Содержание

Введение
1. Актуальность темы
2. Цель и задачи исследования, планируемые результаты
3. Анализ облачных вычислений
4. Туманные вычисления как способ улучшения доступа к данным
5. Аппаратные ускорители доступа к данным
5.1 Основные характеристики и преимущества ускорителя Alveo U50
Выводы
Список источников

Введение

На данный момент существует огромное количество разнообразных передаваемых и хранимых в электронном виде данных, и количество это растет из года в год. Поэтому часто возникает проблема доступа к ним в любое время, в любом месте и с любых доступных пользователю устройств (ПК, планшеты, смартфоны).

Мы живём в мире, наполненном большим количеством электронных устройств, и практически все эти устройства подключены к сети Интернет. Как следствие, каждый час генерируется огромное количество информации, передаваемая по сети. Это приводит к тому, что для корректной работы устройств необходим постоянный, быстрый и стабильный канал подключения к сети Интернет, для обеспечения которого требуются большие финансовые затраты. Кроме того, такое подключение иногда является трудновыполнимой задачей, т.к. системы могут быть распределены на большие расстояния.

1. Актуальность темы

Облачные вычисления становятся все популярнее, что, вполне оправдано, и вызывает развитие всевозможных сервисов. Их внедрение на предприятиях совершенствуется и набирает стремительные темпы. Они позволяют использовать большое количество программ в любом месте и на любых устройствах. Но, учитывая возрастающее количество подключенных к Интернету устройств и появление новых сложных требований, данная технология нуждается в поддержке.

2. Цель и задачи исследования, планируемые результаты

Целью магистерской диссертации является исследование и разработка метода повышения скорости доступа к серверным и облачным хранилищам.

Для достижения поставленной цели, необходимо решить следующие задачи:

• выполнить анализ современного состояния проблемы;
• провести анализ и сравнение существующих вариантов ускорения доступа к хранилищу;
• определить наиболее эффективный метод для передачи данных и выполнить его исследование;
• по результатам работы сделать выводы и сформировать рекомендации.

3. Анализ облачных вычислений

На сегодняшний день облачные вычисления – одно из современных и перспективных направлений развития информационно-вычислительных интернет технологий. Национальный институт стандартов (NIST) дал своё определение: облачные вычисления – это модель, обеспечивающая удобный сетевой доступ по требованию к общим конфигурируемым вычислительным ресурсам (сетям, серверам, хранилищам данных, приложениям и сервисам), который оперативно предоставляется с минимальными усилиями по управлению и взаимодействию с сервис-провайдером [1]. Они основываются на принципах, предложенных разработчиками операционной системы Clouds, разработанной в Технологическом институте Джорджии (Georgia Institute of Technology), США, реализованной в 1986 году [2].

Не существует общих, единых для всех, стандартов работы с облаками. Существует классификация моделей обслуживания и моделей развертывания платформ облачных вычислений, сформулированная в 2011 году Национальным институтом стандартов и технологий США, которая различает три модели обслуживания [3]:

• Software as a Servics (SaaS) – модель предоставления конечному пользователю возможности доступа к удаленного программному обеспечения, которое имеется у провайдера облачных услуг;
• Platform as a Service (PaaS) – модель предоставления конечному пользователю платформы, позволяющей ему выполнять свои приложения, написанные специально под эту платформу, соответственно, разрабатывать такие приложения под эту платформу и получать доступ к ним удаленно;
• Infrastructure as a Service (IaaS) – предоставление конечному пользователю доступа к виртуальной (или физической) инфраструктуре, т.е. возможности организовывать собственные центры обработки данных (кластеры и т.п.) и управлять ими. При этом пользователь может сам выбирать операционные системы, используемые в его инфраструктуре.

При этом, различают облака частные, общественные, публичные и гибридные. Каждый поставщик облачных служб предлагает свои возможности использования его облачных сервисов, предоставляя при этом программный интерфейс (API), обеспечивающий быструю интеграцию.

Облачные вычисления широко применяются в приложениях интернета вещей (IoT) из-за потенциально неограниченной вычислительной мощности и хранилища данных. Они предлагают централизованное решение для статического анализа и хранения данных, а также возможность их визуализации. Однако, из-за возможной задержки, вызванной большим количеством данных, передаваемых в облако, до конечного пользователя доходит неактуальная и избыточная информация. Кроме того, отправка нерелевантных данных в облако для обработки и хранения может уменьшить пропускную способность сети и скомпрометировать все приложения.

4. Туманные вычисления как способ улучшения доступа к данным

Для решения этой проблемы в 2012 году компанией Cisco была предложена концепция туманных вычислений [4]. Туманные вычисления – это новая технология, являющая промежуточным слоем между устройствами IoT и облачными платформами. Туманные вычисления представляет собой расширение облачных вычислений на границе сети. Они обеспечивают локальное агрегирование данных и сфокусированы на удаление ненужных данных из сети [5].

Туманные вычисления – это децентрализованная вычислительная архитектура, в которой данные обрабатываются и хранятся между источником информации и облачной инфраструктурой [6]. Это приводит к минимизации накладных расходов при передаче данных и, как следствие, повышает производительность вычислений в облачных платформах за счет снижения требований к обработке и хранению больших объемов избыточных данных.

Главная цель туманных вычислений – разместить ресурсы хранения, вычисления и коммуникации в непосредственной близости от устройств IoT для обеспечения высокоскоростного беспроводного соединения и минимизация временных и денежных затрат. Вычисления непрерывно связаны с облачными системами, устройства туманных систем производят обработку данных, получаемых от локальных устройств и отправляют результаты в облако, которое в свое время выполняет отложенные и тяжеловесные задачи, что показано на рисунке 1 [7]. Но устройства туманных вычислений по своей сути не зависят от сети Интернет, работая автономно и получая информацию от внешней среды, что позволяет реагировать на изменения окружения в режиме реального времени.

Туманные вычисления расширяют границы облачных технологий за счёт того, что сеть и данные чрезвычайно рассредоточены. Такая инфраструктура полезна по ряду причин [8]:

• низкие задержки, обеспечиваемые за счет близкого расположения к конечным устройствам;
• высокая пропускная способность; данные агрегируются на различных устройствах, что убирает необходимость отправки всех пакетов через один канал;
• высокий уровень безопасности, достигаемый благодаря распределенным вычислениям данных; уменьшается риск перехвата или потери данных за счет близости к устройствам;
• энергоэффективность.

5. Аппаратные ускорители доступа к данным

Так же одним из вариантов ускорить передачу данных является использование ускорительных карт. Они обеспечивают оптимизированное распределение рабочих нагрузок для ускорения вычислений в областях финансовых вычислений, машинного обучения, хранения данных, а также поиска и анализа данных [9].

В качестве примера рассмотрим ускорители Xilinx Alveo U50 (рис. 2). Они адаптируются к алгоритмам обработки и требованиям к ускорению, и способны ускорять любую обработку данных без изменения аппаратуры сервера и, таким образом, обеспечивают снижение общей стоимости эксплуатации оборудования.

Экосистема ускорительных карт Alveo включает в себя постоянно растущее число приложений от компаний-партнеров Xilinx. Для реализации пользовательских решений имеются пакеты инструментов разработчика – SDAccel и пакет машинного обучения, предоставляющего разработчикам платформу для разработки и вывода на рынок разнообразных приложений.

5.1 Основные характеристики и преимущества ускорителя Alveo U50

Производительный – разработан для достижения наибольшей производительности и эффективности [10]:

• более чем в 4 раза выше пропускная способность логического вывода и 3-кратный выигрыш в задержках по сравнению с решениями на базе графических процессоров;
• более высокая производительность приложений благодаря памяти HBM со скоростью 460 ГБ/с и новейшей шине PCIe Gen4.

Адаптируемый – ускоряет работу любого приложения:

• вывод машинного обучения, обработка видео или любая другая рабочая нагрузка с использованием одной и той же карты ускорителя;
• по мере развития алгоритмов ваше рабочей нагрузки реконфигурируемое оборудование позволяет адаптироваться к ним быстрее, чем продукты с ускорителями с фиксированными функциями.

Доступный в облачных сервисах с предустановленными приложениями:

• развертывание решений в облачной или локальной среде взаимозаменяемо, масштабируемо к требованиям приложений;
• приложения доступны для обычных рабочих нагрузок. Либо создайте свои собственные с помощью Application Developer Tool.

Выводы

На момент написания данного реферата:

• выполнен анализ современного состояния проблемы;
• проведен анализ и сравнение существующих вариантов ускорения доступа к хранилищу;
• намечены направления дальнейших исследований.

Список источников