Đặt banner 324 x 100

Chiến thuật giải quyết tài liệu được tăng tốc bằng phần cứng


bức tốc bằng phần cứng trong nghành nghề xử lý tài liệu không phải là vấn đề mới mẻ và đã có một lịch sử hào hùng lâu bền hơn. Hồi còn tới trường, cha mình đã trang bị hệ thống 286 12MHz của chúng tôi với coprocessor (bộ đồng xử lý, bộ xử lý phụ) có 80287 đơn vị FPU (Floating Point Unit), chạy ở tầm mức 4,7 MHz.

chưa lâu sau, đơn vị chức năng giải quyết và xử lý FPU đó đã được tích hợp thẳng vào CPU, giảm yêu cầu về bộ đồng xử lý phía bên ngoài cho những hoạt động sinh hoạt toán học. Tuy nhiên, bộ đồng giải quyết và xử lý thực sự đã sống sót lâu dài hơn.

Bạn có biết đến GPU mà thiết bạn đang sử dụng để đọc nội dung bài viết này? DSP trong điện thoại cảm ứng thông minh di động của bạn? Card âm thanh? Chúng đều là những coprocessor, & có 1 Tại Sao chúng vẫn tồn tại bao quanh tất cả chúng ta ngày này.

CPU của bạn không còn làm mọi thứ

đúng là nó không thể! Mẫu bán dẫn cho bản vẽ xây dựng Intel x86 (thừa kế của kiến ​​trúc 8086 & 80286) thực tế đã quá phức tạp. Thêm các hoạt động sinh hoạt bổ sung vào kiến ​​trúc x86 sẽ chẳng đem đến thêm quyền lợi gì, ở tại mức mà nó không đáng để đánh đổi theo Rick Merrit của EETimes.

Trên thực chất, GlobalFoundries, giữa những đơn vị phân phối chip silicon lớn nhất đã công bố từ bỏ kế hoạch cho chip 7nm . Nó không hề đáng để triển khai nữa.

Lý Do này lại là 1 vấn đề? Mỗi core của cục xử lý trong kiến ​​trúc x86 làm rất nhiều thứ khác biệt, nó đã khiến những lập trình viên tự mãn. Không cần lo lắng về sự viết ứng dụng tồi – bộ xử lý sẽ bảo đảm cho ứng dụng chạy nhanh!

dĩ nhiên, Intel đã làm rõ điều này vào đầu trong thời hạn 2.000. Họ đã nỗ lực kết thúc kiến ​​trúc x86 bằng dự án công trình Itanium, một bộ xử lý có thiết kế cho điện toán 64bit. Mặc dù vậy, AMD đã có một kế hoạch khác và phát hành bộ giải quyết và xử lý x86 có công dụng 64bit, cản trở các kế hoạch của Intel. &Amp; đó là Tại Sao chúng ta đã nhận một mớ hỗn độn này.

>>> Xem thêm: bán HPe ML10 Gen9

 

Chuyển hướng sang multi-core

Cách duy nhất để có được rất nhiều đơn vị oomph hơn từ CPU là mở rộng chúng ra. Đó là Tại Sao Vì Sao các CPU thời nay phần lớn luôn có khá nhiều core. Chúng có từ 2 đến 28 core cho các bộ giải quyết sever cao cấp hơn, chẳng hạn như dòng Intel Xeon.

hệ thống pipeline và vector hóa mưu trí, bộ lưu trữ đệm và một vài hệ thống tinh vi khác được tìm thấy trong kiến ​​trúc x86 được chấp nhận sử dụng khá tốt những thiết bị điện tử thu nhỏ. Một số tác vụ rất có thể đuổi theo nhóm & bộ giải quyết thậm chí còn rất có thể dự đoán chính xác những hành động tiếp theo sau là gì, trước lúc chúng xảy ra. Mặc dù vậy, như mình đã đề cập trước đây – các bộ xử lý này đã quá phức hợp.

những kiến ​​trúc khác thật ra vẫn đang tồn tại. ARM, mà chúng ta có thể tìm thấy trong rất nhiều dòng thiết bị, từ bộ sạc pin cho đến điện thoại cảm ứng và thậm chí là cả cái xe hơi của bạn – có 1 tập lệnh rút gọn, còn gọi là RISC (Reduced Instruction Set Computer).

IBM đã đi theo con đường RISC. Bộ giải quyết và xử lý RISC có các core đơn giản hơn nhiều, không thể làm được không ít như các core CPU phức tạp hơn. Phần mềm phải được viết riêng để bổ trợ multi-core và hưởng lợi từ nhiều chủng loại vi giải quyết và xử lý này.

Bây Giờ thì x86 vẫn sẽ được sử dụng đến trong tương đối nhiều năm tiếp. Có thể là 10, 15 năm nữa, nhưng x86 sẽ biến mất.

và hiện giờ là GPU và GPGPU

Graphic Processing Unit (GPU – đơn vị chức năng giải quyết đồ họa) thực ra cũng không mới lạ gì. Thuật ngữ đó đã được sử dụng ít nhất từ ​​năm 1986 , nhưng từng có Xu thế tập trung tuyệt vời và hoàn hảo nhất vào đồ họa. Chiếc card thứ nhất của NVIDIA được bán trên Thị phần dưới cái brand name “GPU” đó là card GeForce 256, chào làng năm 1999. Dẫu thế, với General Purpose GPU (GPGPU) thực sự chỉ ban đầu có mặt vào thời gian năm 2007, khi NVIDIA & ATI (nay là AMD) bắt đầu trang bị card đồ họa 3D của mình với năng lực xử lý càng ngày càng cao, VD như Unified pixel Shader. Những công dụng này được triết lý để triển khai các phép toán như nhân ma trận, Fast Fourier Transform, phép chuyển đổi sóng,…

truy vấn vào những công dụng này đồng nghĩa tương quan với việc những cấu tạo lập trình mới phải được phát hành. Vì vậy, vào thời điểm năm 2008, Apple đã bước đầu phát triển OpenCL. Đến cuối năm 2009, nó đã được AMD, IBM, Qualcom, Intel và thậm chí cả NVIDIA đồng ý. AMD ra quyết định hỗ trợ OpenCL rộng rãi, thay vì bộ framework “Close to Metal” của họ.

dù rằng NVIDIA đã & vẫn bổ trợ OpenCL, nhưng họ dường như không từ bỏ framework riêng của mình, nó được gọi bằng CUDA. Thời nay, CUDA là chuẩn mức thực tế cho điện toán GPU hiệu năng cao, thông lượng cao. Về cơ bản, đấy là một lớp phần mềm được chấp nhận truy vấn trực tiếp vào tập lệnh ảo của GPU và các thành phần đo lường song song, để thực hiện các nhân giải quyết.

Với 256 core trong năm 2009 và lên tới 5.760 core trong chỉ một GPU hiện đại, tôi nghĩ thật dễ nắm bắt Vì Sao GPU lại hữu ích cho những hoạt động sinh hoạt tính toán đòi hỏi mức độ đi đôi cao. Nhưng đó không chỉ có luận điểm đi đôi – GPU có băng thông bộ nhớ cực to, điều này hợp với những ứng dụng yên cầu thông lượng cao.

>>> Xem thêm: bán hpe dl560 Gen10

 

Tại Sao chúng ta không thay thế sửa chữa CPU bằng GPU?

không phải toàn bộ các phần mềm đều phù hợp với GPU. GPU chủ yếu hữu dụng nếu:

  • các hành động được lặp đi lặp lại
  • các hành vi hầu hết là chủ quyền (không phụ thuộc vào nhau)
  • các hành động nặng về giải quyết và xử lý giám sát và đo lường thuần túy

GPU đã có một số ứng dụng hấp dẫn ngoài nghành nghề đồ họa (và tiền ảo – crypto currency). Ngày này, GPU được thấy nhiều trong số dự án công trình xử lý tài liệu. Chúng có thể được sử dụng như một trong những phần của đường ống giải quyết tài liệu – data processing pipeline, để chạy những loại hình học máy chạy trên đó, như một trong những phần của khối hệ thống cơ sở tài liệu mối quan hệ được tăng tốc bằng phần cứng, hoặc chỉ để kết xuất công dụng một cách nhanh chóng.

chúng ta hãy xem ba trong số những nghành chính mà GPU hoàn toàn có thể hỗ trợ trong data processing pipeline:

GPU để xử lý luồng (Stream)

những chiến thuật giải quyết luồng mới, như Công cụ Plasma của FASTDATA.io . Hiện hoàn toàn có thể tận dụng GPU để giải quyết và xử lý tài liệu luồng vào & thoát ra khỏi cơ sở dữ liệu (có GPU hoặc không). Công cụ này rất có thể được sử dụng để thực hiện nghiên cứu & / hoặc chuyển đổi tài liệu phát trực tuyến trên GPU.

đối thủ chính với công cụ của FASTDATA là Spark hỗ trợ GPU, như 1 tiện ích add-on nguồn mở từ IBM.

GPU Database cho các hoạt động phân tích

thực ra toàn bộ các GPU Database đều được xây dựng có mục tiêu cho sự nghiên cứu và phân tích.

Nguyên Nhân kiến tạo GPU Database mới hoàn toàn là xuất phát điểm từ các gian khổ trong những việc can thiệp vào những khối hệ thống database cũ, row-based, với công nghệ tiên tiến rất khác hoàn toàn.

Đã có 1 số cái brand name trong nghành nghề GPU Database, mỗi cái có lợi thế riêng của nó:

  • OmniSci (trước đấy là MapD) – Cơ sở dữ liệu GPU in-memory cho những use-case liên quan đến khoảng không địa lý
  • SQream DB – GPU data warehouse cho các tập dữ liệu “lớn hơn RAM”
  • BlazedDB – Cơ sở tài liệu GPU dựa vào Parquet
  • Kinetica – Cơ sở dữ liệu GPU in-memory
  • HeteroDB – Plugin Postgres, dựa vào UDF để truy cập nhanh vào NVMe
  • Brytlyt – Plugin Postgres để thống kê giám sát in-memory
  • Blazegraph – Cơ sở tài liệu đồ thị

>>> Xem thêm: sever HPE ML30Gen9