В artikkel da vi snakket om vår nye tjeneste med et skjermkort kom vi ikke inn på noen interessante aspekter ved bruk av virtuelle servere med skjermkort. Det er på tide å legge til flere tester.
For å bruke fysiske skjermkort i virtuelle miljøer, valgte vi RemoteFX vGPU-teknologi, som støttes av Microsofts hypervisor. I dette tilfellet må verten ha prosessorer som støtter SLAT (EPT fra Intel eller NPT/RVI fra AMD), samt skjermkort som oppfyller kravene til skaperne av Hyper-V. Du bør ikke i noe tilfelle sammenligne denne løsningen med skrivebordsadaptere i fysiske maskiner, som vanligvis viser bedre ytelse når du arbeider med grafikk. I vår testing vil vGPU-en konkurrere med den sentrale prosessoren til den virtuelle serveren – ganske logisk for databehandlingsoppgaver. Merk også at i tillegg til RemoteFX, er det andre lignende teknologier, for eksempel NVIDIA Virtual GPU - den lar deg overføre grafikkkommandoer fra hver virtuell maskin direkte til adapteren uten å oversette dem til hypervisoren.
Tester
Testene brukte en maskin med 4 datakjerner på 3,4 GHz, 16 GB RAM, en 100 GB solid-state-stasjon (SSD) og en virtuell skjermadapter med 512 MB videominne. Den fysiske serveren er utstyrt med profesjonelle NVIDIA Quadro P4000-skjermkort, og gjestesystemet kjører Windows Server 2016 Standard (64-bit) med standard Microsoft Remote FX-videodriver.
▍GeekBench 5
For en start gjeldende versjon av verktøyet , som lar deg måle systemytelse for OpenCL-applikasjoner.
Vi brukte denne referansen i forrige artikkel, og den bekreftet bare det åpenbare - vGPUen vår er svakere enn stasjonære skjermkort med høy ytelse for å løse typiske "grafikkoppgaver".
▍GPU Caps Viewer 1.43.0.0
Laget av selskapet Verktøyet kan ikke kalles en benchmark. Den inneholder ikke ytelsestester, men lar deg få informasjon om maskin- og programvareløsningene som brukes. Her kan du se at vår vGPU virtuelle maskin kun støtter OpenCL 1.1 og ikke støtter CUDA, til tross for at NVIDIA Quadro P4000 videoadapter er installert på den fysiske serveren.
▍FAHBench 2.3.1
fra det distribuerte databehandlingsprosjektet er dedikert til å løse et høyt spesialisert problem med datamodellering av folding av proteinmolekyler. Dette er nødvendig for å studere årsakene til patologier forbundet med defekte proteiner - Alzheimers og Parkinsons sykdommer, kugalskap, multippel sklerose, etc. Nytte kan ikke evaluere datakraften til en virtuell skjermadapter fullstendig, men lar deg sammenligne ytelsen til CPU og vGPU i komplekse beregninger.
Ytelsen til databehandling på vGPUer ved bruk av OpenCL, målt ved hjelp av FAHBench, viste seg å være omtrent 6 ganger (for den implisitte modelleringsmetoden - omtrent 10 ganger) høyere enn tilsvarende indikatorer for en tilstrekkelig kraftig sentral prosessor.
Nedenfor presenterer vi resultatene av beregninger med dobbel presisjon.
▍SiSoftware Sandra 20/20
Nok en universell pakke for diagnostisering og testing av datamaskiner. Den lar deg studere maskinvare- og programvarekonfigurasjonen til serveren i detalj og inneholder et stort antall forskjellige benchmarks. I tillegg til CPU-databehandling støtter Sandra 20/20 OpenCL, DirectCompute og CUDA. Vi er først og fremst interessert i de som er inkludert i gratisversjonen generell databehandling benchmark suiter (GPGPU) som bruker maskinvareakseleratorer.
ganske bra, selv om de er litt lavere enn forventet for NVIDIA Quadro P4000 videoadapter. Overheaden med virtualisering vil sannsynligvis ha en innvirkning.
Sandra 20/20 har et lignende sett med CPU-standarder. La oss lansere dem til med vGPU-databehandling.
Fordelene med videoadapteren er tydelig synlige, men innstillingene til den totale testpakken er ikke helt identiske, og i resultatene kan du ikke se indikatorer med nødvendig detaljnivå. Vi bestemte oss for å gjennomføre flere separate tester. Først Topp vGPU-ytelse ved hjelp av et sett med enkle matematiske beregninger ved bruk av OpenCL. i hovedsak lik Sandras multimediatest (ikke aritmetikk!) for CPU. For sammenligning, la oss plassere på samme diagram VPS CPU multimedia test. Selv en CPU med fire prosesseringskjerner er merkbart dårligere enn vGPU.
La oss gå videre fra syntetiske tester til praktiske ting. Kryptografiske tester hjalp oss med å bestemme hastigheten på datakoding og dekoding. Her er en sammenligning av resultater for и viste også en klar fordel med gasspedalen.
Et annet bruksområde for vGPU er økonomisk analyse. Slike beregninger er enkle å parallellisere, men for å utføre dem trenger du en videoadapter som støtter dobbeltpresisjonsberegninger. Og igjen taler resultatene for seg selv: ganske kraftige taper direkte .
Den siste testen vi gjennomførte var vitenskapelige beregninger med høy nøyaktighet. gjorde det bedre igjen med matrisemultiplikasjon, rask Fourier-transformasjon og andre lignende problemer.
Funn
vGPUer er ikke godt egnet for å kjøre grafikkredigerere, så vel som 3D-gjengivelse og videobehandlingsapplikasjoner. Adaptere for skrivebordssystemer takler grafikk mye bedre, men den virtuelle kan utføre parallelle beregninger raskere enn CPU. For dette må vi takke den produktive RAM og et større antall aritmetisk-logiske moduler. Innsamling og behandling av data fra ulike sensorer, analytiske beregninger for forretningsapplikasjoner, vitenskapelige og tekniske beregninger, trafikkanalyse og lading, arbeid med handelssystemer - det er mange dataoppgaver som GPUer er uunnværlige for. Selvfølgelig kan du sette sammen en slik server hjemme eller på kontoret, men du må betale en ryddig sum for kjøp av maskinvare og lisensiert programvare. I tillegg til kapitalkostnader kommer også driftskostnader til vedlikehold, inkludert strømregning. Det er avskrivninger - utstyr slites over tid, og blir fortere utdatert. Virtuelle servere har ikke disse ulempene: de kan opprettes etter behov og slettes når behovet for datakraft forsvinner. Å betale for ressurser bare når du trenger dem er alltid lønnsomt.
Kilde: www.habr.com