如何作为计算单元使其自动化开放网络

在CPU上运行，程序员开发的代码只能在一台计算机上运行。由于资源分配是静态的，因此服务器通常配置过多且未充分利用。

在数据中心的第二个时代，虚拟化成为常态，每台服务器上都在运行许多虚拟机。其资源是动态的，虚拟机是按需创建的。当需要更多CPU、内存或存储时，可以将工作负载迁移到不同服务器上的虚拟机。

其计算处理仍然主要由CPU执行，仅偶尔使用GPU或FPGA来加速特定任务。几乎所有内容都在软件中运行，并且应用程序开发人员仍然大部分时间只能在一台计算机上进行编程。第二个时代的数据中心仍然以CPU为中心，只是偶尔会加速运行。

数据中心就是计算机

如今，正在进入数据中心的第三个时代，人们称之为加速分解基础设施(ADI)，它建立在可组合基础设施、微服务和特定领域处理器的基础上。

以下分别讨论这些重要元素：

·加速：根据最佳选择，不同的处理器可以加速不同的工作负载。CPU运行通用的单线程工作负载，GPU并行处理工作负载，数据处理单元(DPU)管理数据的处理和低延迟移动，以使CPU和GPU高效地获得所需的数据。例如，CPU可以运行数据库，GPU可以进行人工智能(AI)和视频处理，而DPU可以快速、高效、安全地将正确​​的数据交付到需要的地方。

GPU加速的人工智能和机器学习现在被广泛使用：用于改善网上购物、5G无线、医疗研究、安全、软件开发、视频处理，甚至数据中心运营。云计算、容器以及合规性问题的快速增长要求DPU加快网络、存储访问和安全性。

·分解：将计算、内存、存储和其他资源分成多个池，并以适当的数量动态分配给服务器和应用程序。应用程序本身通常是由交互微服务构建的，而不是作为一个整体的代码块构建的。这样可以更轻松地以正确的资源比例编写应用程序，并根据需要更改该比例。

使用加速分解基础设施(ADI)模型，GPU、DPU和存储可根据需要连接到任何服务器、应用程序或虚拟机。使用Nvidia公司的GPUDirect和Magnum IO等技术，可使CPU和GPU在网络上相互访问和存储，其性能几乎都与同一台服务器相同。可以将正确数量和类型的GPU分配给需要它们的工作负载。每台服务器中的DPU管理和加速常见的网络、存储、安全性、压缩以及深度数据包检查任务，以保持数据的快速和安全移动，而不会给CPU或GPU造成负担。

（编辑：桂林站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!