في شهري يونيو ويوليو ، تحولت حوالي 20 شركة إلينا المهتمين بقدرات وحدات معالجة الرسومات الافتراضية. يتم استخدام "الرسومات" في Cloud4Y من قبل واحدة من أكبر فروع Sberbank ، ولكن بشكل عام ، لا تحظى الخدمة بشعبية كبيرة. لذلك ، مثل هذا النشاط يسرنا كثيرا. رؤية الاهتمام المتزايد بالتكنولوجيا ، قررنا التحدث أكثر قليلاً عن vGPU. "بحيرات البيانات" التي تم الحصول عليها نتيجة للتجارب والأبحاث العلمية والتعلم العميق ومجالات العمل الأخرى باستخدام الذكاء الاصطناعى ، ووضع نماذج للكائنات الكبيرة والمعقدة - كل هذا يتطلب أجهزة عالية الأداء. حسنًا ، إذا كان الأمر كذلك ويسمح لك بحل المشكلات الحالية بسرعة. هذا فقط بسبب التعقيد الحسابي المتزايد للمهام (في المقام الأول لتحليلات الأعمال ، وتقديم ، خوارزميات DL والأطر) ، أصبحت قدرات الأجهزة من سطح المكتب وحتى وحدات المعالجة المركزية للخوادم عديمة الفائدة بشكل متزايد.
تم العثور على الحل في استخدام الحوسبة GPU. تتيح تقنية تسريع الرسومات هذه مشاركة موارد GPU واحدة بين أجهزة كمبيوتر افتراضية متعددة. تم تصميم وحدة معالجة الرسومات في الأصل للعمل مع الرسومات ، لأنها تتكون من الآلاف من النوى الصغيرة المستخدمة لمعالجة فعالة للمهام المتوازية. في الوقت نفسه ، يتم تنفيذ جزء من العمليات الحسابية الأكثر كثافة للموارد على وحدة معالجة الرسومات ، وحدة المعالجة المركزية تهتم بالباقي.
اخترع الحوسبة GPU من قبل
نفيديا مرة أخرى في عام 2007. وصلت هذه التكنولوجيا اليوم إلى مستوى جديد وتستخدم في مراكز البيانات الخاصة بأكبر المؤسسات والمختبرات العلمية. ومع ذلك ، فإن النهج التقليدي له عيب واحد كبير: شراء المعدات المادية مكلفة للغاية. وإذا كنت تتذكر سرعة تقادم "الحديد" ، فإنه يصبح أكثر حزناً.
تم تصميم المشكلة لحل تكنولوجيا المعالجات الرسومية الافتراضية: vGPU. مع ذلك ، يمكن للمستخدمين إطلاق تطبيقات ثقيلة عن بعد مثل AutoCAD و 3DS Max و Maya و Sony Vegas Pro. اكتسبت الافتراضية بسرعة حصتها في السوق. بعد كل شيء ، ما لا يحب عالم البيانات الروسي الحوسبة السريعة على بطاقات الفيديو NVidia Tesla؟
تجدر الإشارة هنا إلى أنه قبل ظهور vGPU ، تم استخدام طرق أخرى لتسريع معالجة الرسومات: تسريع الرسومات المشتركة الافتراضية (vSGA) وتسريع الرسومات الافتراضية المخصصة (vDGA). يجمع حل vGPU بين أفضل التقنيات. كما في حالة vSGA ، في بيئة vGPU ، من المفترض أن يتم مشاركة GPU و RAM بين العديد من أجهزة سطح المكتب الافتراضية ، لكن كل VM ينقل الأوامر مباشرةً إلى GPU ، كما هو الحال مع vDGA.
لماذا أحتاج vGPU
تتيح الحوسبة السحابية باستخدام vGPU للشركات التعامل مع المهام التي كان من المستحيل حلها في السابق. أو ربما ، لكنه تطلب كمية غير واقعية من الموارد. يمكن أن يحل خادم GPU الحديث حلاً يصل إلى 100 وحدة المعالجة المركزية التقليدية. هناك
شخصيات أخرى
أكثر إثارة للإعجاب . هذه ليست نكات: تقوم حلول Nvidia بمعالجة عدد بتات من البيانات أسرع عدة مرات من خوادم وحدة المعالجة المركزية الكلاسيكية. وتقدم Google Cloud نفسها أجهزة افتراضية مع وحدات معالجة الرسومات التي تصدر ما يصل إلى 960 ترافلوبس.
يحتاج العديد من المحترفين إلى أجهزة قوية يمكنها أداء الحوسبة المتوازية. يستخدم المهندسون المعماريون والمهندسون تقنية vGPU في أنظمة التصميم (نفس Autodesk ، على سبيل المثال). يعمل المصممون مع محتوى الصور والفيديو الرقمي (Photoshop، CorelDraw).
الأجهزة الافتراضية التي تحتوي على وحدات معالجة الرسومات مطلوبة أيضًا بواسطة المنشآت الطبية التي تجمع بيانات المرضى والمرض وتحليلها. يعمل مع GPU و
Yandex .
فكر في كل شيء؟ لا يهم كيف. تُستخدم هذه التقنية في
التحقق التلقائي
من دقة صور الأقمار الصناعية والتنبؤ بالأوبئة ودراسات الأرصاد الجوية ونمذجة
الدورات الشمسية وتحليلات الأعمال . هناك أيضًا
مقال رائع
حول النمذجة في Unity3D بواسطة
ThisIsZolden .
لهذا كله ، لم تتلق الحلول القائمة على vGPU توزيعًا واسعًا في العالم. لذلك ، في عام 2018 ، أجرت NetApp دراسة
استقصائية بين الشركات التي تستخدم وحدات معالجة الرسومات في عملها. أظهرت النتائج أن 60 ٪ من المنظمات لا تزال تعمل على البنية التحتية لتكنولوجيا المعلومات الخاصة بها. يستخدم "السحابة" بنسبة 23 ٪ فقط. في روسيا ، تغلغل تكنولوجيا الحوسبة السحابية أقل أهمية. ولكن بفضل حلول الأجهزة والبرامج الجديدة ، يتزايد عدد الشركات التي تستخدم أجهزة افتراضية مع وحدات معالجة الرسومات.
حلول VGPU
تشارك العديد من الشركات في تطوير تقنيات المحاكاة الافتراضية لمسرعات الرسومات ، ولكن هناك قادة بلا شك بينهم.
يعد
VMware أحد أكثر مطوري حلول الحوسبة السحابية احتراماً ، ويقدم للشركات برنامج
ESXi hypervisor ، الذي تقارن بموجبه سرعة وحدات معالجة الرسومات الافتراضية مع التطبيقات المعدنية العارية. في أحد التحديثات الحديثة ، قام المطور بتعطيل موازن تحميل vMotion وإضافة دعم لتكنولوجيا DirectPath I / O ، التي تربط برنامج تشغيل CUDA بجهاز VM وتجاوز برنامج Hypervisor وتسريع نقل البيانات.
تحاول
Nvidia أيضًا تلبية توقعات السوق ، ولهذا تم إطلاق منصة
Rapids مفتوحة المصدر. يجمع الحل بين العديد من المكتبات للعمل مع بنية CUDA ، مما يبسط العمل مع البيانات أثناء تدريب الشبكات العصبية ويسمح لك بأتمتة العمل باستخدام كود Python. يوفر استخدام Rapids مع خوارزمية تعلم آلة XGBoost زيادة بنسبة 50 ضعفًا في الأداء على الأنظمة القائمة على وحدة المعالجة المركزية.
AMD لديها التكنولوجيا الخاصة بها. تسمى المنصة
ROCm . يستخدم تقنية SR-IOV ، التي تشترك في قدرات الأجهزة المادية بين الأجهزة الافتراضية المتعددة. يمكن تقسيم موارد مسرّع واحد بين ستة عشر مستخدمًا ، مما يحافظ على الأداء المتساوي لكل منهم. هذا يسرع نقل البيانات بين وحدات المعالجة المركزية السحابية ووحدات معالجة الرسومات. كما تستخدم لهجة C ++ خاصة تسمى HIP ، مما يبسط تنفيذ العمليات الرياضية على GPU.
تبني
Intel تقنيتها على أساس برنامج Hypervisor عبر النظام الأساسي
Citrix XenServer 7 ، الذي حصل على شهادة المطابقة FSTEC في عام 2017. يجمع الحل بين عمل برنامج تشغيل GPU قياسي وجهاز افتراضي. وهذا يعني أن "virtualka" يمكن أن
يدعم تشغيل التطبيقات الثقيلة على أجهزة عدد كبير (عدة مئات) من المستخدمين.
آفاق السوق
يقدر المحللون المستقلون أن مبيعات حلول HPC ستصل إلى 45 مليار دولار بحلول عام 2022. يتوقع مطورو النظام الأساسي أيضًا زيادة الطلب على الأنظمة عالية الأداء. ويعزز هذا التوقع شعبية البيانات الكبيرة والحاجة الناشئة في كثير من الأحيان لمعالجة كميات كبيرة من البيانات.
أيضا ، يمكن أن يحفز الطلب المتزايد على vGPUs تطوير التقنيات الهجينة التي تجمع بين وحدات معالجة الرسومات ووحدات المعالجة المركزية في جهاز واحد. في مثل هذه الحلول المتكاملة ، يستخدم نوعان من النوى ذاكرة تخزين مؤقت شائعة ، مما يسرع نقل البيانات بين الرسومات والمعالجات التقليدية.
لقد غيرت Hybrids بشكل أساسي نهج التمثيل الافتراضي وتوزيع الموارد الافتراضية داخل مراكز البيانات. كما تتيح حلول المصادر المفتوحة مثل ROCm و Rapids لمشغلي مركز البيانات استخدام موارد الحوسبة بشكل أكثر كفاءة ، مما يؤدي إلى زيادة أداء المعدات.
هناك رأي آخر. على سبيل المثال ، سيتم استبدال وحدات معالجة الرسومات الافتراضية هذه بشرائح ضوئية بترميز الفوتون للبيانات. هذه الحلول موجودة بالفعل وتستخدم للتعلم الآلي. علاوة على ذلك ، يبدو أنها أكثر
إنتاجية من GPU العادية. لكن التكنولوجيا لا تزال رطبة.
ما الاستنتاج الذي يمكن تحقيقه؟ على الرغم من احتمال ظهور نظائرها ، فإن vGPU هي مجال واعد للغاية يمكنه حل عدد كبير من المشكلات. لكنها لا تناسب الجميع. لذلك يمكنك وضع فاصلة في الرأس بنفسك.
PSاشترك في قناة Telegram الخاصة بنا حتى لا يفوتك مقال آخر! نكتب أكثر من مرتين في الأسبوع وفقط في الأعمال.