В artykuł, w którym rozmawialiśmy o naszej nowej usłudze w przypadku karty graficznej nie poruszyliśmy kilku interesujących aspektów korzystania z serwerów wirtualnych z kartami wideo. Czas dodać więcej testów.
Do wykorzystania fizycznych kart wideo w środowiskach wirtualnych wybraliśmy technologię RemoteFX vGPU, która jest obsługiwana przez hypervisor firmy Microsoft. W tym przypadku host musi posiadać procesory obsługujące SLAT (EPT od Intela lub NPT/RVI od AMD), a także karty graficzne spełniające wymagania twórców Hyper-V. W żadnym wypadku nie należy porównywać tego rozwiązania z adapterami do komputerów stacjonarnych w maszynach fizycznych, które zwykle wykazują lepszą wydajność podczas pracy z grafiką. W naszych testach vGPU będzie konkurować z centralnym procesorem serwera wirtualnego – co jest całkiem logiczne w przypadku zadań obliczeniowych. Należy również pamiętać, że oprócz RemoteFX istnieją inne podobne technologie, na przykład NVIDIA Virtual GPU - umożliwia przesyłanie poleceń graficznych z każdej maszyny wirtualnej bezpośrednio do adaptera bez tłumaczenia ich na hypervisor.
Testy
Do testów wykorzystano maszynę z 4 rdzeniami obliczeniowymi o częstotliwości 3,4 GHz, 16 GB pamięci RAM, dyskiem półprzewodnikowym (SSD) o pojemności 100 GB i wirtualną kartą wideo z 512 MB pamięci wideo. Serwer fizyczny wyposażony jest w profesjonalne karty graficzne NVIDIA Quadro P4000, a system gościa działa w systemie Windows Server 2016 Standard (64-bit) ze standardowym sterownikiem wideo Microsoft Remote FX.
▍GeekBench 5
Na początek aktualna wersja narzędzia , który pozwala mierzyć wydajność systemu dla aplikacji OpenCL.
Wykorzystaliśmy ten test porównawczy w poprzednim artykule i potwierdził on tylko oczywistość - nasza vGPU jest słabsza niż wysokowydajne karty graficzne do komputerów stacjonarnych w rozwiązywaniu typowych zadań „graficznych”.
▍GPU Caps Viewer 1.43.0.0
Stworzony przez firmę Narzędzie nie może być nazwane punktem odniesienia. Nie zawiera testów wydajnościowych, ale pozwala uzyskać informacje na temat zastosowanych rozwiązań sprzętowych i programowych. Tutaj widać, że nasza maszyna wirtualna vGPU obsługuje tylko OpenCL 1.1 i nie obsługuje CUDA, pomimo zainstalowanej na serwerze fizycznym karty wideo NVIDIA Quadro P4000.
▍FAHBench 2.3.1
z projektu przetwarzania rozproszonego poświęcony jest rozwiązaniu wysoce specjalistycznego problemu komputerowego modelowania zwijania cząsteczek białek. Jest to konieczne do zbadania przyczyn patologii związanych z wadliwymi białkami - chorób Alzheimera i Parkinsona, choroby szalonych krów, stwardnienia rozsianego itp. Pożytek nie może kompleksowo ocenić mocy obliczeniowej wirtualnej karty wideo, ale pozwala porównać wydajność procesora i vGPU w złożonych obliczeniach.
Wydajność obliczeń na vGPU przy użyciu OpenCL, mierzona za pomocą FAHBench, okazała się około 6 razy (dla metody modelowania ukrytego - około 10 razy) wyższa niż podobne wskaźniki dla wystarczająco wydajnego procesora centralnego.
Poniżej prezentujemy wyniki obliczeń z podwójną precyzją.
▍SiSoftware Sandra 20/20
Kolejny uniwersalny pakiet do diagnozowania i testowania komputerów. Pozwala szczegółowo zbadać konfigurację sprzętu i oprogramowania serwera i zawiera ogromną liczbę różnych testów porównawczych. Oprócz obliczeń CPU, Sandra 20/20 obsługuje OpenCL, DirectCompute i CUDA. Interesują nas przede wszystkim te zawarte w wersji darmowej zestawy testów porównawczych obliczeń ogólnego przeznaczenia (GPGPU) wykorzystujące akceleratory sprzętowe.
całkiem nieźle, choć są nieco niższe od oczekiwanych dla karty graficznej NVIDIA Quadro P4000. Narzut związany z wirtualizacją prawdopodobnie będzie miał wpływ.
Sandra 20/20 ma podobny zestaw testów porównawczych procesorów. Uruchommy je z przetwarzaniem vGPU.
Zalety karty wideo są wyraźnie widoczne, ale ustawienia całego pakietu testowego nie są całkowicie identyczne, a w wynikach nie widać wskaźników o wymaganym poziomie szczegółowości. Zdecydowaliśmy się przeprowadzić kilka odrębnych testów. Najpierw Szczytowa wydajność vGPU dzięki zestawowi prostych obliczeń matematycznych przy użyciu OpenCL. zasadniczo podobny do multimedialnego (nie arytmetycznego!) testu Sandry na procesor. Dla porównania umieśćmy na tym samym schemacie Test multimediów procesora VPS. Nawet procesor z czterema rdzeniami przetwarzającymi jest zauważalnie gorszy od vGPU.
Przejdźmy od testów syntetycznych do spraw praktycznych. Testy kryptograficzne pomogły nam określić prędkość kodowania i dekodowania danych. Oto porównanie wyników dla и również wykazało wyraźną przewagę akceleratora.
Kolejnym obszarem zastosowań vGPU jest analiza finansowa. Takie obliczenia można łatwo zrównoleglić, ale do ich wykonania potrzebna jest karta wideo obsługująca obliczenia o podwójnej precyzji. I znowu wyniki mówią same za siebie: całkiem mocne przegrywa wprost .
Ostatnim testem, który przeprowadziliśmy, były obliczenia naukowe z dużą dokładnością. znowu poszło lepiej z mnożeniem macierzy, szybką transformatą Fouriera i innymi podobnymi problemami.
odkrycia
vGPU nie nadają się dobrze do uruchamiania edytorów graficznych, a także aplikacji do renderowania 3D i przetwarzania wideo. Adaptery do systemów desktopowych radzą sobie z grafiką znacznie lepiej, ale wirtualne potrafią wykonywać obliczenia równoległe szybciej niż procesor. Za to musimy podziękować produktywnej pamięci RAM i większej liczbie modułów arytmetyczno-logicznych. Zbieranie i przetwarzanie danych z różnych czujników, obliczenia analityczne do zastosowań biznesowych, obliczenia naukowe i inżynieryjne, analiza ruchu i pobieranie opłat, praca z systemami handlowymi – jest wiele zadań obliczeniowych, do realizacji których procesory graficzne są niezastąpione. Oczywiście możesz złożyć taki serwer w domu lub w biurze, ale za zakup sprzętu i licencjonowanego oprogramowania będziesz musiał zapłacić porządną sumę. Oprócz kosztów kapitałowych istnieją również koszty operacyjne związane z konserwacją, w tym rachunki za energię elektryczną. Następuje amortyzacja - sprzęt z czasem się zużywa, a jeszcze szybciej staje się przestarzały. Serwery wirtualne nie mają tych wad: można je tworzyć w miarę potrzeb i usuwać, gdy zniknie zapotrzebowanie na moc obliczeniową. Płacenie za zasoby tylko wtedy, gdy ich potrzebujesz, zawsze się opłaca.
Źródło: www.habr.com