В straipsnį, kai kalbėjome apie mūsų naują paslaugą su vaizdo plokšte nepalietėme kai kurių įdomių virtualių serverių su vaizdo adapteriais naudojimo aspektų. Atėjo laikas pridėti daugiau bandymų.
Norėdami naudoti fizinius vaizdo adapterius virtualioje aplinkoje, pasirinkome RemoteFX vGPU technologiją, kurią palaiko Microsoft hipervizorius. Tokiu atveju priegloba turi turėti procesorius, palaikančius SLAT (EPT iš Intel arba NPT/RVI iš AMD), taip pat vaizdo plokštes, atitinkančias Hyper-V kūrėjų reikalavimus. Jokiu būdu neturėtumėte lyginti šio sprendimo su stalinių kompiuterių adapteriais fizinėse mašinose, kurie paprastai rodo geresnį našumą dirbant su grafika. Mūsų bandymų metu vGPU konkuruos su centriniu virtualiojo serverio procesoriumi – tai gana logiška atliekant skaičiavimo užduotis. Taip pat atkreipkite dėmesį, kad be RemoteFX yra ir kitų panašių technologijų, pavyzdžiui, NVIDIA Virtual GPU – leidžia perkelti grafines komandas iš kiekvienos virtualios mašinos tiesiai į adapterį, neverčiant jų į hipervizorių.
Testai
Atliekant bandymus buvo naudojamas įrenginys su 4 skaičiavimo branduoliais 3,4 GHz dažniu, 16 GB RAM, 100 GB kietojo kūno disku (SSD) ir virtualiu vaizdo adapteriu su 512 MB vaizdo atminties. Fizinis serveris aprūpintas profesionaliomis NVIDIA Quadro P4000 vaizdo plokštėmis, o svečių sistemoje veikia Windows Server 2016 Standard (64 bitų) su standartine Microsoft Remote FX vaizdo tvarkykle.
▍GeekBench 5
Norėdami pradėti dabartinė programos versija , kuri leidžia įvertinti sistemos našumą OpenCL programoms.
Šį etaloną naudojome ankstesniame straipsnyje ir tai tik patvirtino tai, kas akivaizdu – mūsų vGPU yra silpnesnis nei didelio našumo darbalaukio vaizdo plokštės, skirtos tipinėms „grafikos“ užduotims spręsti.
▍GPU Caps Viewer 1.43.0.0
Sukurta įmonės Naudingumas negali būti vadinamas etalonu. Jame nėra našumo testų, bet galima gauti informacijos apie naudojamus techninės ir programinės įrangos sprendimus. Čia matote, kad mūsų vGPU virtuali mašina palaiko tik OpenCL 1.1 ir nepalaiko CUDA, nepaisant fiziniame serveryje įdiegto NVIDIA Quadro P4000 vaizdo adapterio.
▍FAHBench 2.3.1
iš paskirstytojo skaičiavimo projekto yra skirta labai specializuotai baltymų molekulių lankstymo kompiuterinio modeliavimo problemai spręsti. Tai būtina norint ištirti patologijų, susijusių su baltymų defektais, priežastis – Alzheimerio ir Parkinsono ligas, karvės išprotėjimo ligą, išsėtinę sklerozę ir kt. Naudingumas negali visapusiškai įvertinti virtualaus vaizdo adapterio skaičiavimo galios, tačiau leidžia palyginti procesoriaus ir vGPU našumą atliekant sudėtingus skaičiavimus.
Skaičiavimo našumas vGPU naudojant OpenCL, išmatuotas naudojant FAHBench, pasirodė esantis maždaug 6 kartus (numanomo modeliavimo metodo atveju - maždaug 10 kartų) didesnis nei panašūs pakankamai galingo centrinio procesoriaus rodikliai.
Žemiau pateikiame dvigubo tikslumo skaičiavimų rezultatus.
▍SiSoftware Sandra 20/20
Kitas universalus kompiuterių diagnozavimo ir testavimo paketas. Tai leidžia išsamiai ištirti serverio aparatinės ir programinės įrangos konfigūraciją ir yra daugybė skirtingų etalonų. Be procesoriaus skaičiavimo, Sandra 20/20 palaiko OpenCL, DirectCompute ir CUDA. Mus visų pirma domina tie, kurie yra įtraukti į nemokamą versiją bendrosios paskirties skaičiavimo etalonų rinkiniai (GPGPU), naudojantys aparatūros greitintuvus.
gana geri, nors jie yra šiek tiek mažesni nei tikėtasi NVIDIA Quadro P4000 vaizdo adapteriui. Tikėtina, kad įtakos turės virtualizacijos pridėtinės išlaidos.
Sandra 20/20 turi panašų procesoriaus etalonų rinkinį. Paleiskime juos su vGPU skaičiavimu.
Vaizdo adapterio privalumai aiškiai matomi, tačiau viso testo paketo nustatymai nėra visiškai identiški, o rezultatuose nematyti reikiamo detalumo rodiklių. Nusprendėme atlikti kelis atskirus bandymus. Iš pradžių Didžiausias vGPU našumas naudojant paprastų matematinių skaičiavimų rinkinį naudojant OpenCL. iš esmės panašus į Sandros daugialypės terpės (ne aritmetinį!) CPU testą. Palyginimui padėkite tą pačią diagramą VPS procesoriaus daugialypės terpės testas. Net keturių apdorojimo branduolių procesorius yra pastebimai prastesnis už vGPU.
Nuo sintetinių testų pereikime prie praktinių dalykų. Kriptografiniai testai padėjo mums nustatyti duomenų kodavimo ir dekodavimo greitį. Štai rezultatų palyginimas и taip pat parodė aiškų akceleratoriaus pranašumą.
Kita vGPU taikymo sritis yra finansinė analizė. Tokius skaičiavimus lengva lygiagretinti, tačiau norint juos atlikti, jums reikės vaizdo adapterio, kuris palaiko dvigubo tikslumo skaičiavimus. Ir vėl rezultatai kalba patys už save: gana galingi pralaimi iš karto .
Paskutinis mūsų atliktas bandymas buvo didelio tikslumo moksliniai skaičiavimai. vėl pasisekė geriau su matricos daugyba, greita Furjė transformacija ir kitomis panašiomis problemomis.
išvados
vGPU nėra gerai pritaikyti grafikos redaktoriams, taip pat 3D atvaizdavimo ir vaizdo apdorojimo programoms. Stalinių kompiuterių adapteriai daug geriau susidoroja su grafika, tačiau virtualus gali atlikti lygiagrečius skaičiavimus greičiau nei CPU. Už tai turime padėkoti produktyviai RAM ir didesniam skaičiui aritmetinių-loginių modulių. Duomenų iš įvairių jutiklių rinkimas ir apdorojimas, analitiniai skaičiavimai verslo programoms, moksliniai ir inžineriniai skaičiavimai, srauto analizė ir apmokestinimas, darbas su prekybos sistemomis – yra daugybė skaičiavimo užduočių, kurioms atlikti GPU yra nepamainomi. Žinoma, tokį serverį galite surinkti namuose ar biure, tačiau už techninės ir licencijuotos programinės įrangos pirkimą turėsite sumokėti tvarkingą sumą. Be kapitalo sąnaudų, taip pat yra eksploatacinės priežiūros išlaidos, įskaitant sąskaitas už elektrą. Yra nusidėvėjimas – įranga laikui bėgant susidėvi, o dar greičiau pasensta. Virtualūs serveriai šių trūkumų neturi: juos galima sukurti pagal poreikį ir ištrinti, kai dingsta skaičiavimo galios poreikis. Mokėti už išteklius tik tada, kai jų reikia, visada yra pelninga.
Šaltinis: www.habr.com