde kullanılmasıdır.  Dağıtık hesaplama: Ağ üzerinden iki veya daha fazla bilgisayar üzerinde aynı anda belli bir programa ait parçaların çalıştırıldığı hesaplama.

25 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 25 Paralel Programlama Modelleri Ortak Hafıza Modelleri –Dağıtık Ortak Bellek –Posix Threads –OpenMP –Java Threads (HKU JESSICA, IBM cJVM) Mesaj Tabanlı Modeller –PVM –MPI Hibrid Modeller –Ortak ve dağıtık hafızayı birlikte kullananlar –OpenMP ve MPI birlikte kullananlar Nesne ve Servis Tabanlı Modeller –Geniş alanda dağıtık hesaplama teknolojileri  Nesne: CORBA, DCOM  Servis: Web servisleri tabanlı Bilimsel araştırma projelerinde sıklıkla  Derleyici tarafından paralelleştirilen ortak bellek tabanlı programlar  MPI gibi mesaj paylaşımı tabanlı programlar kullanılmaktadır. Belirli bir programlama modelinin seçimi, genellikle uygulama gereksinimi, kişisel tercih veya donanımla ilgilidir. Ortak hafızaya sahip makineler, hem OpenMP gibi SMP hem de MPI gibi mesaj paylaşımı tabanlı modelleri çalıştırabilirler.

26 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 26  sayısını OpenMP ile hesaplamak  = =  (1+x 2 ) dx 0

27 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 27  sayısını MPI ile hesaplamak  = =  (1+x 2 ) dx 0

28 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 28 Paralel Uygulamalarda Bağlantı –Sıkı bağlı sistemler:  Süreçler arasında yoğun haberleşme  Gecikme süresine hassas  Ortak Bellek Paralel  Dağıtık Bellek Paralel

29 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 29 Paralel Uygulamalarda Bağlantı –Gevşek bağlı sistemler:  Süreçler arasında haberleşme azdır veya hiç yoktur.  Gecikme süresine hassas değillerdir. Ancak bant genişliği veri transferi için etkili olabilir. –Parametrik çalışan uygulamalar  Süreçler arasında haberleşme yoktur.  Kümelerde, grid altyapılarında çalışan uygulamaların çoğunluğunu oluştururlar.

30 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 30 Paralel Donanım Mimarileri –SMP makineler –MPP makineler –NUMA makineler –Superscalar işlemciler –Vektör makineler –Küme bilgisayarlar

31 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 31 SMP –SMP, birden fazla eş işlemcinin ortak bir belleğe bağlandığı çok işlemcili bir bilgisayar mimarisidir. –SMP sistemler, görevleri işlemciler arasında paylaşabilirler. –SMP sistemler, paralel hesaplama için kullanılan en eski sistemlerdir ve hesaplamalı bilimlerde yoğun bir şekilde kullanılırlar.

32 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 32 MPP –MPP, binlerce işlemci kullanılabilen çok işlemcili bir mimaridir. –Bir MPP sisteminde her işlemci kendi belleğine ve işletim sistemi kopyasına sahiptir. –MPP sistemler üzerinde çalışacak uygulamalar eş zamanda çalışacak eş parçalara bölünebilmelidirler. –MPP sistemlere yeni işlemci ekledikten sonra uygulamalar yeni paralel kısımlara bölünmelidirler. SMP sistemler ise bundan çok iş parçacığı çalıştırabilir yapıları sayesinde hemen faydalanırlar.

33 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 33 NUMA –NUMA, çok işlemcili makinelerde bellek erişim zamanının bellek yerine göre değiştiği bir bellek tasarımıdır. –İlk defa 1990’larda ortaya çıkmıştır. –Modern işlemciler, belleklere hızlı bir şekilde erişmeye ihtiyaç duyarlar. NUMA, istenen verinin “cache” bellekte bulunamaması, belleğin başka işlemci tarafından kullanılması gibi performans sorunlarını her işlemciye bellek vererek aşar. –Intel Itanium ve AMD Opteron işlemciler ccNUMA tabanlıdır.

34 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 34 Superscalar İşlemciler –1998 senesinden beri üretilen bütün genel amaçlı işlemciler “superscalar” işlemcilerdir. –“Superscalar” işlemci mimarisi, tek bir işlemcide makine kodu seviyesinde paralellik sağlar. –“Superscalar” bir işlemci tek bir basamakta birden fazla işlem yapar.

35 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 35 Vektör Makineler –Vektör işlemciler, aynı anda birden fazla veri üstünde matematik işlem yapabilen işlemcilerdir. –Şu anda süperbilgisayar dünyasında vektör işlemciler çok az kullanılmaktadırlar. –Ancak bugün çoğu işlemci vektör işleme komutları içermektedirler (Intel SSE). –Vektör işlemciler, aynı matematiksel komutu farklı veriler üzerinde defalarca çalıştırmak yerine bütün veri yığınını alıp aynı işlemi yapabilirler.

36 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 36 Küme Bilgisayarlar –Hesaplamada küme bilgisayar kullanımı 1994 senesinde NASA’da Beowulf projesi ile başlamıştır. 16 Intel 486 DX4 işlemci ethernet ile bağlanmıştır. –Yüksek performanslı hesaplama, artık küme bilgisayarlarla hesaplama halini almıştır. –Küme bilgisayar, birlikte çalışmak üzere bağlanmış birden fazla sunucudan oluşur. –En önemli dezavantajı kullanıcıya tek sistem arayüzü sunamamasıdır.

37 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 37 Paralel Uygulamalar

38 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 38 Dünya Simülasyonu Gelişmiş nümerik simülasyon yöntemleri ile sanal bir dünya yaratarak gelecekte dünyanın nasıl görüneceğini hesaplayan bir Japonya’da bir projedir. 40 TFLOPS işlem kapasitesine sahiptir. Toplam 10 TByte belleğe sahiptir. Her birinde 8 vektör işlemci bulunan 640 işlemci ucundan oluşur.

39 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 39 TeraGrid NCSA: Compute IntensiveSDSC: Data IntensivePSC: Compute Intensive IA64 Pwr4 EV68 IA32 EV7 IA64 Sun 10 TF IA large memory nodes 230 TB Disk Storage 3 PB Tape Storage GPFS and data mining 4 TF IA-64 DB2, Oracle Servers 500 TB Disk Storage 6 PB Tape Storage 1.1 TF Power4 6 TF EV68 71 TB Storage 0.3 TF EV7 shared-memory 150 TB Storage Server 1.25 TF IA Viz nodes 20 TB Storage 0.4 TF IA-64 IA32 Datawulf 80 TB Storage Extensible Backplane Network LA Hub Chicago Hub IA32 Storage Server Disk Storage Cluster Shared Memory Visualization Cluster LEGEND 30 Gb/s IA64 30 Gb/s Sun ANL: VisualizationCaltech: Data collection analysis 40 Gb/s Backplane Router PSC integrated Q3 03

40 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 40 Scale > 49 ülkede 224 site ~ işlemci > 15 PB veri alanı > Günde onbinlerce çalışan iş > Yüzden fazla kayıtlı sanal organizasyon EGEE Altyapısı

41 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 41 LHC 7’şer TeV’lik enerjiye sahip iki proton demetini çarpıştıracak. En yeni süperiletken teknolojisini kullanarak mutlak sıfırın hemen üstünde – 2710C’de çalışacak., 27 km’lik çevresiyle dünyadaki en büyük süperiletken uygulaması olacak. LHC 2007’de çalışmaya başlayacak Dedektörleri birer saray büyüklüğünde olan dört deney: ALICE ATLAS CMS LHCb LHC

42 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 42 Saniyede 40 milyon olay Filtrelemeden sonra saniyede 100 ilginç olay Her olayda bir megabitlik dijital veri = 0.1 Gigabit/s’lik veri kayıt hızı Yılda 1010 olay kaydı = 10 Petabyte/yıllık veri üretimi CMSLHCbATLASALICE 1 Gigabyte (1GB) = 1000MB A DVD filmi 1 Terabyte (1TB) = 1000GB Dünyanın yıllık kitap üretimi 1 Petabyte (1PB) = 1000TB Bir LHC deneyinin yıllık veri üretimi 1 Exabyte (1EB) = 1000 PB Dünyanın yıllık bilgi üretimi LHC Verileri

43 Enabling Grids for E-sciencE EGEE-II INFSO-RI Grid ve Küme Bilgisayarlarda Uygulama Geliştirme Eğitimi 43


"EGEE-II INFSO-RI-031688 Enabling Grids for E-sciencE www.eu-egee.org EGEE and gLite are registered trademarks Paralel Hesaplama Onur Temizsoylu Grid ve." indir ppt

Benzer bir sunumlar


Google Reklamları