چگونه NVIDIA و VMware پردازشگرهای گرافیکی را بهبود میدهند!

هفته گذشته VMware غول مجازی سازی کنفرانس VMWorld 2019 خود را در سان فرانسیسکو برگزار کرد. ابتکار عمل مشترک NVIDIA-VMware برای آوردن فناوری واحد پردازش گرافیک مجازی (vGPU) به VMware vSphere و VMware Cloud در سرویس های وب آمازون (AWS) بود.

GPU های مجازی مدتی است که در حال استفاده هستند اما برای سرورهای مجازی در دسترس نیستند. اکنون کسب و کارها می توانند با استفاده از پردازنده های گرافیکی در VMware vSphere، بار کاری مانند هوش مصنوعی و یادگیری ماشین را اجرا کنند.

فناوری اطلاعات باید سرورهای شتابدهنده گرافیکی را تقویت کرده و در اختیار داشته باشد

از لحاظ تاریخی، بارهای کاری که به GPU نیاز داشتند بر روی سرورهای bare-metal کار می کردند. این بدان معناست که هر تیم علوم داده در یک سازمان مجبور به خرید سخت افزار خاص خود و متحمل هزینه آن بوده است. همچنین، از آنجا که این سرورها فقط برای آن دسته از کارهای شتابدهنده GPU استفاده می شدند، آنها اغلب خارج از کنترل بخش IT تهیه و مستقر می شدند. اکنون که هوش مصنوعی، یادگیری ماشین و GPU به نوعی جریان اصلی را طی می کنند، زمان آن فرا رسیده است که فناوری اطلاعات از این طریق پله ها را افزایش داده و مالکیت خود را به دست آورد. چالش این است که فناوری اطلاعات نمی خواهد وظیفه اجرای ده ها یا صدها سرور bare-metal را بر عهده بگیرد.

اشتراک گذاری GPU بهترین موارد استفاده vGPU است

واضح ترین مورد استفاده از vComputeServer، اشتراک گذاری GPU است که در آن چندین ماشین مجازی می توانند یک GPU را به اشتراک بگذارند – مشابه آنچه مجازی سازی سرور برای پردازنده ها انجام داده است. این امر باعث می شود تا کسب و کارها بتوانند علوم داده، هوش مصنوعی، یادگیری ماشین و ابتکارات خود را تسریع کنند زیرا سرورهای مجازی مجهز به GPU می توانند مانند سایر بارهای کاری چرخه یا مهاجرت داشته باشند. این کار باعث افزایش استفاده، افزایش چابکی و کمک به کسب و کارها در پس انداز سرمایشان می شود.

این نوآوری همچنین باید باعث شود شرکت ها بتوانند بارهای کاری پردازش شده با سرعت GPU را در محیط های ابر ترکیبی اجرا کنند. قابلیت های مجازی سازی همراه با مجازی سازی VMware vSAN ، VeloCloud SD-WAN و NSX پایه ای محکم برای مهاجرت به اجرای GPU های مجازی در یک ابر ترکیبی واقعی ایجاد می کند.

مشتریان می توانند به اهرم vCenter ادامه دهند

درک این نکته مهم است که vComputeServer با دیگر نرم افزارهای وی ام ویر VMware مانند vMotion ، VMware Cloud و vCenter کار می کند. پشتیبانی گسترده از VMware مهم است زیرا این امر به شرکتها اجازه می دهد تا حجم کار GPU را در محیط هایی با محتویات بسیار کانتینری قرار دهند. همچنین، vCenter VMware به استاندارد de facto برای مدیریت مرکز داده تبدیل شده است. در یک زمان تصور می‌شد که مایکروسافت ممکن است در اینجا موفق ظاهر شود اما VMware در این جنگ پیروز شده است. بنابراین برای NVIDIA منطقی است که مشتریان خود را قادر به مدیریت vGPU ها از طریق vCenter کند.

NVIDIA vComputeServer همچنین جمع آوری GPU را ممکن می کند

اشتراک GPU باید برای بیشتر مشاغل علاقمند به AI / ML تغییر کند. سرور vCompute همچنین از جمع آوری GPU پشتیبانی می کند، که یک VM را قادر می سازد تا به بیش از یک GPU دسترسی پیدا کند که این اغلب نیاز به محاسبه بارهای فشرده کاری است. vComputeServer از محاسبات چند vGPU و peer-to-peer پشتیبانی می کند. تفاوت این دو در این است که با چند vGPU ،GPU ها قابل توزیع و وصل نیستند. با استفاده از روش peer-to-peer همه GPU ها با کمک NVIDIA NVLink بهم متصل می شوند؛ همین امر باعث می شود چندین GPU به عنوان یک پردازنده گرافیکی واحد و قدرتمندتر به نظر برسند.

چند سال پیش، استفاده از GPU ها محدود به تعداد معدودی از پردازش لبه بودند که توسط تیمهای تخصصی انجام می شد. هرچه شرکتهای مبتنی بر داده بیشتر شوند، روندهای شتابدهنده GPU نقش کلیدی نه فقط در هوش مصنوعی بلکه همچنین هوش عملیاتی روزانه ایفا می کنند.

با هم VMware و NVIDIA راهی را برای شرکت ها ایجاد کرده اند تا بدون نیاز به شکستن بانک اطلاعاتی با هوش مصنوعی، علوم داده و یادگیری ماشین فعالیت کنند.