Uma equipe de TI está investigando a lentidão em um sistema que processa grandes volumes de dados. A análise inicial indica que a CPU não está sobrecarregada, mas o acesso aos dados armazenados é um gargalo. Qual componente de hardware é o principal candidato a ser otimizado para melhorar a velocidade de leitura e escrita de dados?

Em um projeto de otimização de desempenho para um servidor de alta demanda, a escolha da arquitetura do processador é crucial. Qual tipo de arquitetura é geralmente preferível para tarefas que exigem processamento rápido de um grande volume de instruções simples e repetitivas, visando eficiência?

anto a plataforma Java (até a versão 8 LTS) quanto a plataforma .NET utilizam um modelo de compilação e execução que abstrai o hardware subjacente para permitir a portabilidade do código. Considerando os “conceitos fundamentais” de cada plataforma, qual das seguintes alternativas apresenta corretamente a principal diferença entre seus respectivos ambientes de execução?

Quanto à segurança em computação em nuvem, relacione a Coluna 1 à Coluna 2, associando os pacotes do AWS Bibliotecas do Common Runtime às suas respectivas definições.

Coluna 1

1. awslabs/aws-c-io

2. awslabs/s2n

3. awslabs/aws-c-matt

4. awslabs/aws-c-cal

Coluna 2

( ) Pacote de soquetes (TCP, UDP), DNS, canais, circuitos de eventos, canais, SSL/TLS.

( ) Pacote de implementação C99 dos protocolos TLS/SSL, projetados para serem pequenos e rápidos, com a segurança como prioridade.

( ) Pacote de protocolo de mensagens leve e padrão para a Internet das Coisas - IoT.

( ) Pacote de tipos criptográficos primitivos, hashes (,, SHA256 HMAC) MD5 SHA256, signatários, AES.

A ordem correta de preenchimento dos parênteses, de cima para baixo, é:

No ambiente Windows, a instalação e o uso do cuDNN com Python é um processo complexo que exige a compilação manual do cuDNN a partir do código-fonte e a modificação direta de bibliotecas Python de baixo nível, pois os frameworks de deep learning, como TensorFlow e PyTorch, não possuem integração nativa com o cuDNN no ambiente Windows, tornando-o inviável para desenvolvedores comuns.

No desenvolvimento de aplicações com CUDA, uma das estratégias recomendadas para a otimização de desempenho é a minimização do uso da memória compartilhada do dispositivo, priorizando-se o acesso direto à memória global, já que esta possui maior largura de banda e menor latência.

Em uma GPU, o programador define diretamente no código quantos blocos de threads devem ser executados, enquanto o escalonador de blocos de threads, implementado em hardware, distribui esses blocos entre os processadores SIMD multithreaded.

Em CUDA, a execução paralela é estruturada em threads, que formam blocks, os quais, por sua vez, compõem grids, podendo diferentes blocks dentro de um mesmo grid compartilhar automaticamente sua memória local e seus registradores.

Técnicas como AWQ (activation-aware weight quantization) e GGUF (general unified format) comprometem a precisão e a viabilidade da execução local de grandes modelos de linguagem, sendo inadequadas para aplicações como chatbots offline, análise de texto em tempo real ou inferência embarcada, já que essas abordagens aumentam a latência e o consumo de memória, exigindo hardware com alta capacidade computacional.

Em arquiteturas de alto desempenho, a programação utilizando OpenMP ocorre por meio de diretivas de compilação (pragmas).

A diretiva #pragma omp critical tem como finalidade