高性能计算架构将计算、内存、存储和网络资源整合在一起,以满足高要求的工作负载。
高性能计算(HPC) 能够快速处理数据并执行复杂的计算。HPC 可支持要求苛刻的人工智能(AI)、机器学习(ML)、仿真和电子设计自动化(EDA)工作负载。云部署可通过计算和存储资源扩展本地 HPC 容量,这些资源可根据工作负载的变化进行动态分配。
HPC 架构将计算资源与运行复杂工作负载所需的内存、存储、互连和软件相结合。在云端,团队可以针对需求激增的情况配置资源,而无需始终根据峰值使用情况来规划本地基础设施的规模。根据工作负载对架构进行微调,有助于在周转时间、性能和成本之间取得平衡。
云HPC架构的设计原则有哪些?
动态建筑
设计时应确保容量能够随着自然的工作负载周期而扩展或缩减。对于突发性项目而言,弹性、按需付费的资源比那些在需求高峰期之间处于闲置状态的系统更为有利。
数据可见性
了解数据的来源、规模、传输速度以及更新情况。数据服务、分析和可视化有助于就整体性能和成本做出决策。
协作
规划好将与谁共享哪些工具、脚本、方法、结果和数据。这一点对于跨团队或跨地域的项目尤为重要。
云原生设计
应考虑采用云原生部署模式,而不是简单地复制本地环境。随着需求的变化,自动化集群部署可帮助团队停用一个计算集群并启动另一个。
工作负载测试
在迁移前,请对实际工作负载进行测试。HPC 应用程序在内存、CPU 、网络行为、算法和模型复杂度方面各不相同,因此通用基准测试可能无法可靠地预测其性能。
成本与时间
针对对时间要求不高的负载,应从成本角度进行优化,可考虑使用按需实例或可抢占型实例。优先确保紧急负载的执行时间,并在比较各种选项时,需将资源配置、数据准备和队列等待时间纳入考量。
HPC 架构如何支持 EDA 工作负载?
EDA 工作负载通常需要一个计算集群、一个作业调度器以及一个高性能的共享文件系统。云资源能够支持并行 EDA 作业,并帮助团队应对不断变化的计算需求。应根据每项工作负载的特性(包括对共享数据、内存以及互连性能的需求)来选择和测试架构。
只要与工作负载相匹配,基于云的高性能计算(HPC)架构就能支持计算密集型的人工智能、仿真和芯片设计任务,而无需依靠自有基础设施来满足每一波需求高峰。[1]
新思科技 Cloud 将高性能计算(HPC)基础设施与电子设计自动化(EDA)软件许可证的按需访问相结合。其基于云的 EDA 平台和预优化基础设施配置,可帮助团队在部署设计和验证工作负载的同时,保留既有的工作流程。
新思科技 云服务通过灵活访问软件和云资源,支持计算密集型EDA项目。探索新思科技 云服务,了解了解更多 关于基于云的芯片设计与验证的相关信息。