{"id":36902,"date":"2019-10-31T22:14:38","date_gmt":"2019-10-31T19:14:38","guid":{"rendered":"https:\/\/prohoster.info\/blog\/vgpu-ispolzovat-nelzya-ignorirovat\/"},"modified":"2019-10-31T22:14:38","modified_gmt":"2019-10-31T19:14:38","slug":"vgpu-ispolzovat-nelzya-ignorirovat","status":"publish","type":"post","link":"https:\/\/prohoster.info\/it\/blog\/administrirovanie\/vgpu-ispolzovat-nelzya-ignorirovat","title":{"rendered":"vGPU \u2014 non pu\u00f2 essere ignorato","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

\"vGPU
\n
\nNel mese di giugno e luglio, ci hanno contattato quasi due dozzine di aziende interessate alle possibilit\u00e0 delle GPU virtuali. Una delle grandi filiali di Sberbank sta gi\u00e0 utilizzando il servizio \"Grafica\" di Cloud4Y, ma in generale il servizio non \u00e8 molto popolare. Quindi, questa attivit\u00e0 ci ha fatto molto piacere. Visti i crescenti interessi per la tecnologia, abbiamo deciso di raccontare pi\u00f9 nel dettaglio riguardo le vGPU.<\/i> <\/a><\/noindex><\/p>\n

\"Lago di dati\", ottenuti a seguito di esperimenti scientifici e ricerche, Deep Learning e altre aree di lavoro con l'IA, modellazione di oggetti grandi e complessi - tutto ci\u00f2 richiede hardware ad alte prestazioni. \u00c8 un bene se esiste e consente di risolvere rapidamente le attivit\u00e0 correnti. Tuttavia, a causa dell'aumento della complessit\u00e0 computazionale delle attivit\u00e0 (che riguarda principalmente l'analisi aziendale, il rendering, gli algoritmi DL e i framework), la potenza hardware delle CPU desktop e persino delle server sta diventando sempre pi\u00f9 inutile.<\/p>\n

La soluzione \u00e8 stata trovata nell'uso dei calcoli su GPU. Questa tecnologia di accelerazione grafica consente la condivisione delle risorse di un singolo processore grafico tra pi\u00f9 computer virtuali. Le GPU sono state progettate originariamente per lavorare con la grafica, quindi sono costituite da migliaia di piccoli nuclei utilizzati per elaborare in modo efficace compiti paralleli. Parte dei calcoli maggiormente esigenti in termini di risorse vengono eseguiti sulla GPU, mentre il resto \u00e8 gestito dalla CPU.<\/p>\n

\"vGPU
\n
\nI calcoli tramite GPU sono stati ideati dall'azienda Nvidia <\/a><\/noindex>gi\u00e0 nel 2007. Oggi questa tecnologia ha raggiunto un nuovo livello ed \u00e8 applicata nei data center delle pi\u00f9 grandi aziende e laboratori scientifici. Tuttavia, il metodo tradizionale ha un grande svantaggio: l'acquisto di hardware fisico pu\u00f2 risultare molto costoso. E se consideriamo la rapidit\u00e0 con cui diventa obsoleto, tutto ci\u00f2 \u00e8 ancora pi\u00f9 triste.<\/p>\n

Il problema dovrebbe essere risolto dalla tecnologia dei processori grafici virtuali: vGPU. Grazie ad essa, gli utenti possono avviare applicazioni pesanti da remoto, come AutoCAD, 3DS Max, Maya, Sony Vegas Pro. La virtualizzazione ha rapidamente conquistato la sua fetta di mercato. Dopotutto, quale data scientist russo non ama i calcoli rapidi sulle schede grafiche NVidia Tesla? <\/p>\n

\u00c8 importante notare che prima dell'arrivo di vGPU venivano utilizzati altri metodi per accelerare l'elaborazione grafica: Virtual Shared Graphics Acceleration (vSGA) e Virtual Dedicated Graphics Acceleration (vDGA). La soluzione vGPU ha combinato il meglio di entrambe le tecnologie. Come nel caso di vSGA, in un ambiente vGPU si prevede che pi\u00f9 desktop virtuali condividano la GPU e la RAM, ma ogni VM invia direttamente i comandi alla GPU, come nel caso di vDGA.<\/p>\n

A cosa servono effettivamente i vGPU <\/h2>\n

\nL'uso di vGPU nel cloud computing consente alle aziende di affrontare compiti che prima erano impossibili da risolvere. O in passato, ma richiedevano risorse stratosferiche. Un server GPU moderno \u00e8 in grado di sostituire fino a 100 normali CPU. Ci sono anche altri, numeri ancora pi\u00f9 impressionanti<\/a><\/noindex>. Non \u00e8 uno scherzo: le soluzioni Nvidia elaborano petabyte di dati molte volte pi\u00f9 velocemente dei server CPU tradizionali. E lo stesso Google Cloud offre macchine virtuali con GPU che possono generare fino a 960 teraflops.<\/p>\n

Molti specialisti necessitano di dispositivi potenti capaci di eseguire calcoli paralleli. Architetti e ingegneri utilizzano la tecnologia vGPU nei sistemi di progettazione (ad esempio Autodesk). I designer lavorano con contenuti fotografici e video digitali (Photoshop, CorelDraw). Le macchine virtuali<\/a><\/noindex> con processori grafici sono richieste anche da istituzioni mediche che raccolgono e analizzano dati sui pazienti e sulle malattie. Utilizzano GPU anche i \"Yandex<\/a><\/noindex>\u00bb.<\/p>\n

Pensate che sia tutto? Tutt'altro. La tecnologia \u00e8 utilizzata anche per la verifica automatica della precisione delle immagini satellitari<\/a><\/noindex>, e per la previsione delle epidemie<\/a><\/noindex>, la ricerca meteorologica<\/a><\/noindex>, la modellazione dei cicli solari<\/a><\/noindex> e l'analisi aziendale<\/a><\/noindex>. Inoltre, c'\u00e8 un ottimo articolo sulla modellazione<\/a><\/noindex> in ambiente Unity3D di ThisIsZolden<\/a><\/noindex>.<\/p>\n

Nonostante ci\u00f2, le soluzioni basate su vGPU non hanno ancora raggiunto una diffusione ampia nel mondo. Nel 2018, NetApp ha condotto un sondaggio <\/a><\/noindex>un sondaggio tra le aziende che utilizzano GPU nel loro lavoro. I risultati hanno mostrato che il 60% delle organizzazioni opera ancora sulla propria infrastruttura IT. Solo il 23% utilizza il \"cloud\". In Russia, la penetrazione della tecnologia di cloud computing ha un'importanza minore. Tuttavia, grazie a nuove soluzioni hardware e software, il numero di aziende che utilizzano macchine virtuali con GPU \u00e8 in costante aumento.<\/p>\n

Soluzioni per vGPU<\/h2>\n

\n\"vGPU
\n
\nMolte aziende si occupano dello sviluppo di tecnologie di virtualizzazione per schede grafiche, ma tra di esse ci sono senza dubbio dei leader.<\/p>\n

Una delle aziende pi\u00f9 autorevoli nello sviluppo di soluzioni nel settore del cloud \u00e8 VMware <\/b>che offre alle aziende un hypervisor ESXi<\/a><\/noindex>, sotto il quale la velocit\u00e0 di lavoro delle schede grafiche virtuali \u00e8 paragonabile alle implementazioni su hardware nativo. In un recente aggiornamento, lo sviluppatore ha disattivato il bilanciatore di carico vMotion e ha aggiunto il supporto per la tecnologia DirectPath I\/O, che collega il driver CUDA alla VM bypassando l'hypervisor e accelera il trasferimento dei dati.<\/p>\n

Nvidia <\/b>anche cerca di soddisfare le aspettative del mercato, e a questo scopo ha lanciato una piattaforma open-source Rapids<\/a><\/noindex>. La soluzione combina diverse librerie per lavorare con l'architettura CUDA, semplificando l'elaborazione dei dati durante l'addestramento delle reti neurali e consentendo l'automazione del lavoro con il codice Python. L'uso di Rapids con l'algoritmo di machine learning XGBoost offre un incremento delle prestazioni di 50 volte rispetto ai sistemi basati su CPU.<\/p>\n

Anche AMD<\/b>ha la sua tecnologia. La piattaforma si chiama ROCm<\/a><\/noindex>. Utilizza la tecnologia SR-IOV, che condivide le capacit\u00e0 hardware del dispositivo fisico tra pi\u00f9 macchine virtuali. Le risorse di un acceleratore possono essere suddivise tra sedici utenti, mantenendo prestazioni equivalenti per ciascuno di essi. In questo modo si accelera il trasferimento dei dati tra CPU e GPU cloud.<\/p>\n

Intel <\/b>costruisce la propria tecnologia sulla base dell'hypervisor cross-platform Citrix <\/a><\/noindex>XenServer 7, che nel 2017 ha ricevuto il certificato di conformit\u00e0 FSTEK. La soluzione combina il lavoro del driver GPU standard e della macchina virtuale. Quindi, la 'virtual machine' pu\u00f2 supportare <\/a><\/noindex>l'esecuzione di applicazioni pesanti su dispositivi con un gran numero (pi\u00f9 di cento) di utenti.<\/p>\n

Prospettive di mercato<\/h2>\n

\n\"vGPU
\n
\nGli analisti indipendenti ritengono che il volume delle vendite di soluzioni per sistemi HPC raggiunger\u00e0 45 miliardi di dollari entro il 2022. Anche gli sviluppatori delle piattaforme si aspettano un aumento della domanda per sistemi ad alte prestazioni. Questa aspettativa \u00e8 supportata dalla popolarit\u00e0 dei Big Data e dall'esigenza ricorrente di elaborare grandi volumi di dati.<\/p>\n

La crescente domanda di vGPU potrebbe stimolare lo sviluppo di tecnologie ibride, che combinano GPU e CPU in un unico dispositivo. In queste soluzioni integrate, due tipi di core utilizzano una cache comune, accelerando il trasferimento dei dati tra processori grafici e tradizionali. <\/p>\n

Gli ibridi cambieranno radicalmente l'approccio alla virtualizzazione e alla distribuzione delle risorse virtuali all'interno dei data center. Le soluzioni open source come ROCm e Rapids consentono agli operatori dei data center di utilizzare le risorse di calcolo in modo pi\u00f9 efficace, aumentando le prestazioni dell'hardware.<\/p>\n

Esiste un'altra opinione. Ad esempio, che le GPU virtuali saranno sostituite da chip ottici con codifica fotonica dei dati. Queste soluzioni esistono gi\u00e0 e vengono utilizzate per l'apprendimento automatico. Inoltre, sembrano pi\u00f9 performanti <\/a><\/noindex>di una GPU normale. Ma la tecnologia \u00e8 ancora immature.<\/p>\n

Quale conclusione possiamo trarre? Nonostante la possibile apparizione di analoghi, vGPU \u00e8 una direzione decisamente promettente, in grado di affrontare un gran numero di compiti. Tuttavia, non \u00e8 adatta a tutti. Quindi, la virgola nel titolo potete metterla voi stessi.<\/p>\n

P.S.<\/b>
\nIscriviti al nostro Telegram<\/a><\/noindex>-canale, per non perdere il prossimo articolo! Scriviamo non pi\u00f9 di due volte a settimana e solo su argomenti rilevanti.<\/i><\/p>\n

Solo gli utenti registrati possono partecipare al sondaggio. Accedi<\/a><\/noindex>, per favore.<\/p>\n

Utilizzate vGPU?<\/h2>\n