大会预告
导读
01 计算任务的特征
1.1 计算任务的时间和空间特征
短期型任务指的是，任务开始执行，会在一定的时间内运行完成，结束后会释放计算资源。
常驻型任务指的是，没有外部强制关闭的话，任务会一直处于执行状态，不会结束。
1.2 计算的两种形态
第一种，一台硬件服务器处理很多件计算任务。
第二种，很多台硬件服务器处理一件计算任务。
1.3 分布式解构
IB高性能网络+内存一致性硬件加速。计算任务之间完全紧耦合，通常采用超级计算（HPC）模式。超算的各个节点之间主流是通过IB网络连接，但会在其上构建高效的内存一致性协议加速处理，从而使得整个超算连成一台计算机。
IB高性能网络。计算任务之间，联系紧密，数据量大，延迟敏感。计算机集群，通过IB网络连接。本质上仍然是多台计算机组成的计算集群，计算任务间靠点对点通信交互数据。典型案例如AI大模型训练。
RoCEv2高性能网络。计算任务之间延迟敏感，但联系紧密程度再低一些，通常可以选用RoCEv2的方式。RoCEv2在高性能、兼容性和低成本方面达成一个均衡。典型案例如EBS高性能块存储和分布式文件存储。
标准Ethernet网络。计算任务之间完全解耦，则通常采用标准以太网的方式。传统的云计算下，微服务解构的互联网业务通常采取此网络方式。
02 理想化的算力调度
短期的小尺寸计算任务。这是通常大家理解的算力调度，也是算力调度最简单的情况。
短期的大尺寸计算任务。超算或AI大模型训练的计算模式。
常驻的小尺寸计算任务。云计算常见的业务组织方式，是常驻的小尺寸计算任务。
长期的大尺寸计算任务。实际的互联网型业务系统。
一个是，计算任务的解构（计算任务的弹性）。大尺寸的计算任务，可以拆分成若干个小尺寸的计算任务。从而使得计算任务能够匹配单个裸机的计算主机（裸机、虚拟机、容器等）；
另一个，计算资源的池化（虚拟化）和再组合（计算主机的弹性）。计算主机可以从1/N个处理器核、扩展到多个处理器核，甚至扩展到M个计算节点。因为计算主机的弹性，从而使得计算主机既可以适配小尺寸的计算任务，也可以适配大尺寸的计算任务。
两者相向而行，并且均具有一定的（尺寸）弹性，从而能够尽可能的适配对方。
03 实际算力调度中的问题
3.1 问题一：静态调度和动态调度
初始的时候，车辆由驾驶员驾驶。此刻，其他乘车人员，可以在车上玩游戏、看电影、听音乐、刷短视频等等。这些计算任务都运行在车辆终端本地。
当开启自动驾驶时，本地算力不够。游戏、电影、音乐、短视频等计算任务，由于优先级较低，统一调度到边缘侧甚至云侧。而自动驾驶的计算任务，由于尺寸较大，通常也是由解构的若干微服务组成。其中优先级较高的少量微服务，运行在车辆终端本地；而优先级较低的大部分微服务，也和游戏等其他计算任务一样，运行在边缘侧甚至云侧。
解除自动驾驶后，自动驾驶相关微服务（计算任务）退出，并且释放本地和边缘、云端的算力资源。而游戏等其他计算任务再从边缘、云端，重新调度（迁移）到车辆终端本地。
3.2 问题二：任务的状态
无状态计算任务
有状态计算任务
3.3 任务间的关联性
第一层，是全局算力调度。为这个大任务，或者用户的若干大任务分配一个独立的计算集群，可以是跨数据中心、跨云边端的算力资源所组成的“虚拟”的集群。
另一层，则是用户在自己的集群内部，进行业务层次的算力再调度。
3.4 任务的计算平台要求
CPU处理器。CPU是图灵完备的，可以自运行。
内存。计算数据暂存和数据共享的区域。
存储I/O。本地的存储通过片间总线，如PCIe；远程的存储需要通过网络。
网络I/O。网络主要用于外部通信。在集群计算和计算存储分离的场景下，网络的功能主主要是三个：
访问内网，东西向网络，作为集群内部不同节点间的网络通信，目前主要是IB；
访问远程存储，目前主要使用RoCEv2；
访问外网，南北向网络，作为集群外部的访问端口，目前主要是Ethernet。
一个或多个加速处理器：
从整个架构看，加速处理器是和CPU功能类似的计算部件。
其他加速处理器是非图灵完备的，均需要组成CPU+xPU的异构计算架构。从CPU软件视角看，加速处理器是跟网络和存储I/O类似的部件。
加速处理器，目前常用可以分为两类：GPU，通用的并行计算加速平台。DSA。领域专用加速器，DSA是完全专用（ASIC）向通用可编程性的微调。
CPU架构的差异性。CPU是x86、ARM还是其他架构；
网络和存储接口是否一致；
加速处理器的类型和架构是否一致。
04 宏观视角：多租户多系统的算力调度
业务从全局调度系统获取自己的资源（第一层调度），组成自己的“虚拟”集群；
然后，业务的计算任务，在这“虚拟”集群里再进行调度。
全局调度为计算实例分配好资源之后，仍然可以动态调度（迁移），以保证计算实例的高可用。
业务从全局调度系统获取资源也是动态的，可增加，可减少。
05 算力调度的分层
第一层，资源抽象层。通过计算机虚拟化，对资源进行抽象和封装，以及资源的池化和弹性切分。目前，业界一些先进的解决方案，可以通过DPU的加持，实现虚拟化的零损耗，以及裸机和虚拟机的统一，既有裸机的性能又有虚机的高可用和弹性。因此，裸机和虚拟主机的相关劣势已经“不复存在”。此外，通过虚拟化，可以实现接口的抽象统一，从而减少多元异构算力带来架构/接口兼容性的问题。
第二层，算力调度层。容器化及云原生的核心优势，是以应用为中心：一次打包，到处运行。因此，通常是以容器为载体，以容器为基础调度粒度，从而实现算力的高效调度。
-----正文完-----
观看《智算中心融合算力调度》公开课回放：
—END—
点击下方名片
即刻关注我们
