在邊緣擴展堅固的任務(wù)關(guān)鍵型處理資源的范例正在迅速發(fā)展。分解處理現(xiàn)在正在通過高速以太網(wǎng)連接在邊緣實現(xiàn)低延遲、網(wǎng)絡(luò)連接的所有內(nèi)容，從 GPU 服務(wù)器到 NVMe 結(jié)構(gòu)存儲設(shè)備。

隨著技術(shù)的不斷創(chuàng)新，處理和存儲性能呈指數(shù)級增長，以滿足數(shù)字世界的需求，必須考慮新的計算架構(gòu)。隨著邊緣環(huán)境限制功耗、占用空間和延遲的要求，分解計算資源正在成為構(gòu)建邊緣處理的新方法。

對于國防和航空航天領(lǐng)域的邊緣計算應(yīng)用，任務(wù)平臺通常需要保持活動時間遠遠超過底層處理組件。考慮到 CPU 制造商（如英特爾）每兩到三年發(fā)布一次新一代 x86 服務(wù)器級處理器。為了在給定平臺上保持最先進的計算能力，系統(tǒng)集成商采用的默認技術(shù)更新方法是使用最新的處理器重新指定新的服務(wù)器配置，這意味著每隔幾年更換一次設(shè)備機架。

每一代處理器都會推出新的創(chuàng)新，包括 PCIe 帶寬翻倍、更多 PCIe 通道以獲得更好的硬件支持、更快的內(nèi)存速度和更新的安全功能。然而，每次新的處理刷新都會帶來越來越大的熱挑戰(zhàn)。例如，英特爾服務(wù)器級 CPU 的散熱設(shè)計功耗 （TDP） 等級在過去四代更新中翻了一番——從 Broadwell 處理器一代的 50 至 145 W 范圍到第三代至強可擴展處理器的當前 105 至 300 W 范圍。因此，將舊服務(wù)器與更新的替換服務(wù)器交換可能會與有限的功率預(yù)算發(fā)生沖突。

處理被推到邊緣

盡管存在這些挑戰(zhàn)，但高級計算資源繼續(xù)從數(shù)據(jù)中心轉(zhuǎn)移到部署的邊緣平臺，從而為雷達信號處理等應(yīng)用提高效率和新功能。這種高性能邊緣系統(tǒng)必須能夠快速分配和重新分配并行處理資源，以通過各種類型的算法處理來自多個傳感器源的數(shù)據(jù)流，例如用于人工智能 （AI） 的深度學習/機器學習 （ML） 神經(jīng)網(wǎng)絡(luò)。

為了優(yōu)化架構(gòu)，某些計算任務(wù)與其他硬件（如圖形處理單元 （GPU））一起分配給傳統(tǒng) CPU，給定數(shù)學密集型任務(wù)，其中并行處理非常適合。值得注意的是，GPU已被證明在涉及推理和訓練的計算和數(shù)據(jù)密集型用例中超過了通用處理器的能力。

一個示例用例是認知雷達，它應(yīng)用 AI 技術(shù)從接收到的返回信號中提取信息，然后使用該信息來改進發(fā)射參數(shù)，例如頻率、波形形狀和脈沖重復(fù)頻率。為了有效，認知雷達必須近乎實時地執(zhí)行這些人工智能算法。反過來，這需要在處理鏈中使用強大的 GPU。在 NVIDIA 執(zhí)行的 AI 推理基準測試中，A100 GPU 的性能比 CPU 高出 249 倍。通過將推理和訓練等任務(wù)卸載到 GPU，不再需要過度指定 CPU，這反過來又提供了降低 TDP 的機會。

使命需要跟上

將任務(wù)從 CPU 卸載到 GPU 所帶來的增量功耗改進加起來，但不足以跟上邊緣環(huán)境的需求。在 2022 年 NVIDIA GTC 活動中，洛克希德·馬丁公司副研究員本·盧克（Ben Luke）描述了邊緣功耗、延遲和傳感器數(shù)據(jù)的這個問題：“現(xiàn)代傳感器的一大挑戰(zhàn)是數(shù)據(jù)速率不斷提高。..。..還有強烈的愿望移動該處理。..更接近邊緣，這會導(dǎo)致尺寸、重量和功率限制，這些限制正在推動該架構(gòu)。

盡管技術(shù)更新最初可能會由于 CPU 生命周期障礙而出現(xiàn)，但很明顯，通過更新到最新硬件可以獲得固有的優(yōu)勢。每一代處理都有關(guān)鍵的改進，使系統(tǒng)能夠跟上傳感器數(shù)據(jù)的加速增長，并減輕對手的進步。與Ben Luke的評論直接相關(guān)的是硬件提供減少延遲和決策時間的能力。

在關(guān)于邊緣計算和人工智能未來的 datacenterHawk 播客中，NVIDIA 解決方案架構(gòu)總監(jiān) Rama Darba 表示：“你不能通過實時在云中做出人工智能或計算決策;存在延遲問題，存在計算挑戰(zhàn)。非最新信息不再與做出明智決策相關(guān)。特別是在邊緣，通過以推理為中心的硬件做出實時決策，利用經(jīng)過訓練的模型，在很大程度上依賴于對低延遲的需求。

分布式處理使能因素

邊緣堅固耐用的數(shù)據(jù)中心可以通過采用數(shù)據(jù)處理單元 （DPU） 等硬件立即從分解中受益。DPU，例如NVIDIA Bluefield，有時被描述為智能 NIC ［網(wǎng)絡(luò)接口卡］，具有額外的集成功能，例如 CPU 處理內(nèi)核、高速數(shù)據(jù)包處理、內(nèi)存和高速連接（例如，100 Gb/sec/200 Gb/s 以太網(wǎng)）。這些元素協(xié)同工作，使 DPU 能夠執(zhí)行網(wǎng)絡(luò)數(shù)據(jù)路徑加速引擎的多種功能。

對邊緣應(yīng)用非常重要的一項功能是能夠使用直接內(nèi)存訪問 （DMA） 將網(wǎng)絡(luò)數(shù)據(jù)直接饋送到 GPU，而無需系統(tǒng) CPU 參與。DPU 不僅僅是一個智能網(wǎng)卡，還可以用作獨立的嵌入式處理器，使用 PCIe 交換機架構(gòu)作為 GPU、NVMe 存儲和其他 PCIe 設(shè)備的根或端點運行。這樣做可以改變系統(tǒng)架構(gòu)：DPU 現(xiàn)在允許在最需要的地方共享 GPU 資源，而不是指定配備 GPU 和通用計算服務(wù)器的某種預(yù)定組合。

進入分解分布式處理范例

理解從現(xiàn)狀到新啟用的系統(tǒng)架構(gòu)的范式轉(zhuǎn)變的一種功能性方法是將數(shù)據(jù)中心視為整個資源處理池，而不是服務(wù)器子集，每個服務(wù)器都有專用功能。換句話說，現(xiàn)狀是讓單獨的服務(wù)器執(zhí)行任務(wù) - 一些用于存儲，另一些用于并行處理，另一些用于一般服務(wù)。雖然此模型基本上是按功能分解的，但缺少的關(guān)鍵要素是這些功能在多個系統(tǒng)中的分布不足。

考慮分布式分解傳感器處理架構(gòu)的框圖（圖 2）。傳感器數(shù)據(jù)等關(guān)鍵任務(wù)信息的并行處理在支持 GPU 的系統(tǒng)上發(fā)送和執(zhí)行，通過高速網(wǎng)絡(luò)中繼到 DPU，并共享到任何聯(lián)網(wǎng)服務(wù)器以采取行動。

［圖2 |框圖顯示了平臺中數(shù)據(jù)處理單元的用例。

這種架構(gòu)還可以保持從傳感器到 GPU 再到聯(lián)網(wǎng)服務(wù)器的端到端低延遲，無論服務(wù)器堆棧中的 CPU 代次如何。為了促進這種新架構(gòu)，Mercury 堅固耐用的分布式處理 1U 服務(wù)器等產(chǎn)品分解 GPU 資源，并將見解直接分發(fā)到網(wǎng)絡(luò)上，而無需獨立的 x86 主機 CPU。（圖 3。

［圖3 |框圖顯示了Mercury堅固耐用的分布式處理服務(wù)器的構(gòu)成。

通過跨網(wǎng)絡(luò)分布，可以使用大部分資源。與其在每個系統(tǒng)中指定 GPU 并使用每個 GPU 的一定百分比，可以使用更少的 GPU 并將其分發(fā)到更多數(shù)量的系統(tǒng)，從而緩解熱增加的趨勢。與使用更少的GPU有關(guān)，NVIDIA的Darba將降低成本確定為這種架構(gòu)的另一個關(guān)鍵改進：“最大的優(yōu)勢之一是，現(xiàn)在，因為你不在你知道你被鎖定的地方，必須在這臺服務(wù)器上運行這個應(yīng)用程序，你實際上可以大大降低服務(wù)器成本和服務(wù)器大小。

DPU 用例不僅限于 GPU 和并行處理。例如，GPU卡可以是一個驅(qū)動器池，聯(lián)網(wǎng)并顯示為任何系統(tǒng)的本地存儲。無論是并行處理還是存儲，擁有可用于網(wǎng)絡(luò)的資源都可以實現(xiàn)未來的可擴展性，并更新到更新、功能更強大的硬件，而無需對現(xiàn)有系統(tǒng)進行徹底檢修或犧牲功率預(yù)算或低延遲。

硬件不僅可以進行分解，還可以實現(xiàn)資源分配，它提供了一個機會，通過創(chuàng)新的系統(tǒng)架構(gòu)方法，使堅固的任務(wù)關(guān)鍵型平臺的需求與最新技術(shù)保持一致。

審核編輯：郭婷