WikiDer > Выгрузка вычислений

Computation offloading

Выгрузка вычислений передача ресурсоемких вычислительных задач на отдельный процессор, например аппаратный ускоритель, или внешнюю платформу, такую ​​как кластер, сетка, или облако. Выгрузка на сопроцессор может использоваться для ускорения приложений, в том числе; рендеринг изображений и математические расчеты. Выгрузка вычислений на внешнюю платформу по сети может обеспечить вычислительную мощность и преодолеть аппаратные ограничения устройства, такие как ограниченная вычислительная мощность, память и энергия.

История

Первые концепции компьютеры с хранимой программой были разработаны в дизайне ENIAC, первый цифровой компьютер общего назначения. ENIAC ограничивался выполнением отдельных задач, что привело к разработке EDVAC который станет первым компьютером, предназначенным для выполнения команд различного типа. Развитие вычислительных технологий способствовало увеличению производительности компьютеров, а впоследствии привело к появлению разнообразных конфигураций и архитектур.

Первыми случаями разгрузки вычислений было использование простых подпроцессоров для обработки ввода / вывода через отдельную систему, называемую Канал ввода / вывода. Эта концепция улучшила общую производительность системы, поскольку мэйнфрейму нужно было только устанавливать параметры для операций, в то время как процессоры каналов выполняли форматирование и обработку ввода-вывода. В 1970-х годах для ускорения работы стали использоваться сопроцессоры. арифметика с плавающей запятой быстрее, чем предыдущие 8-битные и 16-битные процессоры, в которых использовалось программное обеспечение. В результате математические сопроцессоры стали обычным явлением для научных и инженерных расчетов. Другой формой сопроцессора был графический сопроцессор. По мере того, как обработка изображений стала более популярной, начали использоваться специализированные графические чипы для разгрузки создания изображений с центрального процессора. Сопроцессоры были обычным явлением в большинстве компьютеров, однако их использование сократилось из-за развития микропроцессорных технологий, которые интегрировали многие функции сопроцессора. Тем не менее, специализированные графические процессоры все еще широко используются из-за их эффективности во многих задачах, включая: обработка изображений, машинное обучение, параллельные вычисления, компьютерное зрение и физическое моделирование.

Концепция разделения времени, разделения вычислительных ресурсов, была впервые реализована Джон Маккарти. В то время вычисления на мэйнфреймах были непрактичными из-за затрат, связанных с покупкой и обслуживанием мэйнфреймов. Разделение времени было жизнеспособным решением этой проблемы, поскольку вычислительное время могло быть доступно небольшим компаниям. В 1990-х годах телекоммуникационные компании начали предлагать виртуальная частная сеть (VPN) Сервисы. Это позволило компаниям сбалансировать трафик на серверах, что привело к эффективному использованию полосы пропускания. Символ облака стал синонимом взаимодействия между провайдерами и пользователями. Эти вычисления расширили прошлые сетевые серверы и позволили пользователям получить доступ к вычислительной мощности за счет разделения времени. Доступность виртуальных компьютеров позволяла пользователям выгружать задачи с локального процессора.[1]

В 1997 году distribution.net стремился привлечь добровольцев к вычислениям для решения вычислительно-ресурсоемких задач с использованием производительности сетевых компьютеров. Эта концепция, известная как грид-вычисления, была связана с системами облачных вычислений.

Первая концепция соединения больших мэйнфреймов для обеспечения эффективной формы параллелизма была разработана в 1960-х гг. IBM. IBM использовала кластерные вычисления для увеличения производительности оборудования, операционной системы и программного обеспечения, позволяя пользователям запускать существующие приложения. Эта концепция получила распространение в 1980-х годах, когда появились высокопроизводительные микропроцессоры и высокоскоростные сети, инструменты для высокопроизводительных распределенных вычислений. Кластеры могут эффективно разделять и выгружать вычисления на отдельные узлы для повышения производительности, а также получения масштабируемость.[2]

Концепция

Вычислительные задачи решает центральный процессор который выполняет инструкции, выполняя элементарные арифметика, логика управления и операции ввода / вывода. Эффективность вычислительных задач зависит от инструкций в секунду что ЦП может выполнять, что зависит от разных типов процессоров.[3] Некоторые прикладные процессы можно ускорить, переложив задачи с главного процессора на сопроцессор в то время как для других процессов может потребоваться внешняя платформа обработки.

Аппаратное ускорение

Оборудование предлагает более высокую производительность для определенных задач по сравнению с программным обеспечением. Использование специализированного оборудования может выполнять функции быстрее, чем программное обеспечение, обрабатываемое центральным процессором. Аппаратное обеспечение имеет преимущество настройки, которая позволяет использовать выделенные технологии для различных функций. Например, графический процессор (GPU), который состоит из множества низкопроизводительных ядер, более эффективен при графических вычислениях, чем ЦП с меньшим количеством ядер с высокой мощностью.[4] Однако аппаратные ускорители менее универсальны по сравнению с ЦП.

Облачные вычисления

Облачные вычисления относится как к приложениям, передаваемым через Интернет, так и к оборудованию и программному обеспечению в центрах обработки данных, которые предоставляют услуги; которые включают хранение данных и вычисления.[5] Эта форма вычислений зависит от высокоскоростного доступа в Интернет и инвестиций в инфраструктуру.[6] Посредством доступа к сети компьютер может перенести часть своих вычислений в облако. Этот процесс включает отправку данных в сеть центров обработки данных, у которых есть доступ к вычислительной мощности, необходимой для вычислений.

Кластерные вычисления

Кластерные вычисления представляет собой тип системы параллельной обработки, который объединяет взаимосвязанные автономные компьютеры для работы в качестве единого вычислительного ресурса.[7] Кластеры используют параллельное программирование модель, которая требует технологий быстрого подключения для поддержки высокихпропускная способность и низкий задержка для связи между узлами.[2] В модели с общей памятью параллельные процессы имеют доступ ко всей памяти как глобальному адресному пространству. Несколько процессоров могут работать независимо, но используют одну и ту же память, поэтому изменения в памяти одного процессора отражаются на всех других процессорах.[7]

Грид-вычисления

Грид-вычисления представляет собой группу сетевых компьютеров, которые работают вместе как виртуальный суперкомпьютер для выполнения интенсивных вычислительных задач, таких как анализ огромных наборов данных. Через облако можно создавать и использовать компьютерные сети для целей и конкретных периодов. Разделение вычислительных задач на несколько машин значительно сокращает время обработки, чтобы повысить эффективность и минимизировать потери ресурсов. В отличие от параллельных вычислений, задачи grid-вычислений обычно не имеют связанной с ними временной зависимости, но вместо этого они используют компьютеры, которые являются частью сетки, только в режиме ожидания, и пользователи могут выполнять задачи, не связанные с сеткой в ​​любое время.[8]

Преимущества

Передача вычислений внешнему процессору дает несколько преимуществ:

  • Внешние блоки обработки могут предложить большую вычислительную производительность, хранилище и гибкость по сравнению с локальным компьютером.
  • Вычислительные ограничения устройства можно игнорировать, перенеся рабочую нагрузку на другие системы с лучшей производительностью и ресурсами. Другие аспекты устройства могут быть улучшены, включая: потребление энергии, стоимость и портативность.[9]
  • Предприятиям, которым для ведения бизнеса требуется оборудование, не нужно выделять ресурсы на развитие информационных технологий и инфраструктуры.
  • Кластерные вычисления более рентабельны, чем одиночный компьютер, и гораздо более гибки с точки зрения добавления дополнительных процессоров.

Ограничения

Есть несколько ограничений при передаче вычислений на внешний процессор:

  • У служб облачных вычислений есть проблемы, связанные с простоями, поскольку сбои могут происходить, когда поставщики услуг перегружены задачами.
  • Для внешних вычислений требуется сетевая зависимость, которая может привести к простою в случае возникновения проблем с сетевым подключением.
  • Вычисления по сети приводят к задержкам, которые нежелательны для приложений, чувствительных к задержкам, включая автономное вождение и видеоаналитику.[10]
  • Облачные провайдеры не всегда защищены, и в случае нарушения безопасности важная информация может быть раскрыта.
  • Современные компьютеры объединяют различные технологии, в том числе; графика, звуковое оборудование и сеть на главной плате, что делает многие аппаратные ускорители неуместными.
  • Использование облачных сервисов снимает индивидуальный контроль над оборудованием и заставляет пользователей верить, что облачные провайдеры будут поддерживать инфраструктуру и должным образом защищать свои данные.

Заявление

Облачные сервисы

Облачные сервисы можно описать тремя основными моделями облачных сервисов: SaaS, PaaS, и IaaS. Программное обеспечение как услуга (SaaS) - это услуга, размещенная на внешнем сервере, к которой потребитель может легко получить доступ через веб-браузер. Платформа как услуга (PaaS) - это среда разработки, в которой программное обеспечение может быть создано, протестировано и развернуто без необходимости сосредоточивать внимание пользователя на создании и обслуживании вычислительной инфраструктуры. Инфраструктура как услуга (IaaS) - это доступ к ресурсам инфраструктуры, сетевым технологиям и требованиям безопасности, которые могут использоваться предприятиями для создания программного обеспечения. Сервисы облачных вычислений предоставляют пользователям доступ к большим объемам вычислительной мощности и хранилища, которые невозможно использовать на локальных компьютерах, без значительных затрат.[6]

Мобильные облачные вычисления

Мобильные устройства, такие как смартфоны и носимые устройства, ограничены с точки зрения вычислительной мощности, хранилища и энергии. Несмотря на постоянное развитие ключевых компонентов, в том числе; ЦП, графический процессор, память и технологии беспроводного доступа; мобильные устройства должны быть портативными и энергоэффективными. Мобильные облачные вычисления представляет собой комбинацию облачных вычислений и мобильных вычислений, в которой мобильные устройства выполняют разгрузку вычислений, чтобы сбалансировать мощность облака для ускорения выполнения приложений и экономии энергопотребления. При такой разгрузке вычислений мобильное устройство переносит часть своих вычислений в облако. Этот процесс включает в себя разделение приложения, решение о разгрузке и выполнение распределенных задач.[11][12]

Видео игры

Видеоигры - это электронные игры, которые включают ввод, взаимодействие с пользовательским интерфейсом и генерирование вывода, обычно визуальную обратную связь на устройстве отображения видео. Эти операции ввода / вывода зависят от компьютера и его компонентов, включая ЦП, графический процессор, ОЗУ и хранилище. Файлы игры хранятся в виде вторичная память который затем загружается в основная память при исполнении. ЦП отвечает за обработку ввода от пользователя и передачу информации в графический процессор. Графический процессор не имеет доступа к основной памяти компьютера, поэтому вместо этого графические ресурсы должны быть загружены в VRAM которая является памятью графического процессора. ЦП отвечает за инструктирование графического процессора, в то время как графический процессор использует информацию для визуализации изображения на устройстве вывода. ЦП могут запускать игры без графического процессора посредством программного рендеринга, однако передача рендеринга на графический процессор, который имеет специализированное оборудование, приводит к повышению производительности.[13]

Рекомендации

  1. ^ Фут, Кейт Д. (22.06.2017). «Краткая история облачных вычислений». DATAVERSITY. Получено 2019-10-17.
  2. ^ а б Йео, Чин; Буйя, Раджкумар; Пурреза, Хоссьен; Эскичиоглу, Расит; Питер, Грэм; Соммерс, Фрэнк (10 января 2006 г.). Кластерные вычисления: высокая производительность, доступность и высокая пропускная способность в компьютерной сети. Бостон, Массачусетс: Спрингер. ISBN 978-0-387-40532-2.
  3. ^ «Частота процессора». www.cpu-world.com. Получено 2019-10-16.
  4. ^ Кардозу, Жоао; Габриэль, Хосе; Педро, Динис (15 июня 2017 г.). Встроенные вычисления для высокой производительности. Морган Кауфманн. ISBN 9780128041994.
  5. ^ Армбраст, Майкл; Фокс, Армондо; Гриффит, Реан; Джозеф, Энтони; Кац, Рэнди; Конвински, Эндрю; Ли, Гунхо; Паттерсон, Дэвид; Рабкин, Ариэль (10 февраля 2009 г.). Над облаками: взгляд Беркли на облачные вычисления.
  6. ^ а б «Как работают облачные вычисления? | Блог Cloud Academy». Cloud Academy. 2019-03-25. Получено 2019-10-22.
  7. ^ а б «Введение в кластерные вычисления - основы распределенных вычислений». selkie.macalester.edu. Получено 2019-10-22.
  8. ^ «Что такое грид-вычисления - определение | Microsoft Azure». azure.microsoft.com. Получено 2019-10-22.
  9. ^ Ахерфи, Хадиджа; Герндт, Майкл; Харроуд, Хамид (01.01.2018). «Мобильные облачные вычисления для разгрузки вычислений: проблемы и проблемы». Прикладные вычисления и информатика. 14 (1): 1–16. Дои:10.1016 / j.aci.2016.11.002. ISSN 2210-8327.
  10. ^ Анантанараянан, Ганеш; Бахл, Парамвир; Бодик, Питер; Чинталапуди, Кришна; Филипп, Матфей; Равиндранатх, Ленин; Синха, Судипта (2017). «Видеоаналитика в реальном времени: приложение-убийца для периферийных вычислений». Компьютер. 50 (10): 58–67. Дои:10.1109 / mc.2017.3641638. ISSN 0018-9162.
  11. ^ Lin, L .; Ляо, X .; Jin, H .; Ли П. (август 2019 г.). «Вычислительная разгрузка в сторону периферийных вычислений». Труды IEEE. 107 (8): 1584–1607. Дои:10.1109 / JPROC.2019.2922285.
  12. ^ Максимум.; Zhao, Y .; Zhang, L .; Wang, H .; Пэн, Л. (сентябрь 2013 г.). «Когда мобильные терминалы встречаются с облаком: разгрузка вычислений как мост». Сеть IEEE. 27 (5): 28–33. Дои:10.1109 / MNET.2013.6616112.
  13. ^ «Как работают видеокарты - ExtremeTech». www.extremetech.com. Получено 2019-11-11.