همانطور که اگر صنعت رایانش ابری قبلاً به صورت مخفف غرق نشده است، در اینجا یک مورد جدید برای متخصصان فناوری اطلاعات وجود دارد: GPUaaS.
در واقع، کسانی از شما که امتیاز را حفظ می کنید متوجه می شوند که این یک مخفف در داخل یک مخفف است، زیرا مخفف GPU-as-a-service است.
اما ما اینجا نیستیم که کلمات اختصاری را بتش کنیم. ما اینجا هستیم تا به شما در مورد روندهای رایانش ابری آموزش دهیم، و GPU-as-a-service یکی از آنهاست. به خواندن ادامه دهید تا متوجه شوید GPUaaS به چه معناست، چرا امروزه مفهوم مهمی است و کجا می‌توان راه‌حل‌های GPU-as-a-service را پیدا کرد.
GPU-as-a-Service چیست؟
GPU-as-a-service – همچنین به عنوان GPUaaS یا گاهی اوقات فقط GaaS شناخته می شود – نوعی ارائه محاسبات ابری است که سرورهای دارای GPU یا واحدهای پردازش گرافیکی را در صورت تقاضا در دسترس قرار می دهد.
GPU-as-a-service در دسته بندی قرار می گیرد زیرساخت به عنوان یک سرویس، یا IaaS، زیرا راهی برای ارائه زیرساخت – به طور خاص، سرورهای مجهز به GPU – از طریق اتصال شبکه است.
GPU-as-a-Service چگونه کار می کند؟
ارائه‌های GPU-as-a-service مانند هر راه‌حل استاندارد IaaS کار می‌کنند: ارائه‌دهندگان خدمات سرورهایی را مستقر می‌کنند که شامل GPU هستند، سپس به مشتریان اجازه می‌دهند تا با استفاده از SSH یا ابزار دسکتاپ راه دور به آن سرورها متصل شوند. پس از اتصال، مشتریان می توانند حجم کاری دلخواه خود را اجرا کنند. قیمت گذاری در درجه اول بر اساس مدت زمان کارکرد سرور است.
اگر این به نظر بسیار شبیه به استقرار هر نوع نمونه سرور در فضای ابری است – نه فقط موردی که به شما امکان دسترسی به GPU را می دهد – به این دلیل است که اینطور است. همه ارائه دهندگان اصلی ابر اکنون نمونه های سرور را ارائه می دهند – مانند اینها از AWS و اینها از لاجوردی – دارای پردازنده‌های گرافیکی قدرتمند به عنوان بخشی از مجموعه استاندارد سرورهای ابری آن‌ها. در بیشتر موارد، نمونه‌ها ماشین‌های مجازی هستند، اگرچه می‌توانید سرورهای ابری فلزی را پیدا کنید که GPUهایی مانند نمونه های G4dn AWS.
چرا GPU-as-a-Service مهم است؟
تقریباً در همه موارد، یک نمونه سرور ابری مجهز به یک GPU قدرتمند، هزینه بیشتری نسبت به نمونه‌ای دارد که منابع CPU و حافظه مشابهی را ارائه می‌کند اما شامل GPU نمی‌شود. بنابراین، چرا انتخاب می کنید که یک سرور ابری با پردازنده گرافیکی مستقر کنید؟
پاسخ این است که شما حجم کاری را اجرا می کنید که می تواند از GPU استفاده کند یا به GPU نیاز دارد، مانند آموزش مدل I یا تجزیه و تحلیل پایگاه داده در مقیاس بزرگ. برای بارهای کاری مانند این، GPU ها می توانند عملکرد فوق العاده ای را افزایش دهند زیرا می توانند اعداد را با سرعت بسیار بالا کاهش دهند – به خصوص در مواردی که محاسبات می توانند به صورت موازی انجام شوند.
بنابراین، اگرچه پردازنده‌های گرافیکی در ابتدا برای رندر کردن ویدیو طراحی شده بودند، اما می‌توانند برای هر بار کاری که نیاز به محاسبات موازی در مقیاس وسیع دارد، ارزشمند باشند. و با توجه به شتاب اطراف هوش مصنوعی، این احتمال وجود دارد که کسب و کارهای بیشتر و بیشتری به راه حل های GPU-as-a-service برای کمک به آموزش و استقرار برنامه های کاربردی وابسته به هوش مصنوعی در سال های آینده روی بیاورند.
البته می توانید بیرون بروید و سرورهای مجهز به GPU خود را بخرید تا از عهده چنین حجم کاری برآیید. اما اجاره دسترسی به چنین سرورهایی از طریق فضای ابری با استفاده از GPU-as-a-service ممکن است رویکرد اقتصادی تری باشد، به خصوص اگر از سرورهای خود با ظرفیت کامل به صورت دائمی استفاده نکنید.
GPU-over-IP: یک نوع در GPUaaS
خرید دسترسی موقت به سرورهای GPU مبتنی بر ابر با استفاده از GPUaaS تنها راه برای دسترسی به GPUهای قدرتمند بدون خرید خودتان نیست. همچنین می‌توانید از مزیت GPU-over-IP، یک نوع ایده GPUaaS استفاده کنید.
با GPU-over-IP، شما یک سرور کامل را اجاره نمی‌کنید و بارهای کاری را روی آن مستقر نمی‌کنید تا از پردازنده‌های گرافیکی آن استفاده کنید. در عوض، با استفاده از نرم‌افزاری که GPU را به شکل خام از طریق شبکه نمایش می‌دهد، بارهای کاری وابسته به GPU خود را از طریق اینترنت به GPU یک سرور راه دور متصل می‌کنید.
سطوح عملکرد GPU-over-IP کمتر از GPUaaS است، زیرا برخی از منابع در فرآیند قرار دادن GPU در معرض شبکه تلف می شوند. اما مزیت این است که شما مجبور نیستید یک سرور کامل را اجاره کنید و بارهای کاری خود را روی آن مستقر کنید. شما می توانید از مزایای پردازنده های گرافیکی راه دور استفاده کنید و در عین حال بار کاری خود را در جای خود قرار دهید.
از کجا می توان GPU-as-a-Service را پیدا کرد
همانطور که در بالا ذکر شد، می توانید پیشنهادات GPUaaS را از همه ارائه دهندگان اصلی ابر پیدا کنید. برخی از موارد کوچکتر نیز نمونه های سرور با GPU را ارائه می دهند. NVIDIA حفظ می کند نمودار مفید لیستی از فروشندگان ابری که دسترسی به سرورهای مجهز به GPU را ارائه می دهند.
اگر می خواهید رویکرد GPU-over-IP را بررسی کنید، بررسی کنید آزمایشگاه آبمیوه، که نرم افزاری را می سازد که می تواند GPU ها را از طریق شبکه در معرض دید قرار دهد. آ نسخه رایگان و متن باز راه حل آن موجود است. Juice Labs زیرساخت های مجهز به GPU را فراهم نمی کند. شما باید آن را به تنهایی تهیه کنید. اما این امکان را فراهم می کند که زیرساخت GPU را از یک منبع (مانند مرکز داده یک شریک) گرفته و آن را به بارهای کاری واقع در جای دیگر متصل کنید.
درباره نویسنده
کریستوفر توزی یک تحلیلگر فناوری با تخصص موضوعی در رایانش ابری، توسعه اپلیکیشن، نرم افزار منبع باز، مجازی سازی، کانتینرها و موارد دیگر است. او همچنین در یکی از دانشگاه های بزرگ در منطقه آلبانی، نیویورک، سخنرانی می کند. کتاب او با عنوان “برای سرگرمی و سود: تاریخچه ای از انقلاب نرم افزار آزاد و منبع باز” توسط انتشارات MIT منتشر شد.