Grid-Computing Anwendungsszenarien für den Systementwurf

Transkript

1 -Computing Anwendungsszenarien für den Systementwurf André Schneider, Peter Schneider, Peter Schwarz, Manfred Dietrich Fraunhofer-Institut für Integrierte Schaltungen, Außenstelle Entwurfsautomatisierung EAS Zeunerstraße 38, Dresden Kurzfassung Seit einigen Jahren gibt es zahlreiche Initiativen, im akademischen und industriellen Umfeld vorhandene Hardware-Ressourcen über gut ausgebaute Netzwerkinfrastrukturen zu s zu verbinden. Die so erzielbare Rechenpower ist in der Regel wesentlich kostengünstiger als bei klassischen Hochleistungsrechnern. Da der rechnergestützte Systementwurf vor allem bei ressourcenintensiven Simulationen und Optimierungen auf leistungsfähige Rechner angewiesen ist, verspricht man sich vom -Computing effizienteres Arbeiten und neue Möglichkeiten. Der Beitrag stellt typische -Computing-Anwendungsszenarien für den Systementwurf vor und leitet Anforderungen an künftige -Infrastrukturen ab. 1 Einführung In den letzten Jahren ist die Attraktivität des - Computings [7] für technische Anwendungen enorm gewachsen. Leistungsfähigere Rechner und schnelle und sichere Netzinfrastrukturen bieten das Potenzial, s in vielen Bereichen einzusetzen. Da beim Entwurf technischer Systeme unter anderem ressourcenintensive Simulationen und Optimierungen durchgeführt werden müssen, liegt die Anwendung von -Technologien für diese Aufgaben nahe. Im Folgenden konzentrieren sich die Autoren auf zwei für den Anwender relevante Schwerpunkte: Performance-Steigerung durch Parallelisierung: Die gut ausgebaute Netzinfrastruktur in einem erlaubt die Abarbeitung von verteilten oder parallelen Algorithmen, die aufgrund ihrer Komplexität mit Einzelrechnern oder den vor Ort verfügbaren Ressourcen nicht durchgeführt werden können. Ressourcen-Sharing: Das bietet dem Anwender die Möglichkeit, über eine einheitliche Schnittstelle auf im Netz verteilte Ressourcen wie Simulatoren oder Optimierungsprogramme zuzugreifen. Dadurch kann das Spektrum der zur Verfügung stehenden Werkzeuge vor Ort enorm erweitert werden. Zwar gibt es seit einigen Jahren weltweit zahlreiche Initiativen und großangelegte Projekte, die die Entwicklung auf dem Gebiet der -Technologien voranbringen sollen, von einer Konsolidierung kann jedoch gegenwärtig noch nicht die Rede sein. Bedingt durch die seitens der Industrie geförderte Standardisierung der Web Services ist in der -Community seit einigen Monaten ein Umbruch erkennbar. Momentan deutet alles darauf hin, dass künftig die Web Services als Basistechnologie für s verwendet werden und die durch das Global Forum [9] spezifizierte Open Services Architecture (OGSA) entsprechend angepasst wird. Parallel dazu wird die Referenzimplementierung, das Globus Toolkit [10], weiterentwickelt werden. Zu den primären Designzielen zählen bei den -Technologien ohne Frage die standardisierten Schnittstellen, die Interoperabilität und die Robustheit. Diese Probleme muss die -Middleware lösen. Für den Anwender, zum Beispiel den Systementwerfer, stehen dagegen folgende Fragen im Vordergrund:

2 Wie können die bisher genutzten Entwurfswerkzeuge innerhalb eines s verwendet werden? Wie müssen Entwurfsabläufe geändert bzw. erweitert werden, damit -Technologien einbezogen werden können? Wie können dem Entwerfer vor Ort grafischen Front-Ends für die Steuerung des Entwurfsablaufs und die Ergebnisvisualisierung bereitgestellt werden? Welche neuen Möglichkeiten ergeben sich bei der Nutzung von s für den Entwurfsprozess? Die Beantwortung dieser Fragen führt direkt zu den Anforderungen, die künftig sowohl an die -Middleware wie auch an die Entwurfswerkzeuge gestellt werden. Analog zu [2] ist das Ziel der Autoren, bereits jetzt für Simulations- und Optimierungswerkzeuge die notwendigen Voraussetzungen zu schaffen, um möglichst schnell von den entstehenden -Infrastrukturen zu profitieren. Da in erster Linie auf existierende, häufig kommerziell verfügbare Software zurückgegriffen werden muss, spielt die Kapselung dieser Tools und die Anpassung der Ein-/Ausgabe- Datenströme an die -Kommunikation eine zentrale Rolle. Damit diese Arbeiten zielgerichtet und verallgemeinerbar durchgeführt werden können, sollen im Folgenden typische Anwendungsszenarien für -Computing im rechnergestützten Systementwurf skizziert werden. 2 Parallelsimulation Der Simulationsalgorithmus eines Modells ist mitunter so parallelisierbar, dass viele parallele -Knoten gleichzeitig im Verbund ein Gesamtmodell simulieren können. Ebenso ist es möglich, ein komplexes Gesamtmodell entsprechend zu partitionieren und die Teilmodelle gleichzeitig mit vielen Simulatoren zu simulieren. Entscheidend in diesem Szenario ist, dass auf allen Knoten die gleiche Simulationssoftware zum Einsatz kommt. Primäres Ziel ist hier die Performance-Steigerung. Geeignet für dieses Szenario sind Werkzeuge, bei denen es keine Einschränkung bzgl. der verfügbaren Lizenzen gibt (z.b. frei verfügbare Simulatoren wie SPICE oder Eigenentwicklungen) oder die erforderliche Anzahl von Lizenzen temporär (z.b. durch Anmietung) bereitgestellt werden kann. Voraussetzung für eine Verteilung auf viele - Knoten ist die Parallelisierbarkeit des Simulationsalgorithmus. Während bei diskreten, ereignisorientierten Verfahren aufgrund der guten Entkopplung einzelner Teilmodelle eine Verteilung zumindest keine algorithmischen Schwierigkeiten bereitet, ist die Situation bei kontinuierlichen Verfahren, die in der Regel auf der Lösung von Differentialgleichungen beruhen, weitaus schwieriger. Gesamtmodell Teilmodell 1 Teilmodell 2 y F 1 ( x 1, y) = 0 F 2 ( x 2, y) = 0 Hx ( 1, x 2, y) = 0 Simulator 1 Simulator 2 Simulator 3 Bild 1: Prinzip der blockorientierten Netzwerkanalyse nach [3]. Ein Ansatz für eine blockorientierte Netzwerkanalyse für die Simulation elektrischer Netzwerke wird in [3] beschrieben. Die Idee ist, große Schaltungen zu partitionieren und die entstehenden Blöcke parallel zu simulieren. Die Kopplung der Teilsysteme wird über ein modifiziertes Newton- Verfahren berechnet (Bild 1). Bei großen, regulären Schaltungsstrukturen konnten die Simulationszeiten auf 30-40% im Vergleich zur nichtpartitionierten Schaltung gesenkt werden. Voraussetzung für eine Anwendung dieses Prinzips für s ist jedoch, dass einerseits der Modellierer für eine geeignete Partitionierung des Gesamtsystems sorgen und andererseits die Simulationssoftware das Verfahren unterstützen muss. Die -Middleware muss vor allem eine schnelle und effiziente Datenkommunikation für kleine Datenpakete sicherstellen. Typisch ist eine sehr hohe Zahl von Transaktionen mit jeweils wenigen Double-Zahlen. In [17] wird ein Simulationsansatz beschrieben, der ideale Parallelisierungsmöglichkeiten bietet. Die Ausbreitung von Schallwellen und Strömun-

3 Bild 2: Simulation der Schallausbreitung in einem strömenden Gas [18]. Der Simulationsalgorithmus basiert auf der Lattice-Boltzmann- Methode [11], die sich für eine Parallelisierung sehr gut eignet. gen wird klassisch über partielle Differentialgleichungen beschrieben. Eine Alternative zu dieser Vorgehensweise bieten das Transmission-Line- Matrix-Verfahren (TLM) und das Lattice-Boltzmann-Verfahren (LABO). Beide Verfahren beruhen auf einer (räumlichen) Diskretisierung (Rasterung), wobei sehr viele einfach zu lösende Einzelgleichungen entstehen, die parallel berechnet werden können. Bildet man dieses Problem auf ein ab, so würde ein sehr einfaches Programm den Gleichungslösungsalgorithmus realisieren. Verteilt auf sehr viele Knoten könnte das Gesamtproblem dann sehr effizient gelöst werden. Problematisch ist hier ggf. der Kommunikationsoverhead. Hierzu sind weitergehende Untersuchungen notwendig. In einem dritten Ansatz wird zwar primär auf Compute-Cluster und klassische Vektorrechner orientiert, eine Erweiterung auf s erscheint den Autoren jedoch zumindest prinzipiell möglich. Seit vielen Jahren werden unter dem Namen SUNDIALS (SUite of Nonlinear and DIfferential/ ALgebraic equation Solvers) [15] Algorithmen zum Lösen von Differentialgleichungen implementiert. Der Schwerpunkt liegt dabei vor allem auf der effizienten Behandlung sehr großer ODE/ DAE-Systeme, die durch hohen Speicher- und Rechenzeitbedarf charakterisiert sind. Für die optimale Nutzung der Hardwareressourcen stellt SUNDIALS eine spezielle NVECTOR-Bibliothek zur Verfügung [1]. Diese Bibliothek ist in der Lage, per MPI (Message Passing Interface) oder SHMEM (Shared Memory) Vektor- und Matrixoperationen unter Verwendung spezieller Hardware-/Cluster-Architekturen zu verteilen und parallel zu verarbeiten. Gesamtmodell F( y, y, x,, t) = 0 Simulator (z.b. MOSILAB) ODE/DAE-Löser (IDA/SUNDIALS) NVECTOR-Bibliothek (LLNL) Gesamtmodell y[0...i] y[i...j]... y[k...n] Bild 4: Die NVECTOR-Bibliothek unterstützt die verteilte Bearbeitung von Vektor- und Matrixoperationen. Simulator 1 Simulator 2 Dispatcher / Load Balancer... Simulator n Bild 3: Die räumliche Diskretisierung ermöglicht beim Lattice-Boltzmann-Verfahren die (massiv-)parallele Simulation von Teilmodellen. Der Vorteil dieses Ansatzes ist, dass bei Verwendung des NVECTOR-APIs weder die Simulationssoftware noch der Modellierer die Details zur sequentiellen oder verteilt parallelen Abarbeitung kennen muss. Je nach Verfügbarkeit der Hardwareressourcen kann per Compiler-Option oder über die Umgebungskonfiguration die passende NVECTOR-Implementierung (automatisch) gewählt werden. Inwieweit diese Möglichkeiten von SUNDIALS bei praxisrelevanten komplexen DAE-Systemen (Modellen) in -Umgebungen

4 zur Performance-Steigerung beitragen, muss künftig noch im Detail untersucht werden. 3 Gleichzeitige Simulation verschiedener Varianten In diesem Szenario wird ein Modell für unterschiedliche Parameterkonfigurationen gleichzeitig auf vielen -Knoten simuliert. Gründe für die Simulation mit unterschiedlichen Parameterwerten können unter anderem die folgenden sein: Der Einfluss der verschiedenen Modellparameter auf das Gesamtverhalten des Modells soll untersucht werden (Sensitivitätsanalyse). Der Entwerfer will für einzelne Modellparameter eine sinnvolle Werteregion finden, in der das Modell das gewünschte Verhalten realisiert. Ein Modell soll systematisch hinsichtlich verschiedener Grenzsituationen (ungedämpft, ideal elastisch,...) getestet werden. Als problematisch erweisen sich diese Ziele vor allem bei Modellen mit vielen Parametern (z.b. 15 und mehr) oder aber bei Modellen, bei denen eine Simulation sehr lange dauert (z.b. 15 Minuten und länger). Um hier den Parameterraum mit vertretbarem Aufwand durchmustern zu können, bedarf es eines systematischen und vor allem hochgradig parallelen Vorgehens. -Infrastrukturen könnten hier völlig neue Dimensionen beim modellgetriebenen, simulationsgestützten Entwurf eröffnen. Bild 5: Ergebnisse einer Monte-Carlo- Simulation [4]. Bei einer Stromspiegelschaltung werden die Kanallängen und -breiten der Transistoren variiert. Es ergibt sich die abgebildete Schar von Stromkennlinien. In [4] wird ein Ansatz für die verteilte Monte-Carlo-Simulation von SPICE-Modellen vorgestellt. Hier wird das Ziel verfolgt, den Einfluss von Schwankungen bei Entwurfs- und Herstellungsparametern bei technischen Systemen zu erfassen. Jeder Parameter muss dazu zufälligen Schwankungen unterworfen werden. Die so entstehenden Modellvarianten können dann jeweils simuliert und hinsichtlich der interessierenden Kenngrößen ausgewertet werden. Im Gegensatz zur gezielten Simulation für spezielle Parameterkombinationen wächst bei der Monte-Carlo-Simulation die Anzahl der durchzuführenden Simulationen schnell auf mehrere Hundert oder gar Tausend. Würde man die Simulationsläufe mit einem Einzelsimulator nacheinander ausführen, würde eine einzige Untersuchung mehrere Wochen kosten. Bild 5 zeigt die Ergebnisse einer Monte-Carlo- Simulation für eine Stromspiegelschaltung [4]. Nach vorgegebenen Verteilungsfunktionen (GAUSS, RANDOM,...) werden einzelne Geo- Gesamtmodell I IN Parameterkonfiguration 1 Simulator 1 Simulator 2 V DC Variieren der Parameter (Verteilungsfunktionen) Parameterkonfiguration 2 Dispatcher / Load Balancer Parameterkonfiguration k... Simulator n Bild 6: Für ein Modell werden die Parameter mit Hilfe definierter Verteilungsfunktionen variiert. Ein Dispatcher ordnet die so entstehenden Parameterkombinationen. inkl. Modell den parallel im arbeitenden Simulatoren zu.... I OUT

5 metrieparameter der Transistoren variiert und im Ergebnis der Simulationen entsteht die abgebildete Schar von Stromkennlinien. Realisiert wurde die verteilte Simulation mit Hilfe von Shellskripten auf Basis von Remote-Shell-Aufrufen (rsh) in einer NFS-basierten UNIX-Umgebung. Als Simulator wurde der frei verfügbare SPICE- Simulator eingesetzt. Während der in [4] vorgestellte Ansatz auf einer erweiterten Simulatoraufrufsteuerung basiert, wird in [16] das Monte-Carlo-Prinzip direkt auf Modellebene umgesetzt. Ein spezielles, in VHDL-AMS implementiertes STATISTICS- Package ermöglicht dem Entwerfer, analog zu Testbenches auch die interessierenden Parametervariationen mit zu modellieren. Das STATIS- TICS-Package stellt dazu verschiedene Verteilungsfunktionen (Gleich-, Normal-, Bernoulli- Verteilung,...) zur Verfügung. Allerdings muss bei diesem Ansatz der Simulator selbst die Vielzahl der nötigen Simulationsläufe koordinieren. Inwieweit also dieses Prinzip für -Infrastrukturen geeignet ist, muss künftig noch untersucht werden.?? Bild 7: Für die Volumenreduzierung eines elektromagnetischen Aktors (Relais) sollen die Länge und Breite des magnetischen Rückschlusses, der Durchmesser des Spulenkerns sowie die Windungszahl optimiert werden. Ein drittes Beispiel, bei dem eine Modell in vielen Varianten simuliert werden muss, ist die simulationsgestützte Optimierung [13][14]. Durch parallel laufende Simulationen soll zur Berechnung des Istverhaltens des technischen Systems ein schnellerer Optimierungsfortschritt erzielt werden. Dies ist insbesondere für biologisch inspirierte Optimierungsverfahren (genetische Algorithmen, Evolutionsstrategien) und ableitungsbasierte Verfahren in höherdimensionalen Parameterräumen? Fehler e opt Bild 8: Relais-Geometrie vor und nach der Optimierung. Im Diagramm ist der Optimierungsfortschritt zu sehen (der Fehler e opt wird minimiert). Das Ziel wurde mit dem FSQP- Verfahren in 50 Schritten/Simulationsläufen erreicht. Der parallele Einsatz alternativer Optimierungsalgorithmen bzw. eine Parallelsimulation wären hilfreich gewesen. nutzbringend einsetzbar. Weiterhin können Berechnungen mit verschiedene Optimierungsalgorithmen oder -konfigurationen gestartet werden oder die verschiedenen, nebenläufigen Optimierungen in unterschiedlichen Parametersuchräumen durchgeführt werden. Die Optimierung eines elektromagnetischen Aktors (Relais) illustriert das Prinzip (Bild 7, Bild 8). Bei einer Simulationszeit von einigen Minuten pro Optimierungsschritt kann eine Optimierung Stunden bzw. Tage dauern. Ein schnelles Probieren eines Optimierungsverfahrens bzw. einer speziellen Modellkonfiguration ist ohne parallel ablaufende Simulationen nicht möglich. Generelles Ziel bei der Variantensimulation ist die Performance-Steigerung bzw. die Schaffung einer Möglichkeit, überhaupt ein Modell für sehr, sehr viele Parameterkombinationen innerhalb einer vertretbaren Zeit zu simulieren. Diese Art der Berechnung stellt eine wesentliche Methode zur Absicherung eines Entwurfs (z.b. eines integrierten Schaltkreises) hinsichtlich des Einflusses von

6 fertigungsbedingten Parameterschwankungen dar. Da zur Bestimmung der für die Simulation genutzten Parameterkombinationen Verfahren der Statistik eingesetzt werden, ist die Anzahl der notwendigen Simulationsläufe entsprechend hoch. Das verteilte, parallele Simulieren ist also zwingend erforderlich. Andererseits sind die Einzelsimulationen vollständig voneinander entkoppelt, so dass parallele Simulationen keinerlei Synchronisation untereinander benötigen. Insofern erscheint den Autoren das als die ideale Basis für die Realisierung der Variantensimulationen. 4 Verteilte Simulation heterogener Systeme Simulatorkopplung Bei heterogenen Systemen kann ein Gesamtsystemmodell entsprechend seiner physikalischen Domänen partitioniert und mit Hilfe unterschiedlicher, für die jeweilige Domäne angepasster Simulatoren bearbeitet werden. Im Gegensatz zu den ersten beiden Szenarien (Abschnitt 2 und 3) steht hier nicht die Parallelisierung sondern das Ressourcen-Sharing im Vordergrund. Ein Entwerfer erhält über das die Möglichkeit, auf lokal nicht vorhandene Entwurfswerkzeuge zuzugreifen. Ein Performance-Gewinn entsteht außerdem, wenn dabei ressourcenintensive Berechnungen auf entsprechend leistungsfähigen -Knoten durchgeführt werden. ANSYS F a Beschleunigungskraft F a PVM Dateiaustausch Zeit t Auslenkung u Zeit t elektrostatische Kraft F e SABER Auslenkung Elektronik Regler elektrostatische Kraft Bild 9: Für den Beschleunigungssensor wird der mechanische Teil mit ANSYS und die Auswerteelektronik mit Saber simuliert. In [5] wird als Beispiel für ein komplexes, heterogenes System ein gefesselter Beschleunigungssensor mit Auswerteelektronik beschrieben. Während die mechanischen Komponenten mit finiten Elementen unter Verwendung des FEM-Simulators ANSYS modelliert und simuliert werden, wird für die Auswertelektronik der Schaltungssimulator Saber eingesetzt. Für die Gesamtsystemsimulation arbeiten beide Simulatoren gekoppelt. Ein muss in einem solchen Szenario nicht nur einen Remote-Zugang zu Simulatoren wie ANSYS oder Saber gestatten, sondern auch die Kopplung der genutzten Werkzeuge ermöglichen bzw. erleichtern. Hilfreich sind hier allgemeine, möglichst standardisierte Schnittstellen. Außerdem sind für die Datenübertragung zwischen den Simulatoren schnelle, direkte Punkt-zu-Punkt- Kommunikationskanäle sinnvoll, da mitunter in einem sehr engen Zeitraster Werte ausgetauscht werden müssen. Teilmodell 1 Teilmodell 2 Simulator A Koppelalgorithmus Simulatorkopplung Simulator B Bild 10: Bei heterogenen Systemen werden die Teilmodelle mit domänenspezifischen Simulatoren (Simulator A, Simulator B) bearbeitet. Für die Gesamtsystemsimulation sind spezielle Kopplungen erforderlich, für die das kommunikationstechnische Voraussetzungen schaffen muss und der Entwerfer die algorithmischen Details festlegt. 5 Zusammenfassung und Ausblick Es ist absehbar, dass der Entwurf technischer Systeme beim künftigen Einsatz von -Computing enorm profitieren wird. Sowohl der Aspekt der Performance-Steigerung durch Parallelisierung als auch der Aspekt des Ressourcen-Sharing wird eine wichtige Rolle spielen. Es wurden drei typische Szenarien vorgestellt und anhand von Beispielen und bisher gewonnenen Ergebnissen und Erfahrungen illustriert:

7 Die Parallelsimulation wird durch eine effektive Verteilung der Simulationsalgorithmen auf die durch das bereitsgestellten Ressourcen insbesondere zeitaufwändige Simulationen beschleunigen. Die Variantensimulation wird aufgrund der Performancesteigerung durch das neue Möglichkeiten beim Entwurf schaffen und schnell an Akzeptanz gewinnen. Der über das mögliche Remote-Zugriff auf eine Vielfalt von Entwurfswerkzeugen wird unter anderem die Multi-Domain-Simulation heterogener Systeme vereinfachen und eine schnellere, effektivere Kopplung von Simulatoren erlauben. Für die weitere Entwicklung von -Computing-Lösungen für den Systementwurf können folgende Anforderungen formuliert werden: Vorhandene Entwurfswerkzeuge (Simulatoren, Optimierungsprogramme,...) müssen über Wrapper oder Adapter leicht in eine -Infrastruktur integrierbar sein. Da bei verteilter, paralleler Arbeitsweise in der Regel nur die Kernfunktionalität des betreffenden Werkzeugs (z.b. das Simulieren eines Modells beim Simulator) benötigt wird und auf grafische Oberflächen und deren Interaktionsmöglichkeiten verzichtet werden kann, sollte die gewünschte Funktion als Service in Form eines Batch-Mode-Prozesses über das bereitgestellt werden können. Der Zugriff auf die im verfügbaren Ressourcen muss über angepasste Front-Ends, die sich an den Aufgaben eines Entwerfers orientieren und dessen Arbeitsabläufe unterstützen, möglich sein. Hilfreich ist eine einfache Erweiterbarkeit der Front-Ends für neue Aufgabenbereiche. Beim simulationsgestützten Entwurf sind vor allem die Modelleingabe, die Simulationssteuerung und Parameterkonfiguration sowie die Ergebnisvisualisierung wichtige Aufgaben, die durch das Front- End unterstützt werden müssen. Die Möglichkeit, sehr viele Simulationen parallel ausführen zu können, führt dazu, dass das dabei zu speichernde Volumen an Ergebnisdaten drastisch zunimmt. Nicht selten entstehen bereits bei einer komplexen Einzelsimulation Ergebnisdateien mit mehreren Hundert Megabyte. Werden beispielsweise am Ende einer Variantensimulationen alle Ergebnisse ungefiltert beim Anwender zusammengeführt, kann es zu unerwünschten Engpässen kommen. Das muss hier ein leistungsfähiges Datenmanagement bieten, das analog zur verteilten Verarbeitung auch ein verteiltes Postprocessing gestattet und den Anwender dabei unterstützt, die für ihn relevanten Ergebnisse zu extrahieren. Literatur [1] Byrne, G. D.; Hindmarsh, A. C.: PVODE, An ODE Solver for Parallel Computers. Int. Journal of High Performance Computing Applications, Vol. 13, No. 4, , 1999 [2] Chin, J.; Harvey, M. J.; Jha, S.; Coveney, P. V.: Scientific Computing: The First Generation. IEEE Computing in Sciense and Engineering, Volume 7, Number 5, 2005, pp. 24 [3] Clauß, C.: Blockorientierte Netzwerkanalyse ein Ansatz zur Simulation strukturierter Netzwerke. GME/ITG-Diskussionssitzung 10./11. Oktober 1991, Paderborn [4] Clauß, C.; Gube, M.: Verteilung von Workflows über Shellscripte am Beispiel einer Monte-Carlo-Simulation mit SPICE. Workshop -Technologie für den Entwurf technischer Systeme, Dresden, 22. April 2005 [5] Clauß, C.; Reitz, S.; Schwarz, P.: Simulation mechanisch-elektrischer Wechselwirkungen am Beispiel eines sensorischen Mikrosystems. SIM2000 Simulation im Maschinenbau, Dresden, März 2000, S. 183 ff. [6] Dong, S.; Karniadakis, G. E.; Karonis, N. T.: Cross-Site Computations on the Tera. IEEE Computing in Sciense and Engineering, Volume 7, Number 5, 2005, pp. 14 [7] Foster, I.; Kesselman, C. (eds.): The : Blueprint for a New Computing Infrastructure. M. Kaufmann, 1999 [8] Fraunhofer Resource : [9] Global Forum: [10] Globus Toolkit:

8 [11] Lattice-Boltzmann-Methode: (Januar 2006) [12] Schneider, A.; Ivask, E.: Nutzung von Entwurfswerkzeugen über das Internet. Dresdner Tagung Automatisierung des Schaltkreis-und Systementwurfs, Dresden, Mai 2003, S [13] Schneider, P.; Parodat, S.; Schneider, A., Schwarz, P: A modular approach for simulation-based optimization of MEMS. Microelectronics Journal Vol. 33, Nr.1-2, Elsevier, 2002 [14] Schwarz, P.; Schneider, A.; Schneider, P.: Flexible Integration of Simulation Tools in a Design Optimization Environment. Proc. EUROSIM2004, Paris, 2004 [15] SUNDIALS: (2006) [16] Wagner, E.-P.; Haase, J.: Monte Carlo Simulation Using VHDL-AMS. Forum on Design Languages (FDL 04), Lille, France, September 13-17, 2004, Proc. Vol.1, pp [17] Wegner, M.: Eine verteilte Implementierung für das TLM- und Lattice-Boltzmann-Verfahren. Praktikumsbericht HTW Dresden, 2003 [18] Wilde, A.: Simulation of sound propagation in turbulent flows and application to ultra sound gas flow meters. Sensor+Test Nürnberg, May 10-12, 2005