{"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-luglio, quasi un'azienda al giorno ci ha contattato per esplorare le possibilit\u00e0 delle GPU virtuali. Una grande filiale di Sberbank sta gi\u00e0 utilizzando la grafica di Cloud4Y, ma nel complesso il servizio non \u00e8 molto popolare. Questa attivit\u00e0 ci ha quindi molto sorpreso e ci ha reso felici. Visto l'aumento dell'interesse per la tecnologia, abbiamo deciso di parlare pi\u00f9 dettagliatamente del vGPU.<\/i> <\/a><\/noindex><\/p>\n

I 'laghi di dati' generati da esperimenti scientifici e ricerche, il Deep Learning e altri ambiti dell'intelligenza artificiale, la modellazione di oggetti grandi e complessi \u2014 tutto ci\u00f2 richiede hardware ad alte prestazioni. \u00c8 un vantaggio se c'\u00e8 e consente di risolvere rapidamente le sfide attuali. Tuttavia, a causa della crescente complessit\u00e0 computazionale delle attivit\u00e0 (in particolare nel business analytics, rendering, algoritmi DL e framework) le potenzialit\u00e0 delle CPU desktop e persino dei server diventano sempre pi\u00f9 frequentemente insufficienti.<\/p>\n

La soluzione \u00e8 stata trovata nell'uso dei calcoli su GPU. Questa tecnologia di accelerazione grafica consente la suddivisione delle risorse di una singola scheda grafica tra pi\u00f9 computer virtuali. La GPU \u00e8 stata progettata inizialmente per lavorare con la grafica, quindi \u00e8 composta da migliaia di piccoli core utilizzati per elaborare in modo efficiente compiti paralleli. In questo modo, la GPU gestisce parte dei calcoli pi\u00f9 intensivi, mentre il resto \u00e8 gestito dalla CPU.<\/p>\n

\"vGPU
\n
\nI calcoli utilizzando la GPU sono stati ideati dall'azienda Nvidia <\/a><\/noindex>nel 2007. Oggi questa tecnologia ha raggiunto un nuovo livello ed \u00e8 utilizzata nei datacenter delle pi\u00f9 grandi aziende e nei laboratori scientifici. Tuttavia, l'approccio tradizionale presenta un notevole svantaggio: l'acquisto di hardware fisico non \u00e8 affatto economico. E se consideriamo la velocit\u00e0 di obsolescenza dell'hardware, la situazione diventa ancora pi\u00f9 preoccupante.<\/p>\n

Il problema \u00e8 affrontato dalla tecnologia dei processori grafici virtuali: vGPU. Grazie a essa, gli utenti possono eseguire in remoto applicazioni pesanti come AutoCAD, 3DS Max, Maya e Sony Vegas Pro. La virtualizzazione ha rapidamente guadagnato quote di mercato. Del resto, quale data scientist russo non ama i calcoli veloci sulle schede grafiche NVidia Tesla? <\/p>\n

\u00c8 importante notare che prima dell'arrivo della 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, nell'ambiente vGPU si prevede la condivisione della GPU e della RAM tra pi\u00f9 desktop virtuali, ma ogni VM invia comandi direttamente alla GPU, come nel caso della vDGA.<\/p>\n

Perch\u00e9 sono necessari i vGPU <\/h2>\n

\nIl cloud computing con vGPU consente alle aziende di affrontare compiti precedentemente impossibili da risolvere. O possibili, ma richiedevano risorse irrealistiche. Un moderno server GPU \u00e8 in grado di sostituire fino a 100 normali CPU. Ci sono anche altre, ancora pi\u00f9 impressionanti cifre.<\/a><\/noindex>. Non \u00e8 uno scherzo: le soluzioni Nvidia elaborano petabyte di dati molte volte pi\u00f9 velocemente dei tradizionali server CPU. Google Cloud offre macchine virtuali con GPU che producono fino a 960 teraflops.<\/p>\n

Molti specialisti hanno bisogno di dispositivi potenti in grado 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). Macchine virtuali<\/a><\/noindex> Le strutture mediche necessitano anche di processori grafici per accumulare e analizzare dati su pazienti e malattie. Utilizzano GPU anche perYandex<\/a><\/noindex>\u00bb.<\/p>\n

pensate che sia tutto? Non \u00e8 cos\u00ec. La tecnologia \u00e8 usata anche per il controllo automatico dell'accuratezza delle immagini satellitari<\/a><\/noindex>, e per la previsione delle epidemie<\/a><\/noindex>, ricerche meteorologiche<\/a><\/noindex>, modellazione dei cicli solari<\/a><\/noindex> e analisi aziendale<\/a><\/noindex>. Inoltre, c'\u00e8 un ottimo articolo sulla modellazione<\/a><\/noindex> nell'ambiente Unity3D da ThisIsZolden<\/a><\/noindex>.<\/p>\n

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

Soluzioni per vGPU<\/h2>\n

\n\"vGPU
\n
\nMolte aziende si occupano dello sviluppo di tecnologie di virtualizzazione degli acceleratori grafici, ma tra esse ci sono alcuni leader indiscussi.<\/p>\n

Uno dei pi\u00f9 autorevoli sviluppatori di soluzioni nel campo del cloud \u00e8 VMware <\/b>offre alle aziende un hypervisor ESXi<\/a><\/noindex>, sotto il quale la velocit\u00e0 di funzionamento delle GPU virtuali \u00e8 paragonabile a quella delle implementazioni su hardware nativo. In un aggiornamento recente, 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 con la VM bypassando l'hypervisor e accelera la trasmissione dei dati.<\/p>\n

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

La propria tecnologia \u00e8 sviluppata da AMD<\/b>. La piattaforma si chiama ROCm<\/a><\/noindex>. Essa utilizza la tecnologia SR-IOV, che divide le capacit\u00e0 hardware del dispositivo fisico tra pi\u00f9 macchine virtuali. Le risorse di un acceleratore possono essere condivise tra sedici utenti, mantenendo prestazioni equivalenti per ciascuno di essi. Ci\u00f2 accelera anche il trasferimento di dati tra CPU e GPU nel cloud. In aggiunta, si utilizza un dialetto speciale di C++ chiamato HIP, che semplifica l'esecuzione di operazioni matematiche su GPU.<\/p>\n

Intel <\/b>sviluppa la sua tecnologia sulla base del hypervisor cross-platform Citrix <\/a><\/noindex>XenServer 7, che ha ricevuto nel 2017 la certificazione di conformit\u00e0 FSTEC. La soluzione combina il funzionamento del driver GPU standard e della macchina virtuale. Ci\u00f2 significa che la 'virtual machine' pu\u00f2 supportare <\/a><\/noindex>l'esecuzione di applicazioni pesanti su dispositivi con un gran numero di utenti (da qualche centinaio).<\/p>\n

Prospettive di mercato<\/h2>\n

\n\"vGPU
\n
\nAnalisti indipendenti stimano che il volume delle vendite delle soluzioni per sistemi HPC raggiunger\u00e0 i 45 miliardi di dollari entro il 2022. Anche gli sviluppatori di piattaforme si aspettano un aumento della domanda di sistemi ad alte prestazioni. Questa aspettativa \u00e8 supportata dalla popolarit\u00e0 del Big Data e dalla crescente necessit\u00e0 di gestire grandi volumi di dati.<\/p>\n

Inoltre, la crescita della domanda di vGPU potrebbe stimolare lo sviluppo di tecnologie ibride che combinano GPU e CPU in un unico dispositivo. In queste soluzioni integrate, i due tipi di nuclei utilizzano una cache comune, il che accelera 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. E soluzioni open source come ROCm e Rapids permettono agli operatori di data center di utilizzare in modo pi\u00f9 efficace le risorse computazionali, migliorando le prestazioni dell'hardware.<\/p>\n

C'\u00e8 anche un'altra opinione. Ad esempio, i GPU virtuali potrebbero essere sostituiti da chip ottici con codifica dei dati fotonici. Queste soluzioni esistono gi\u00e0 e vengono utilizzate per l'apprendimento automatico. Inoltre, sembrano pi\u00f9 performanti <\/a><\/noindex>di un normale GPU. Ma la tecnologia \u00e8 ancora immatura.<\/p>\n

Quale conclusione possiamo trarre? Nonostante la possibile comparsa di alternative, vGPU \u00e8 un settore promettente, capace di affrontare molte sfide. Tuttavia, non \u00e8 adatto a tutti. Quindi, la virgola nel titolo potete metterla da soli.<\/p>\n

P.S.<\/b>
\nIscriviti alla nostra newsletter Telegram<\/a><\/noindex>-canale per non perdere il prossimo articolo! Scriviamo al massimo due volte a settimana e solo quando necessario.<\/i><\/p>\n

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

Usate vGPU?<\/h2>\n