Az ügyfelek olyan igényes termékeket használnak, amelyek az alábbi jellemzőkkel rendelkeznek: könnyű, erős, biztonságos, fenntartható és testre szabott. Ennek eredményeképpen a tervezési szakasz egyre összetettebbé vált. Ebben a szakaszban a számítógépek vizualizációra, elemzésre, szimulálására és optimalizálására szolgálnak. És ezek a feladatok egyre kifinomultabbak és számításilag éhesek lesznek. Emellett a termékek egyre inkább össze vannak kapcsolva, és hatalmas mennyiségű adatot hoznak létre, amelyeket fel kell dolgozni és elemezni kell.
Mindez egyetlen igényt elégít ki: nagy számítási erőforrásokat, igény szerint.
Ebben a cikkben bemutatunk néhány jól ismert mérnöki és gyártási területet, amelyek nagy számítási teljesítményt igényelnek. Ezután bemutatjuk, hogyan segíthet a Microsoft Azure platform.
Felhőtervező munkaállomások
A terméktervezők számos szoftvereszközt használnak a termékfejlesztési életciklus tervezési és tervezési fázisai során. A CAD-eszközök erős grafikus képességeket igényelnek a tervező munkaállomásán, és ezeknek a munkaállomásoknak a költsége magas. Ezek a felesleges munkaállomások általában a tervezők irodáin belül vannak, és fizikailag egy helyre vannak állítva.
Ahogy a felhőmegoldások egyre népszerűbbek lettek, és új képességek váltak elérhetővé, a felhőalapú munkaállomások ötlete egyre működőképesebbé vált. A felhőben üzemeltetett munkaállomás használatával a tervező bármilyen helyről hozzáférhet. És lehetővé teszi a szervezet számára, hogy a költségmodellt a tőkeköltségekről a működési költségekre módosítsa.
Távoli asztali protokoll
A Microsoft Távoli asztali protokollja (RDP) már régóta támogatja a CSAK TCP protokollt. A Transmission Control Protocol (TCP) nagyobb terhelést jelent, mint a User Datagram Protocol (UDP). Az RDP 8.0-tól kezdve az UDP elérhető a Microsoft Távoli asztal Servicest futtató kiszolgálók számára. Ahhoz, hogy használható legyen, a virtuális gépnek (VM) elegendő hardvererőforrással kell rendelkeznie, nevezetesen a cpu-val, a memóriával és - ami a legkritikusabb - a grafikus feldolgozó egységgel (GPU). (A GPU vitathatatlanul a nagy teljesítményű felhőalapú munkaállomások legkritikusabb összetevője.) Windows Server 2016 számos lehetőséget kínál a mögöttes grafikus képességek eléréséhez. Az alapértelmezett Távoli asztali szolgáltatások (RDS) GPU-megoldás más néven Windows Advanced Rasterization Platform (WARP). Megfelelő megoldás a tudásmunkási forgatókönyvekhez, de nem biztosít elegendő erőforrást a felhőalapú munkaállomások forgatókönyveihez. RemoteFX vGPU a távoli kapcsolatokhoz bevezetett RemoteFX egyik funkciója. Megoldást kínál a nagyobb felhasználói sűrűségű, kiszolgálónkénti használattal rendelkező forgatókönyvekhez, ami lehetővé teszi a nagy teljesítményű GPU-kihasználtságot. Amikor azonban eljön a GPU hatóerejének használatához szükséges idő, a különálló eszköz-hozzárendelésre (DDA) van szükség a GPU hatóerejének teljes kihasználásához.
Az NV sorozatú virtuális gépek egy vagy több NVDIA GPU-val érhetők el az Azure N Series ajánlat részeként. Ezek a virtuális gépek távoli vizualizációra és virtuális asztali infrastruktúrára (VDI) vannak optimalizálva, olyan keretrendszereket használnak, mint az OpenGL és a DirectX. Akár 4 GPU-val is kiépíthet olyan munkaállomásokat, amelyek teljes mértékben kihasználják a GPU előnyeit az Azure-beli különálló eszköz-hozzárendeléssel (DDA).
Nagyon fontos megemlíteni az Azure-platform programozhatóságát. Számos lehetőséget kínál egy virtuális géphez. Igény szerint kiépítheti például a munkaállomást. A távoli gép állapotát helyi fájlokon is megtarthatja az Azure Disksen keresztül Premium Storage vagy Azure Files. Ezek a lehetőségek lehetővé teszik a költségek szabályozását. A Microsoft és a Citrix együttműködése xenDesktop- és XenApp-megoldásaikhoz egy másik alternatívát is kínál az asztali virtualizálási megoldásokhoz.
Elemzés és szimuláció
A számítógépeken futó fizikai rendszerek elemzése és szimulációja már régóta elérhető. A végeselem-elemzés (FEA) számos elemzési probléma megoldására szolgáló numerikus módszer. A FEA nagy számítási teljesítményt igényel a nagy mátrixszámítások végrehajtásához. A FEA-modell megoldásában részt vevő mátrixok száma exponenciálisan robban, ahogy 2D-ről 3D-re haladunk, és ahogy részletességet adunk a FEA-hálóhoz. Ehhez igény szerint üzembe kell helyezni a számítási teljesítményt. Fontos, hogy a problémamegoldó kód párhuzamosan is futtatható legyen, hogy kihasználhassa az erőforrások méretezhetőségét.
A szimulációs problémák megoldásához nagy léptékű számítási erőforrásokra van szükség. A nagy teljesítményű számítástechnika (HPC) a nagy léptékű számítástechnika egyik osztálya. A HPC alacsony háttérhálózati késést igényel, a gyors párhuzamos számításokhoz távoli közvetlen memória-hozzáférési (RDMA) képességekkel. Az Azure platform nagy teljesítményű számítástechnikához készült virtuális gépeket kínál. A DDR4 memóriával párosított speciális processzorokkal rendelkeznek, és lehetővé teszik a nagy számítási igényű megoldások hatékony futtatását Mind Linux, mind Windows telepítések esetén. És több méretben is elérhetők. Tekintse meg a nagy teljesítményű számítási virtuálisgép-méreteket. Ha meg szeretné tudni, hogyan támogatja az Azure a HPC-t más módokon, tekintse meg a Big Compute: HPC & Batch című témakört.
Az Azure platform lehetővé teszi a megoldások vertikális fel- és felskálázását. A szimuláció egyik ismert szoftvercsomagja a STAR-CCM+ a CD-adapco-ból. A "Le Mans 100 millió cella" számítási folyadékdinamika (CFD) modellt futtató STAR-CCM+ tanulmány bepillantást nyújt a platform méretezhetőségébe. Az alábbi diagram bemutatja a megfigyelt méretezhetőséget, mivel a szimuláció futtatásakor további magok lesznek hozzáadva:
Egy másik népszerű mérnöki elemző szoftvercsomag az ANSYS CFD. Lehetővé teszi a mérnökök számára, hogy többfizikai elemzést végezzenek, beleértve a folyadékerőket, a termikus hatásokat, a szerkezeti integritást és az elektromágneses sugárzást. A közzétett tanulmány a megoldás skálázhatóságát mutatja be az Azure-ban, hasonló eredményeket mutatva.
Ahelyett, hogy helyi számítási fürtbe fektetnének be, egy párhuzamos végrehajtást igénylő szoftvercsomag üzembe helyezhető azure-beli virtuális gépeken vagy virtuálisgép-méretezési csoportokon (VMSS) a HPC- és GPU-alapú virtuálisgép-családokkal egy teljes felhőbeli megoldáshoz.
Kipukkadás az Azure-ba
Ha rendelkezésre áll egy helyi fürt, egy másik lehetőség az Azure-ra való kiterjesztése. Ez a folyamat kiterheli a csúcsterheléseket, és az Azure-ba való kiszervezésnek is nevezik. Ehhez az Azure-t támogató egyik helyszíni számítási feladatkezelőt kell használnia, mint például az Alces Flight Compute, a TIBCO DataSynapse GridServer, a Bright Cluster Manager, az IBM Spectrum Symphony és a Symphony LSF, a PBS Pro és a Microsoft HPC Pack).
Egy másik lehetőség a Azure Batch, amely nagy léptékű párhuzamos és HPC kötegelt feladatok hatékony futtatására szolgáló szolgáltatás. Azure Batch lehetővé teszi a Message Passing Interface (MPI) API-t használó feladatokat. A Batch hpc- és GPU-optimalizált virtuálisgép-családokkal egyaránt támogatja a Microsoft MPI-t és az Intel MPI-t. A Microsoft beszerezte a Cycle Computing szolgáltatást is, amely magasabb szintű absztrakciót kínál a fürtök Azure-ban való futtatásához. Egy másik lehetőség a Cray szuperszámítógépek futtatása az Azure-ban, zökkenőmentes hozzáféréssel olyan kiegészítő Azure-szolgáltatásokhoz, mint az Azure Storage és az Azure Data Lake.
Generatív kialakítás
A tervezési folyamat mindig iteratív. A tervezők egy célterv kényszereinek és paramétereinek halmazával indulnak el, és több tervezési alternatívát is átvesznek, és végül egy olyanra rendeznek, amely megfelel a korlátozásoknak. Ha azonban a számítási teljesítmény gyakorlatilag végtelen, néhány helyett több ezer vagy akár több millió tervezési alternatívát is ki lehet értékelni. Ez az út a parametrikus modellekkel és a CAD-eszközökben való használatukkal kezdődött. Most, hogy hatalmas számítási erőforrásokat használnak a felhőplatformokon, az iparág a következő lépése lesz. A generatív tervezés az a kifejezés, amely leírja a szoftvereszköz paramétereinek és megkötéseinek megadásának tervezési folyamatát. Ezután az eszköz tervezési alternatívákat hoz létre, és több permutációt hoz létre egy megoldásból. A generatív tervezésnek van néhány megközelítése: topológiaoptimalizálás, rácsoptimalizálás, felületoptimalizálás és űrlapszintézis. E megközelítések részletei nem tartoznak a jelen cikk hatálya alá. E megközelítések közös mintája azonban az, hogy a számítási igényű környezetekhez való hozzáférésre van szükség.
A generatív tervezés kiindulópontja azoknak a tervezési paramétereknek a meghatározása, amelyeken az algoritmusnak iterálnia kell, ésszerű növekményekkel és értéktartományokkal együtt. Az algoritmus ezután létrehoz egy tervezési alternatívát a paraméterek minden érvényes kombinációjához. Ez számos tervezési alternatívát eredményez. Ezeknek az alternatíváknak a létrehozásához sok számítási erőforrásra van szükség. Emellett minden egyes tervezési alternatívához futtatnia kell az összes szimulációt és elemzési feladatot. A nettó eredmény az, hogy nagy számítási környezetekre van szükség.
Az Azure a számítási igények igény szerinti vertikális felskálázásának több lehetősége a Azure Batch és a VMSS-en keresztül természetes célhely ezen számítási feladatokhoz.
Gépi tanulás (ML)
Nagyon egyszerű szinten általánosíthatjuk ML rendszereket: adatpont vagy adatpontok halmaza esetén a rendszer korrelált eredményt ad vissza. Ily módon ML rendszereket használnak olyan kérdések megoldásához, mint például:
Tekintettel a múlt házárak, és ingatlanok házak, mi az előrejelzett ára egy adott ház jön a piacra?
Figyelembe véve a különböző érzékelőkből származó adatokat és a gép korábbi meghibásodási eseteit, mekkora annak a valószínűsége, hogy a gép meghibásodik a következő időszakban?
Adott egy képkészletet, melyik egy házi macska?
Tekintettel egy olajvezeték videocsatornájára, van-e sérült szakasza jelentős horpadásokkal?
A mesterséges intelligenciát (AI) és a gépi tanulást (ML) használó fejlett elemzési képesség hozzáadása egy modell kifejlesztésével kezdődik, az alábbihoz hasonló folyamattal.
Az algoritmus kiválasztása az adatok méretétől, minőségétől és jellegétől, valamint a várt válasz típusától függ. A bemeneti méret, a kiválasztott algoritmus, valamint a számítási környezet alapján ez a lépés általában nagy számítási igényű erőforrásokat igényel, és a folyamat végrehajtása több időt is igénybe vehet. Az alábbi diagram egy műszaki cikkből származik, amely ML algoritmusok betanításának teljesítménytesztelésére szolgál; a különböző algoritmusok, adathalmazméretek és számítási célok (GPU vagy CPU) alapján mutatja be a betanítási ciklus befejezésének idejét.
A döntés fő mozgatórugója az üzleti probléma. Ha a probléma egy nagy adatkészlet megfelelő algoritmussal történő feldolgozását igényli, a kritikus tényező a felhőalapú számítási erőforrások használata az algoritmus betanításához. Azure Batch AI egy olyan szolgáltatás, amely az AI-modelleket párhuzamosan és nagy léptékben is betanulja.
A Azure Batch AI használatával az adatelemzők az Azure Data Science Virtual Machine (DSVM) vagy az Azure Deep Tanulás Virtual Machine (DLVM) használatával fejleszthetnek megoldást a munkaállomáson, és leküldhetik a betanítást a fürtbe. A DSVM és a DLVM speciálisan konfigurált virtuálisgép-rendszerképek, előre telepített eszközök és minták gazdag készletével.
Összegzés
A gyártóipar nagy mennyiségű matematikai számítást igényel, a csúcskategóriás hardverösszetevők, köztük a grafikus feldolgozóegységek (GPU) használatával. Az erőforrásokat üzemeltető platform méretezhetősége és rugalmassága elengedhetetlen. A költségek szabályozásához igény szerint rendelkezésre kell állnia az optimális sebesség biztosítása mellett.
A Microsoft Azure platform számos lehetőséget kínál ezen igények kielégítésére. Az alapoktól kezdve minden erőforrást és szempontot vezérelhet, hogy saját megoldást alakítson ki. Vagy megkereshet egy Microsoft-partnert, aki felgyorsítja a megoldás létrehozását. Partnereink tudják, hogyan használhatják ki az Azure előnyeit.
Következő lépések
Felhőalapú munkaállomás beállítása NV sorozatú virtuális gép üzembe helyezésével.
Az Azure HPC képességeinek kihasználásához tekintse át azokat a lehetőségeket , amelyekre az eszköz üzembe helyezéséhez szüksége van a tervezéshez.
Ismerje meg a lehetőségeket a Azure Machine Learning.