В artikel när vi pratade om vår nya tjänst med ett grafikkort berörde vi inte några intressanta aspekter av att använda virtuella servrar med videoadaptrar. Det är dags att lägga till fler tester.
För att använda fysiska videoadaptrar i virtuella miljöer valde vi RemoteFX vGPU-teknik, som stöds av Microsofts hypervisor. I det här fallet måste värden ha processorer som stöder SLAT (EPT från Intel eller NPT/RVI från AMD), samt grafikkort som uppfyller kraven från skaparna av Hyper-V. I inget fall bör du jämföra denna lösning med stationära adaptrar i fysiska maskiner, som vanligtvis visar bättre prestanda när du arbetar med grafik. I våra tester kommer vGPU:n att konkurrera med den virtuella serverns centrala processor - ganska logiskt för datoruppgifter. Observera också att förutom RemoteFX finns det andra liknande tekniker, till exempel NVIDIA Virtual GPU - den låter dig överföra grafikkommandon från varje virtuell maskin direkt till adaptern utan att översätta dem till hypervisorn.
Tester
Testerna använde en maskin med 4 datorkärnor vid 3,4 GHz, 16 GB RAM, en 100 GB solid-state drive (SSD) och en virtuell videoadapter med 512 MB videominne. Den fysiska servern är utrustad med professionella NVIDIA Quadro P4000 grafikkort, och gästsystemet kör Windows Server 2016 Standard (64-bitars) med standard Microsoft Remote FX-videodrivrutin.
▍GeekBench 5
Till att börja med aktuell version av verktyget , som låter dig mäta systemprestanda för OpenCL-applikationer.
Vi använde detta riktmärke i den tidigare artikeln och det bekräftade bara det uppenbara - vår vGPU är svagare än högpresterande skrivbordsgrafikkort för att lösa typiska "grafiska" uppgifter.
▍GPU Caps Viewer 1.43.0.0
Skapad av företaget Verktyget kan inte kallas ett riktmärke. Den innehåller inga prestandatester, men låter dig få information om de hård- och mjukvarulösningar som används. Här kan du se att vår virtuella vGPU-maskin endast stöder OpenCL 1.1 och inte stöder CUDA, trots NVIDIA Quadro P4000-videoadaptern installerad i den fysiska servern.
▍FAHBench 2.3.1
från det distribuerade datorprojektet är dedikerad till att lösa ett mycket specialiserat problem med datormodellering av veckningen av proteinmolekyler. Detta är nödvändigt för att studera orsakerna till patologier associerade med defekta proteiner - Alzheimers och Parkinsons sjukdomar, galna kosjukdomar, multipel skleros, etc. Verktyg kan inte heltäckande utvärdera datorkraften hos en virtuell videoadapter, men låter dig jämföra prestanda för CPU och vGPU i komplexa beräkningar.
Prestandan för beräkning på vGPU:er med OpenCL, mätt med FAHBench, visade sig vara cirka 6 gånger (för den implicita modelleringsmetoden - cirka 10 gånger) högre än liknande indikatorer för en tillräckligt kraftfull central processor.
Nedan presenterar vi resultaten av beräkningar med dubbel precision.
▍SiSoftware Sandra 20/20
Ytterligare ett universellt paket för att diagnostisera och testa datorer. Det låter dig studera hårdvaru- och mjukvarukonfigurationen av servern i detalj och innehåller ett stort antal olika riktmärken. Förutom CPU-beräkningar stöder Sandra 20/20 OpenCL, DirectCompute och CUDA. Vi är främst intresserade av de som ingår i gratisversionen benchmarksviter för allmänna ändamål (GPGPU) med hårdvaruacceleratorer.
ganska bra, även om de är något lägre än förväntat för NVIDIA Quadro P4000-videoadaptern. Omkostnaderna för virtualisering kommer sannolikt att ha en inverkan.
Sandra 20/20 har en liknande uppsättning CPU-riktmärken. Låt oss lansera dem till med vGPU-datorer.
Fördelarna med videoadaptern är tydligt synliga, men inställningarna för det övergripande testpaketet är inte helt identiska, och i resultaten kan du inte se indikatorer med den nödvändiga detaljgraden. Vi bestämde oss för att genomföra flera separata tester. I början Topp vGPU-prestanda med en uppsättning enkla matematiska beräkningar med OpenCL. liknar i huvudsak Sandras multimediatest (inte aritmetiskt!) för CPU. För jämförelse, låt oss placera på samma diagram VPS CPU multimedia test. Även en CPU med fyra processorkärnor är märkbart sämre än vGPU.
Låt oss gå vidare från syntetiska tester till praktiska saker. Kryptografiska tester hjälpte oss att bestämma hastigheten för datakodning och avkodning. Här är en jämförelse av resultat för и visade också en klar fördel med gaspedalen.
Ett annat tillämpningsområde för vGPU är finansiell analys. Sådana beräkningar är lätta att parallellisera, men för att utföra dem behöver du en videoadapter som stöder dubbelprecisionsberäkningar. Och återigen talar resultaten för sig själva: ganska kraftfulla förlorar direkt .
Det sista testet vi genomförde var vetenskapliga beräkningar med hög noggrannhet. gick bättre igen med matrismultiplikation, snabb Fouriertransform och andra liknande problem.
Resultat
vGPU:er är inte väl lämpade för att köra grafikredigerare, såväl som 3D-rendering och videobehandlingsprogram. Adaptrar för stationära system klarar grafik mycket bättre, men den virtuella kan utföra parallella beräkningar snabbare än processorn. För detta måste vi tacka det produktiva RAM-minnet och ett större antal aritmetiskt-logiska moduler. Insamling och bearbetning av data från olika sensorer, analytiska beräkningar för affärsapplikationer, vetenskapliga och tekniska beräkningar, trafikanalys och laddning, arbete med handelssystem – det finns många datoruppgifter för vilka GPU:er är oumbärliga. Naturligtvis kan du montera en sådan server hemma eller på kontoret, men du kommer att få betala en rejäl summa för inköp av hårdvara och licensierad programvara. Utöver kapitalkostnader tillkommer även driftskostnader för underhåll, inklusive elräkningar. Det finns avskrivningar - utrustning slits med tiden och blir föråldrad ännu snabbare. Virtuella servrar har inte dessa nackdelar: de kan skapas efter behov och raderas när behovet av datorkraft försvinner. Att bara betala för resurser när du behöver dem är alltid lönsamt.
Källa: will.com