今天给各位分享数据中心自动化: 开放网络全新发展趋势的知识，其中也会对进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！

在新一代数据中心中，开发人员可以通过可编程的数据中心结构组装各种类型的处理器和资源，形成他们需要的云计算平台。

数据中心的第一个时代是以CPU 为中心的，这意味着一台计算机上只能运行一个应用程序。由于资源分配是静态的，并且更换服务器可能需要数周或数月的时间，因此通常需要多台服务器但未得到充分利用。

在数据中心的第二个时代，虚拟化成为标准，允许在每台服务器上运行多个虚拟机。资源是动态的，虚拟机是按需创建的。当需要更多CPU、内存或存储时，可以将工作负载转移到其他服务器上的虚拟机。

处理仍然由CPU 执行，GPU 或FPGA 有时会加速特定任务。应用程序开发人员仍然一次在一台计算机上编写CPU 程序。第二代数据中心仍然以CPU为中心。

数据中心新时代

现在，我们已经进入了数据中心的第三个时代，我们称之为ADI（加速分解基础设施），它基于可组合基础设施、微服务和特定领域处理器。

ADI具有以下特点：

加速：不同的处理器可以基于优秀的解决方案加速不同的工作负载。 CPU 运行通用单线程工作负载，GPU 运行并行处理工作负载，数据处理单元(DPU) 管理数据的处理和低延迟移动，使CPU 和GPU 能够更高效地获取所需的数据。例如，CPU 可以运行数据库，GPU 可以处理人工智能和视频，DPU 可以快速、高效、安全地将正确的数据传送到需要的地方。

使用GPU 加速的人工智能和机器学习现在无处不在：在线购物、5G 无线、医学研究、网络安全、软件开发、视频处理甚至数据中心运营。 DPU 可以加速网络和存储访问并确保安全性，云和容器可以快速发展。

解耦：将计算、内存、存储等资源划分为多个池，并动态地将适量的资源分配给服务器和应用程序。通常，应用程序本身是由交互的微服务而不是整个代码块构建的。这使得使用正确的资源比例编写应用程序并根据需要更改该比例变得更加容易。

使用ADI 模型，GPU、DPU 和存储可以根据需要连接到任何服务器、应用程序或虚拟机。通过使用Nvidia的GPU Direct和Magnum IO等技术，CPU和GPU可以通过网络访问彼此的存储，性能几乎与同一服务器上相同，并且可以将正确数量和类型的GPU分配给需要的作业。他们。加载。每台服务器中的DPU 管理并加速常见的网络、存储、安全、压缩和深度数据包检查任务，以保持数据快速安全地移动，而不会给CPU 或GPU 带来负担。

借助ADI，数据中心成为新的计算单元，完全可组合并由GPU 和DPU 加速。

要对数据中心进行编程，必须对网络进行编程对于ADI来说，数据中心是新的计算单元，网络结构提供了灵活、自动化、可编程的框架来动态组合工作负载资源。这意味着不仅要对CPU、GPU 和DPU 进行编程，还要对网络结构本身进行编程，将DevOps 的优势扩展到网络中，这种方法称为基础设施即代码(IaC)。该结构必须是可编程的、可扩展的、快速的、开放的、功能丰富的、自动化友好的和安全的。它在CPU、GPU 和存储之间提供多个高带宽路径，并能够确定流量类别的优先级。

借助ADI，每个应用程序都可以运行在由CPU、GPU和存储资源组成的虚拟服务器上，DPU可以加快访问速度并提高安全性。

开放式网络操作系统支持ADI传统上，交换机被设计为专有的“黑匣子”，其中网络操作系统（NOS）被锁定到特定的交换机硬件平台，需要客户一起购买和部署它们。

就英伟达而言，它的方法是提供高质量、开放的端到端解决方案。客户可以采用优秀的交换机ASIC，并根据自己的需求选择最佳的NOS：Cumulus Linux、Mellanox Onyx、SONiC等。客户甚至可以选择在Spine交换机上运行SONiC，并在机架和园区交换机上使用Cumulus Linux。

与专有的封闭交换机模型不同，开放网络允许客户从一流的软件和硬件中进行选择，以获得他们所需的功能和性能，并提高可管理性。

企业、人工智能、云和HPC 工作负载现在可以使用GPU、CPU、DPU、内存、存储和高速连接等优质资源从整个数据中心的任何部分灵活运行。

文章分享结束，数据中心自动化: 开放网络全新发展趋势和的答案你都知道了吗？欢迎再次光临本站哦！