В статті, коли ми розповідали про нашу нову послугу з відеокартою, ми не торкнулися деяких цікавих аспектів використання віртуальних серверів з відеоадаптерами. Настав час доповнити тестування.
Для використання фізичних відеоадаптерів у віртуальному середовищі ми вибрали технологію RemoteFX vGPU, яка підтримується гіпервізором Microsoft. При цьому на хості повинні бути встановлені процесори з підтримкою SLAT (EPT від Intel або NPT/RVI від AMD), а також відповідні вимоги творців Hyper-V відеокарти. У жодному разі не варто порівнювати це рішення з настільними адаптерами у фізичних машинах, які зазвичай показують кращу продуктивність під час роботи з графікою. У нашому тестуванні vGPU конкуруватиме із центральним процесором віртуального сервера — цілком логічно для обчислювальних завдань. Крім RemoteFX існують і інші подібні технології, наприклад NVIDIA Virtual GPU - вона дозволяє передавати графічні команди кожної віртуальної машини безпосередньо в адаптер без трансляції їх гіпервізором.
Тести
У тестах використовувалася машина з 4 обчислювальними ядрами на 3,4 ГГц, 16 ГБ оперативної пам'яті, твердотілим накопичувачем (SSD) на 100 ГБ та віртуальним відеоадаптером з 512 МБ відеопам'яті. У фізичний сервер встановлені професійні відеокарти NVIDIA Quadro P4000, а гостьова система працює під керуванням Windows Server 2016 Standard (64-bit) із стандартним відеодрайвером Microsoft Remote FX.
▍GeekBench 5
Для початку актуальну версію утиліти яка дозволяє виміряти продуктивність системи для додатків OpenCL.
Цей бенчмарк ми використовували в попередній статті і він тільки підтвердив очевидне — наш vGPU слабший за продуктивні настільні відеокарти для вирішення типових «графічних» завдань.
▍GPU Caps Viewer 1.43.0.0
Створену компанією утиліту не можна назвати бенчмарком. Тестів продуктивності вона не містить, але дозволяє отримати інформацію про апаратні та програмні рішення, що використовуються. Тут можна побачити, що наша віртуальна машина з vGPU підтримує лише OpenCL 1.1 та не підтримує CUDA, незважаючи на встановлений у фізичному сервері відеоадаптер NVIDIA Quadro P4000.
▍FAHBench 2.3.1
від проекту розподілених обчислень присвячений вирішенню вузькоспеціалізованого завдання комп'ютерного моделювання згортання білкових молекул. Це потрібно для дослідження причин виникнення пов'язаних з дефектними білками патологій – хвороб Альцгеймера та Паркінсона, коров'ячого сказу, розсіяного склерозу тощо. Утиліта не може всебічно оцінити обчислювальні потужності віртуального відеоадаптера, але дозволяє порівняти продуктивність CPU та vGPU у складних розрахунках.
Виміряна за допомогою FAHBench продуктивність обчислень на vGPU з використанням OpenCL виявилася приблизно в 6 разів (для методу моделювання implicit — приблизно в 10 разів) вище за аналогічні показники для досить потужного центрального процесора.
Далі наведемо результати обчислень із подвійною точністю.
▍SiSoftware Sandra 20/20
Ще один універсальний пакет для діагностики та тестування комп'ютерів. Він дозволяє в деталях вивчити апаратну та програмну конфігурацію сервера та містить величезну кількість різноманітних бенчмарків. Крім обчислень з використанням CPU, Sandra 20/20 підтримує OpenCL, DirectCompute та CUDA. Нас насамперед цікавлять включені у безкоштовну версію набори еталонних обчислювальних тестів загального призначення (GPGPU) з використанням прискорювачів апаратних.
досить непогані, хоча вони трохи нижче за очікувані для відеоадаптера NVIDIA Quadro P4000. Ймовірно позначаються накладні витрати на віртуалізацію.
Sandra 20/20 має подібний набір еталонних тестів для центрального процесора. Запустимо їх, щоб з обчисленнями на vGPU.
Переваги відеоадаптера видно наочно, проте налаштування в загальному пакеті тестів не цілком ідентичні, до того ж у результатах не можна побачити показники з потрібним ступенем деталізації. Ми вирішили провести кілька окремих випробувань. Спочатку пікову продуктивність vGPU за допомогою набору простих математичних розрахунків із використанням OpenCL. по суті, аналогічний мультимедійному (не арифметичному!) тесту Sandra для CPU. Для порівняння на ту саму діаграму помістимо мультимедійного тесту центрального VPS процесора. Навіть CPU із чотирма обчислювальними ядрами помітно програє vGPU.
Від синтетичних тестів перейдемо до практичних речей. Визначити швидкість кодування та декодування даних нам допомогли криптографічні тести. Тут порівняння результатів для и також показало явну перевагу прискорювача.
Ще одна сфера застосування vGPU – фінансовий аналіз. Такі розрахунки нескладно розпаралелити, але для їх виконання потрібно відеоадаптер, що підтримує обчислення з подвійною точністю. І знову результати говорять самі за себе: досить сильний начисто програє .
Останній проведений тест — наукові розрахунки з високою точністю. знову впорався краще з множенням матриць, швидким перетворенням Фур'є та іншими подібними завданнями.
Висновки
vGPU погано підходять для запуску графічних редакторів, а також додатків для 3D-рендерінгу та обробки відео. Адаптери для настільних систем справляються з графікою набагато краще, зате віртуальний може швидше за CPU виконувати паралельні обчислення. За це треба сказати завдяки продуктивній оперативній пам'яті та більшій кількості арифметико-логічних модулів. Збір та обробка даних з різних датчиків, аналітичні розрахунки для бізнес-додатків, наукові та інженерні розрахунки, аналіз та тарифікація трафіку, робота з торговими системами – існує маса обчислювальних завдань, для вирішення яких GPU незамінні. Звичайно можна зібрати такий сервер вдома чи в офісі, але за покупку «заліза» та придбання ліцензійного ПЗ доведеться викласти кругленьку суму. Крім капітальних витрат існують і операційні витрати на обслуговування, що включають навіть рахунки за електроенергію. Існує амортизація - обладнання з часом зношується, а морально старіє ще швидше. Віртуальні сервери цих недоліків позбавлені: їх можна створювати в міру необхідності та видаляти, коли потреба в обчислювальній потужності зникне. Платити за ресурси тільки тоді, коли вони потрібні завжди вигідно.
Джерело: habr.com