OpenMP: Was es ist, wie es funktioniert und alles, was Sie wissen müssen

Informatec Digital » Entwicklung » OpenMP: Was es ist, wie es funktioniert und alles, was Sie wissen müssen

Wenn Sie hier gelandet sind, suchen Sie wahrscheinlich nach einer klaren, umfassenden und aktuellen Erklärung von OpenMP . Tauchen wir gemeinsam in die faszinierende Welt der parallelen Programmierung ein und entdecken wir, was OpenMP ist, wie es funktioniert und welche beruflichen und akademischen Möglichkeiten es bietet. Freuen Sie sich auf eine intensive – aber alles andere als langweilige – Auseinandersetzung mit technischem Wissen, Geschichte, Beispielen und interessanten Fakten zu einer der einflussreichsten Technologien in der Hochleistungssoftwareentwicklung.

OpenMP hat sich als Eckpfeiler für die Entwicklung von Anwendungen etabliert, die mehrere Prozessoren oder Kerne auf einem einzelnen Rechner mit gemeinsamem Speicher nutzen. Ob Student, Programmierer oder einfach nur an Informatik interessiert – dieser Artikel ist Ihre umfassende Informationsquelle zum Thema OpenMP: Gegenwart, Vergangenheit und Zukunft. Los geht’s!

Was ist OpenMP?

OpenMP ( Open Multi-Processing ) ist eine Programmierschnittstelle ( API ), die es Entwicklern ermöglicht, parallele Programme für Systeme mit gemeinsamem Speicher einfach und portabel zu schreiben. Ihr Hauptziel ist es, Entwicklern die Nutzung der Leistung von Mehrkernprozessoren zu ermöglichen, indem Aufgaben auf mehrere Threads verteilt und die Verarbeitungszeiten deutlich reduziert werden . Der Schlüssel zum Erfolg liegt in ihrer Zugänglichkeit und Kompatibilität mit den gängigsten Programmiersprachen für Hochleistungsanwendungen: C, C++ und Fortran.

Das Wort „ Open “ signalisiert, dass die Spezifikation frei ist und von einem unabhängigen Konsortium aus Herstellern und Experten gepflegt wird, nicht von einem proprietären Unternehmen. Das „MP“ im Namen unterstreicht den Fokus auf Multiprocessing . OpenMP ist also genau das: ein Weg, parallele Programmierung für alle zugänglich zu machen und alle Hardware-Ressourcen aus einem einzigen Speicherbereich zu nutzen – ohne Komplikationen und ohne explizite Interprozesskommunikation, wie sie bei anderen MPI-ähnlichen Modellen üblich ist.

Geschichte und Entwicklung von OpenMP

Die Geschichte von OpenMP beginnt Ende der 1990er-Jahre, als Supercomputer für Universitäten und Forschungszentren zugänglich wurden. 1997 initiierte Intel die Gründung des OpenMP Architecture Review Board (OpenMP ARB), um eine Standardspezifikation für die Verwaltung von Parallelverarbeitung in Fortran zu entwickeln . Kurz darauf schlossen sich Branchengrößen wie IBM, HP und Sun Microsystems diesem Vorhaben an.

Version 1997 wurde im Oktober 1.0 veröffentlicht und legte den Grundstein für die parallele Programmierung in Fortran. Nach diesem Erfolg erschienen im darauffolgenden Jahr die ersten Hybridanwendungen, die OpenMP und MPI (Message Passing Interface) kombinierten. Im Jahr 2001 entstand die Community cOMPunity, die OpenMP-Nutzer und -Entwickler weltweit vereinte und den Standard auf Europa, Amerika und Asien ausweitete.

Die Entwicklung von OpenMP verlief konstant, mit wichtigen Meilensteinen alle paar Jahre:

• 2002: Zusammenführung der Fortran- und C/C++-Spezifikationen in Version 2.0.
• 2005: In der Version 2.5 ist alles vereinheitlicht und der erste internationale Workshop findet statt.
• 2008: Version 3.0 integriert Parallelität durch Aufgaben.
• 2013: Version 4.0 erscheint und führt SIMD-Parallelität und Unterstützung für Beschleuniger wie GPUs ein.
• 2015: Version 4.5 mit erweiterter Unterstützung für Fortran 2003.
• 2018: OpenMP 5.0 macht mit erweiterter Unterstützung für heterogene Systeme, GPUs und FPGAs einen bedeutenden Sprung nach vorne.
• 2020 und 2021: Die Versionen 5.1 und 5.2 wurden veröffentlicht und bieten erweiterte Funktionen sowie eine verbesserte Unterstützung für Echtzeitprogrammierung und komplexe Systeme.

Jeder Fortschritt bei OpenMP hat uns der Portabilität, der Leistungsoptimierung und der einfachen Bedienbarkeit in wissenschaftlichen, industriellen und akademischen Umgebungen näher gebracht.

OpenMP-Programmiermodell und Schlüsselkonzepte

Der Kern von OpenMP basiert auf dem Fork -Join- Modell . Was bedeutet das? Im Wesentlichen teilt eine Anwendung, die ein großes Problem lösen muss, dieses in mehrere kleinere Aufgaben auf und erzeugt so eine Reihe von Threads (Fork). Jeder Thread führt einen Teil der Arbeit aus. Sobald alle Threads ihre Arbeit abgeschlossen haben, werden ihre Ergebnisse zusammengeführt und der Programmablauf fortgesetzt (Join).

In diesem Modell teilen sich alle Threads denselben Speicherbereich, was den Austausch von Daten und Teilergebnissen vereinfacht und die Komplexität des expliziten Nachrichtenaustauschs zwischen Prozessen vermeidet. Dies ist ideal für die Nutzung von Architekturen mit gemeinsamem Speicher , bei denen mehrere Kerne auf dieselben physischen Speicherbereiche zugreifen.

Sehen wir uns einige wesentliche Grundlagen bei der Arbeit mit OpenMP an:

• Faden: Es handelt sich um eine unabhängige Ausführungseinheit, die Anweisungen parallel zu anderen Threads ausführen kann.
• Thread-Team: Es handelt sich um eine Reihe von Threads, die zur parallelen Ausführung von Codeabschnitten erstellt werden und von einem Master-Thread koordiniert werden.
• Parallelregion: Ein Codeblock, der gleichzeitig von mehreren Threads ausgeführt wird, die durch spezielle Anweisungen angegeben werden.
• Gemeinsam genutzte und private Variablen: In OpenMP können Sie definieren, auf welche Variablen alle Threads zugreifen können (von Locals geführtes) und die in jedem Thread einen unabhängigen Wert haben wird (privat).
• Richtlinien: Es handelt sich dabei um besondere Hinweise oder Anweisungen (Typ #pragma omp in C/C++), die dem Compiler mitteilen, welche Teile des Codes parallel ausgeführt werden sollen, wie die Last verteilt und wie die Threads synchronisiert werden sollen.

Wie programmiert man mit OpenMP?

OpenMP legt Wert auf Einfachheit . Der Schlüssel liegt darin, Direktiven in den Quellcode einzufügen, die dem Compiler mitteilen, wie und wo das Programm parallelisiert werden soll. Bei Kompilierung mit OpenMP-Unterstützung generieren diese Direktiven automatisch den Code, der zum Erstellen und Synchronisieren von Threads, zum Aufteilen von Aufgaben und zum Datenmanagement benötigt wird. Wenn der Compiler OpenMP nicht unterstützt , ignoriert er die Direktiven einfach, und der Code wird sequenziell ausgeführt.

Die Anweisungen variieren je nach Sprache: In C/C++ werden die bekannten verwendet #pragma omp, während wir in Fortran verwenden !$ompDarüber hinaus gibt es mehrere Klauseln die diesen Anweisungen hinzugefügt werden, um die Ausführung weiter anzupassen, indem beispielsweise angegeben wird, ob Variablen privat oder gemeinsam genutzt werden oder wie die Arbeit zwischen Threads verteilt werden soll.

Einfaches Beispiel in C:

#pragma omp parallel
{
    printf("Hola desde el hilo %d\n", omp_get_thread_num());
}

Eine einzige Direktive erzeugt einen parallelen Bereich, und jeder Thread gibt seine Kennung aus . So einfach ist das. OpenMP kann aber noch viel mehr und ermöglicht die Kontrolle der Komplexität in Systemen mit Dutzenden oder Hunderten von Kernen.

Hauptrichtlinien und Klauseln von OpenMP

Der OpenMP-Standard bietet eine Vielzahl von Direktiven und Klauseln, mit denen Sie alle Arten von Parallelitätsmustern ausdrücken können. Einige der wichtigsten (und diejenigen, die in praktisch allen Beispielen und Tutorials vorkommen) sind:

• parallel: Gibt den Beginn eines Codebereichs an, der von allen Threads auf dem Computer ausgeführt wird.
• für: Teilt die Schleifenausführung auf die Threads auf, um die Iterationen automatisch zu verteilen.
• Abschnitte/Abschnitt: Ermöglicht Ihnen, unabhängige Codeblöcke anzugeben, die parallel ausgeführt werden können.
• Single: Markiert einen Abschnitt, der nur von einem der Threads ausgeführt werden soll.
• Aufgabe: Erstellt eine unabhängige Aufgabe, die in die Warteschlange gestellt und von jedem verfügbaren Thread ausgeführt werden kann.
• kritisch: Definiert einen kritischen Abschnitt, der jeweils nur von einem Thread ausgeführt werden kann, um Race Conditions zu vermeiden.
• atomar: Stellt sicher, dass eine Operation an einer gemeinsam genutzten Variable atomar ausgeführt wird.
• Barriere: Synchronisiert alle Threads und zwingt sie, an diesem Punkt zu warten, bevor sie fortfahren.

Jede Direktive kann mithilfe von Klauseln wie private , shared , firstprivate , lastprivate , reduction , schedule usw. modifiziert werden, um die Arbeitsverteilung und den Datenzugriff noch detaillierter zu steuern.

Klauseln und Arbeitsplanung

Für effiziente Parallelverarbeitung ermöglicht OpenMP die Anpassung der Aufgabenverteilung und der für jeden Thread zugänglichen Variablen. Zu den gängigsten Klauseln gehören:

• geteilt (Variable): Die Variable ist allen Threads gemeinsam und kann von jedem gelesen oder geschrieben werden.
• privat (variabel): Jeder Thread verfügt über eine eigene Kopie der Variable, die ohne Wert initialisiert wird.
• firstprivate(variable): Jeder Thread erhält eine Kopie der Variable mit dem Wert, den er vor dem Eintritt in den parallelen Bereich hatte.
• letzteprivate(Variable): Wenn der parallele Bereich endet, wird der Wert der Variable in der letzter Thread dass die Ausführung beendet ist, wird außerhalb des Blocks gehalten.
• Reduktion (Op: Variable): Jeder Thread arbeitet mit einer privaten Kopie und am Ende werden die Ergebnisse mit der angegebenen Operation (z. B. Addition, Multiplikation, Minimum, Maximum) kombiniert.
• Zeitplan (Typ, Block): Steuert, wie Schleifeniterationen auf die Threads verteilt werden. Die wichtigsten Typen sind statisch, dynamisch y geführt.

Wichtig ist, darauf hinzuweisen, dass diese Klauseln eine weitere Anpassung und Optimierung der parallelen Ausführung entsprechend den spezifischen Eigenschaften des Problems und der Architektur, auf der es ausgeführt wird, ermöglichen.

OpenMP-Bibliotheksfunktionen

OpenMP basiert nicht nur auf Direktiven, sondern umfasst auch eine ganze Bibliothek von Funktionen zur Verwaltung von Threads, Teams und Prozessoren sowie zur Leistungsoptimierung in Echtzeit. Zu den beliebtesten Funktionen gehören:

• omp_get_thread_num(): Gibt die aktuelle Thread-ID zurück.
• omp_get_num_threads(): Gibt an, wie viele Threads das aktuelle Ausführungsteam hat.
• omp_set_num_threads(n): Ermöglicht Ihnen, die Anzahl der Threads zu definieren, die in einer parallelen Region verwendet werden sollen.
• omp_get_num_procs(): Zeigt die Anzahl der verfügbaren Prozessoren (Kerne) an.
• omp_get_wtime(): Addiert die Zeit in Sekunden ab einem Referenzpunkt, ideal zur Leistungsmessung.
• omp_get_max_threads(): Gibt die maximale Anzahl von Threads an, die parallel gestartet werden können.
• omp_set_dynamic(ja/nein): Hier können Sie einstellen, ob sich die Anzahl der Threads zur Laufzeit dynamisch anpasst.

Mit diesen Funktionen können Sie die Ausführung paralleler Programme steuern und anpassen und so für mehr Effizienz und Anpassung an die jeweilige Hardwareplattform sorgen.

Vor- und Nachteile von OpenMP

Wie alles im Leben ist auch OpenMP nicht perfekt und hat seine Stärken und Schwächen. Zu wissen, wann es eingesetzt werden sollte, ist genauso wichtig wie das Verständnis der technischen Details.

Vorteile:

• Einfachheit: Durch die Verwendung von Direktiven lässt sich vorhandener Code schnell und unkompliziert parallelisieren. Es ist nicht nötig, alles von Grund auf neu zu schreiben.
• Portabilität: Da es sich um einen offenen Standard handelt, funktioniert derselbe Code auf mehreren Plattformen und Betriebssystemen.
• Inkrementalität: Es ist möglich, sequentiellen Code schrittweise in parallelen Code umzuwandeln und dabei in jeder Phase die Leistung zu testen.
• Gleiche Quelle für seriell und parallel: Wenn der Compiler OpenMP nicht unterstützt, ignoriert er die Anweisungen einfach.
• Automatische Aufgabenzerlegung: Die Arbeitsverteilung zwischen den Threads ist in den meisten Fällen transparent.

Nachteile:

• Compilerabhängigkeit: Funktioniert nur, wenn der Compiler OpenMP kennt und unterstützt.
• Beschränkt auf gemeinsam genutzten Speicher: In verteilten Speicherarchitekturen, wie etwa Clustern ohne gemeinsam genutzte Ressourcen, ist es nicht effizient.
• Skalierbarkeit: Die Effizienz kann abnehmen, wenn Sie versuchen, Prozesse zu parallelisieren, die stark auf den gemeinsam genutzten Speicher zugreifen.
• Optimierung: Zur Verbesserung der Effizienz kann eine Umstrukturierung des Quellcodes erforderlich sein.

Praxisbeispiel: Bildverarbeitung

Lassen Sie uns veranschaulichen, wie OpenMP in der Praxis hilft. Stellen Sie sich vor, Sie müssen einen Filter auf ein Bild anwenden. Diese Aufgabe lässt sich in unabhängige Teile unterteilen, um verschiedene Bereiche (z. B. Farbkanäle) gleichzeitig zu verarbeiten.

Im klassischen Beispiel der Bildverarbeitung haben wir eine dreidimensionale Matrix, die Breite, Höhe und RGB-Kanäle des Bildes repräsentiert. OpenMP ermöglicht die Parallelisierung der Schleifen, die das Bild durchlaufen , um Effekte wie Gaußsche Unschärfe anzuwenden . Dadurch werden im Vergleich zur sequenziellen Verarbeitung deutliche Geschwindigkeitssteigerungen erzielt. So kann die sequentielle Methode mehr als 12 Sekunden benötigen, während die parallele Version, die jedem Kanal einen Thread zuweist, die Aufgabe in etwas über 7 Sekunden erledigt. Der Clou dabei ist, dass jeder Thread einen Kanal des Bildes verarbeitet und somit wie kleine Teams agiert, die automatisch zusammenarbeiten und sich synchronisieren.

OpenMP-Unterstützung in Compilern und Plattformen

Die Kompatibilität von OpenMP ist eine seiner größten Stärken. Nahezu alle modernen Compiler, sowohl C/C++ als auch Fortran, unterstützen die neuesten Versionen des Standards (wenn auch nicht alle im gleichen Tempo). Zu den wichtigsten gehören:

• GNU GCC (vollständige Unterstützung bis OpenMP 4.5 und teilweise Unterstützung für 5.0/5.1).
• Intel C/C++/Fortran (bis 4.5 und teilweise 5.0/5.1).
• IBM XL, Oracle, PGI, Cray, ARM, NVIDIA (mit Varianten je nach Version und Beschleunigerunterstützung).
• LLVM Clang (eingeschränkte Unterstützung für Beschleuniger bis 4.5).
• Compiler für bestimmte Geräte wie unter anderem Texas Instruments, Appentra und Mercurium.

Jede Implementierung kann spezifische Merkmale aufweisen, insbesondere hinsichtlich der Handhabung verschachtelter Thread-Pools und der internen Ressourcenverwaltung. Daher ist es immer ratsam, vor der Bereitstellung kritischer Anwendungen die Leistung auf der Zielplattform zu testen.

OpenMP-Anwendungsbereiche

OpenMP eignet sich hervorragend für die Verarbeitung großer Informationsmengen in gemeinsam genutzten Speichersystemen. Seine Hauptanwendungen sind:

• Supercomputing: Wissenschaftliche Hochleistungsrechen- und Simulationszentren.
• Bild- und Videoverarbeitung: Anwendungen zur Analyse, Erkennung und Bearbeitung.
• Datenverarbeitung im großen Maßstab: Datenbankanalyse, Data Mining und maschinelles Lernen.
• Intensive mathematische Berechnungen: Modellierung physikalischer Phänomene, Computerbiologie, quantitative Finanzwissenschaft.
• Forschung und Lehre: Universitätsprojekte und Schulungen in paralleler Programmierung.

Darüber hinaus wird OpenMP häufig mit anderen Paradigmen wie MPI für verteilte Systeme kombiniert, wodurch auf modernen Clustern und Supercomputern äußerst robuste und effiziente Hybridlösungen erzielt werden.

OpenMP-Versionen und ihre Beiträge

Seit seiner Einführung wurde OpenMP mehrfach überarbeitet. Jede Überarbeitung fügte neue Funktionen hinzu, um Programmierern das Leben zu erleichtern und sich an den technologischen Fortschritt anzupassen.

• OpenMP 1.0 (1997): Nur für Fortran führte er parallele Regionen und die grundlegenden Synchronisierungsmechanismen ein.
• OpenMP 2.0 und 2.5: Vollständige C-, C++- und Fortran-Integration, erste erweiterte Funktionen und Neudefinition der Terminologie.
• OpenMP 3.0-3.1: Großer Fortschritt mit expliziten Aufgaben, Selbstplanung, Verbesserungen der Atomarität und neuen Reduktionsoperatoren.
• OpenMP 4.0-4.5: Unterstützung für Beschleuniger, SIMD, Task-Abhängigkeitsspezifikation, erweiterte Geräte- und Speicherverwaltung.
• OpenMP 5.0-5.2: Erweiterung auf heterogene Systeme, Unterstützung für GPUs und FPGAs, fehlerspezifische Funktionen, gerätespezifische Features und Verbesserungen bei der Ausdruckskraft von Richtlinien sowie der Speicher- und Aufgabenverwaltung.

Zu den symbolträchtigen Richtlinien und Klauseln dieser Versionen zählen unter anderem:

• Ziel, Zieldaten, Zielaktualisierung
• Teams, Verteilen, Schleifen
• Variante deklarieren, Taskloop simd, erfordert
• Verbesserungen bei Abhängigkeiten, atomarer Erfassung und Lambda-Programmierung

Jeder Fortschritt zielte darauf ab, der zunehmenden Komplexität von Computersystemen gerecht zu werden und eine ausdrucksstärkere und effizientere Programmierung zu ermöglichen.

Synchronisierung und gegenseitiges Ausschlussmanagement

Eine der häufigsten Herausforderungen bei der parallelen Programmierung ist die Vermeidung gefürchteter Synchronisationsfehler und Race Conditions. OpenMP beinhaltet Mechanismen, um dies zu gewährleisten:

• Barrieren: Alle Threads werden zum Warten gezwungen, bevor sie fortfahren.
• Kritische Regionen: Es kann immer nur ein Thread den Block ausführen.
• Atomare Operationen: Für Änderungen an bestimmten freigegebenen Variablen.
• Schlösser: Verwaltet durch Funktionen wie omp_set_lock, omp_unset_lock usw.

Diese Mechanismen ermöglichen das Schreiben von Software, die sicher, vorhersehbar und frei von Fehlern ist, die bei der gleichzeitigen Datenmanipulation auftreten können.

Umgebungsvariablen und Konfiguration

Das Verhalten von OpenMP lässt sich mithilfe verschiedener Umgebungsvariablen sowohl zur Laufzeit als auch zur Kompilierzeit feinabstimmen . Zu den wichtigsten gehören:

• OMP_NUM_THREADS: Definiert die Standardanzahl der Threads.
• OMP_DYNAMIC: Aktiviert oder deaktiviert die dynamische Regelung der Thread-Ausrüstung.
• OMP_SCHEDULE: Ermöglicht Ihnen, die Standardplanung von Schleifen zu ändern.
• OMP_PROC_BIND: Steuert die Verankerung von Threads an bestimmten Prozessoren.
• OMP_STACKSIZE: Passt die Stapelgröße jedes Threads an.
• OMP_WAIT_POLICY: Konfigurieren Sie die Warterichtlinie an Schranken.

Dank dieser Variablen ist es möglich, die Ausführung für jede spezifische Plattform und Anwendung zu optimieren und so die verfügbaren physischen Ressourcen optimal zu nutzen.

Bewährte Verfahren und Anwendungsempfehlungen

Um die Vorteile von OpenMP zu nutzen, müssen Sie verstehen, wann es sinnvoll ist und wie Sie häufige Fehler vermeiden. Einige wichtige Empfehlungen:

• Analysieren Sie die mögliche Parallelisierung: Nicht alle Probleme profitieren von Parallelität. Bewerten Sie die Arbeitslast und die Synchronisierungspunkte.
• Vermeiden Sie nach Möglichkeit kritische Bereiche: Sie stellen einen Engpass dar, der die gesamte Anwendung verlangsamen kann.
• Private und gemeinsam genutzte Variablen richtig verwenden: Legen Sie fest, welche Daten jedem Thread vorbehalten sein sollen und welche gemeinsam genutzt werden können.
• Reduzieren Sie die Überlastung kleiner Aufgaben: Die Kosten für die Aufgabenerstellung können den Nutzen übersteigen, wenn jede Aufgabe sehr kurz ist.
• Experimentieren Sie mit der Planung: Probieren Sie je nach Schleifentyp und Lastschwankungen zwischen den Iterationen unterschiedliche Konfigurationen aus.

Vergleich von OpenMP mit anderen Parallelitätsmodellen

OpenMP ist die ideale Wahl für die Arbeit mit Shared-Memory-Systemen. Je nach Bedarf gibt es jedoch auch andere Optionen:

• MPI (Message Passing Interface): Entwickelt für verteilte Systeme. Es erfordert den Nachrichtenaustausch zwischen Prozessen, ideal für Cluster und Supercomputer.
• Cilk, Intel TBB, OmpSs: Hochrangige Alternativen zu C/C++ mit erweiterten Parallelitätsfunktionen (Aufgaben, Arbeitsabläufe).
• CUDA, OpenCL: Konzentriert sich auf die Programmierung für GPUs und Beschleunigergeräte.

Die optimale Wahl hängt von der Hardware, der Art der Anwendung und Ihren bisherigen Erfahrungen ab. Viele moderne Lösungen kombinieren OpenMP und MPI, um das Beste aus beiden Paradigmen herauszuholen.

Die Zukunft von OpenMP: Trends und Perspektiven

Die OpenMP-Community wächst stetig, und zukünftige Versionen werden voraussichtlich die Funktionalität für die Arbeit mit heterogenen Geräten (GPUs, FPGAs, TPUs usw.) weiter ausbauen, die Effizienz in Mehrkernarchitekturen optimieren und die parallele Softwareentwicklung weiter vereinfachen. Aktuell konzentrieren sich die Bemühungen auf die Integration von Echtzeitmodellen, die Verbesserung des Speichermanagements und die Erweiterung der Unterstützung für neue SIMD-Befehle und Vektorverarbeitung.

Die neuesten Versionen unterstützen Lambda-Ausdrücke, einheitliche Speichermodelle und Direktiven, die eine nahtlose plattformübergreifende Programmierung ermöglichen. Mit jeder Weiterentwicklung stärkt OpenMP seine Position als unverzichtbares Werkzeug im wissenschaftlichen Rechnen, der künstlichen Intelligenz und im Wirtschaftsingenieurwesen.

Nach dieser umfassenden Untersuchung der Feinheiten von OpenMP wird deutlich, dass es sich um einen ausgereiften, leistungsstarken und äußerst vielseitigen Standard handelt, der sich an die Bedürfnisse unterschiedlichster Projekte anpassen lässt – von akademischen Experimenten bis hin zu professionellen Supercomputing-Anwendungen. Die Beherrschung von OpenMP ist für jeden Entwickler und Data Scientist, der das volle Potenzial moderner Computertechnologie ausschöpfen möchte, ein sicherer Weg .