※ 引述《ledia (下班後才下棋)》之铭言： : ※ 引述《Aurim (Who cares?)》之铭言： : : 对这种希望云端计算可以解决运算量的问题，我的想法是这样： : : 同价位GPU的平行运算能力比CPU好很多已经是不争的事实， : : 1000颗GPU平行运算能力比1000颗CPU的平行运算能力要好很多。 : : 如果再把bus/network的response time算进来，在追求最佳运算效能的前提下， : : 个人以为用云端计算来处理这种事情，先天就已经在网路传输的反应时间输了一大截。 : 再更确切一点的问题是这样的 : 当我们需要大量运算, 作用在大量资料上时, 该怎麽处理 ? 对於大量资料, 有的资料虽量多, 但是可以彼此隔离无关, 处理 这些藕连不多的各个子集资料, 处理的算法是随各子集资料而各 个不同, 还是可以都适用同一算法. 最常被使用的就是资料量虽大, 但可以被分割成不太密切藕连的 子集, 而且使用同一种算法摆在不同处理机就能同时处理的 data parallel . 对每个 E-Mail 做侦毒, 过滤广告, 就是上面一个典型. 像 HINET 的 mail server 编号达 ms1 - ms99 , 就是最容易被 拿来批评效率与利用率, 被估为云端计算的头号对象. : 请问 desktop GPU supercomputing 要怎麽处理 Peta 级的资料 ? : 把 Peta 级的资料存成某种方式让 desktop 去读 ? GPU 的一个优点, 就是 bitmap graphic display buffer 先天就是一个 很大的 shared memory , 如果 GPU 被设计成都能对这些 buffer 直接存 取, 数量不小的 GPU 就是个能高度平行处理的共用记忆体多处理机. 不 过, 就绘图动画的角度言, 画面是可被分区分割的, 非邻近区不会急速关 连变动, 虽然不是完全独立无关, 但也是接近 data parallel. 要让很多 的 GPU 都能同样高速的共用所有 shared buffer 是没有必要的. SMP 机器不只共用记忆体, 还会有彼此高速通知的同步通讯机制, 这是彼 此分工又协调合作不可少的. 这种机器才能支援不同演算程式散布在不同 处理机做 task parallel 的工作. : 先不算单点频宽, 光是 I/O 需要一台电脑多少 overhead ? : 当今天的运用还牵涉到大量的网路需求呢 ? 今天的 cluster computer 除了配置 gigabit ethernet 相互将电脑接在 一起对外, 通常还会使用 infiniband 设备彼此互接, 主要是infiniband 在同样的传输速率外, 还有 short delay message/signal 的功能, 这是 配合快速 IPC 反应的需要. 有这样的配置才能逼近SMP的task parallel. 像大海捞针这类找外星人或找特殊粒子讯号的事, 先天就像要在一堆宇宙 杂讯的信件中要找出某封外太空人寄来的信. 这些都是 data parallel 性质的事. .... : 但是传统 PC 再怎麽 scale 都还是 PC : 如果我们能把这种 "不需要去操心加了多少硬体" 的 scalability : 整个规模放大, 是不是能够去解决一些原本很麻烦的问题 ? 号称云端的就是透过 internet 与自备外部高速光纤(如 google)连接, 每个货柜电脑内部也是自备高速通讯设备衔接大容量储存装置. 其组成 的主机板也都是量产又价廉的PC主机板. 但未必使用真正高速的 shared memory 与 IPC 通讯同步机制. 这种商业服务模式就是其规模优势, 是在其本业之外, 拿多出剩余的资 源来吸引中小企业或跨国的大金融业. 也就是麻烦的建置管理或扩充的 事, 他包来做, 客户付小租金不用烦恼. --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 140.115.4.12