Le Reconfigurable Intelligent Surfaces (RISs) sono una tecnologia emergente che promette di rivoluzionare le comunicazioni wireless del futuro, permettendo di modificare in tempo reale le caratteristiche del canale di comunicazione tra un trasmettitore e un ricevitore quando non è possibile instaurare una connessione line-of-sight. Tuttavia, lo studio e la valutazione della fattibilità e delle prestazioni di questa tecnologia, come per molte altre, richiede l'utilizzo di strumenti di simulazione sofisticati e sviluppati ad hoc. I framework di simulazione sono essenziali per lo studio di tecnologie ancora in uno stato embrionale come le RIS, poiché permettono di testare e confrontare diverse configurazioni e algoritmi in un ambiente controllato e riproducibile, evitando costosi test sperimentali, in particolar modo per prodotti non ancora disponibili sul mercato. Talvolta però, la complessità dei modelli simulativi e la mole di dati da processare richiedono un'elevata potenza di calcolo e risorse hardware, che possono risultare insufficienti per ottenere risultati in tempi ragionevoli. In questo contesto, il calcolo parallelo offre la possibilità di sfruttare al meglio le risorse a disposizione, riducendo i tempi di esecuzione e migliorando le prestazioni, tuttavia complicando in alcuni casi la portabilità e la manutenibilità del codice. Questo elaborato si propone di analizzare tre diversi framework di programmazione parallela confrontando le principali caratteristiche che li contraddistinguono, nell'ottica di valutarne l'efficacia, la versatilità, e ove applicabile la difficoltà d'integrazione. I framework presi in considerazione sono: parallelizzazione su CPU tramite la libreria libpthread e su GPU tramite le librerie CUDA e OpenCL. Per questo scopo, è stata eseguita l'integrazione di ciascuno di questi paradigmi nella libreria CoopeRIS, framework di simulazione per le RISs, al fine di valutarne l'impatto sulle prestazioni delle simulazioni. I risultati ottenuti da questo studio dimostrano pienamente l'efficacia del calcolo parallelo, in particolare su GPU, nel ridurre i tempi di esecuzione delle citate simulazioni, essenzialmente indicando un miglioramento pressoché lineare nella velocità di esecuzione al crescere del numero di thread utilizzati in riferimento all'implementazione su CPU, e un incremento di quasi due ordini di grandezza tramite le implementazioni su GPU.
This project is licensed under the MIT license See LICENSE file for details