地震分析、机器学习和天气模拟…

本文涉及的产品
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
简介: 戴尔近期宣布推出全新的高性能计算服务器产品、云产品、软件,继续致力于让各种规模的企业都能享受高性能计算,并优化高性能计算技术的创新,进一步推动高性能计算社区的发展。

戴尔近期宣布推出全新的高性能计算服务器产品、云产品、软件,继续致力于让各种规模的企业都能享受高性能计算,并优化高性能计算技术的创新,进一步推动高性能计算社区的发展。

 

作为高性能计算领域的全球先行者,戴尔继续为主流企业带来高性能计算能力:


 面向生命科学领域的戴尔高性能计算系统将于2017年第一季度上市,该系统搭载了采用英特尔®至强Phi™处理器的PowerEdge C6320p服务器,可以让生物信息中心在临床相关的时间内更快速地获得结果,并保护机密数据。


 提供Cycle Computing软件和服务,用于高性能计算工作负载下的云编排和管理,帮助各种规模客户满足高性能计算需求。


 戴尔将在本季度向客户提供英特尔® HPC Orchestrator,帮助简化高性能计算系统软件堆栈的安装、管理和后续维护。基于OpenHPC开源项目的英特尔® HPC Orchestrator可帮助客户更快地获得结果,并更快速地实现其高性能计算部署的价值。

 

戴尔验证解决方案与高性能计算事业部高级副总裁Jim Ganthier表示:“戴尔具备得天独厚的能力来打破以数据为中心的高性能计算所面临的障碍,并领航与大数据和云融合的各种全新工作负载。我们与包括客户在内的高性能计算社区合作,推动并优化高性能计算创新,同时让各种规模的企业和机构都能轻松获得并部署这些能力。”


戴尔全新HPC产品组合

更“快”的选择和部署


在并行编码、降低延迟及简化管理上

拥有出众表现


并行计算往往被认为是“高端计算”,多用于对科学和工程等领域的难题进行建模。然而现在,随着大数据和机器学习的兴起,商务应用在开发更快的计算机过程中提供了同等或更强的动力,这些应用也需要以并行计算所支持的复杂方式来处理大量数据。

 

解决日益复杂的问题需要的不仅仅是快速精准的结果和基本的性能,同时也需要一个适当均衡并集成的系统。戴尔PowerEdge C6320p是半宽1U服务器节点,采用了英特尔®至强Phi™处理器,专门用于高密度、高度并行、高性能计算的环境。由于一个C6300机箱中至多可容纳4个节点,它可在一个2U空间中提供288个无序内核。通过采用至多72个无序内核的英特尔®至强Phi™处理器,并提供低延迟I/O选项(英特尔Omni-Path或Mellanox EDR InfiniBand架构),它还可以为并行代码提供更佳的性能。

 

搭载了生命周期控制器(Lifecycle Controller)的戴尔远程访问控制器(iDRAC8)可以简化并自动处理戴尔PowerEdge C6320p服务器的部署、监控和更新,从而简化运营并确保更高水平的服务和可用性,这些都可在不使用会对应用性能产生影响的操作系统代理的前提下实现。戴尔PowerEdge C6320p服务器提供出色的并行处理功能与能力,以及更大的吞吐量,旨在帮助客户满足并行处理环境的需求,以应对数据的快速增长以及更高的负载。

 

值得一提的是,英特尔®至强Phi™处理器能够二进制兼容其它英特尔®至强处理器,这样用户就能够通过使用已熟悉的同一个x86代码及开发库与优化来保护编码投资。在英特尔架构上进行标准化意味着可以为代码使用同一个编程模式,从而通过共享的开发库以及重复利用代码而提高效率,同时尽量降低了重新培训程序员学习新界面、方法和语言的需求——最终节省时间和成本。

 

戴尔PowerEdge C6320p服务器适合多个领域中的数据密集型计算,如地震分析、机器学习和天气模拟。它具有平衡强大的处理能力与低延迟I/O的平台设计,为研究人员更快提供更深入的洞察。PowerEdge C6320p补充了戴尔现有的高性能计算产品组合,提供了一个专为高度并行负载而优化的解决方案,可以帮助企业:


 提高应用性能:通过每周期能够执行32位双精度浮点运算的英特尔®至强Phi™处理器,高度矢量化和并行的高性能计算应用的性能表现可以提升两倍。


 更快速地洞察大数据:除了传统的DDR4内存,英特尔®至强Phi™处理器还自带一个名为多通道DRAM(MCDRAM)的16GB内存模块。这让数据能够存储在靠近计算(内核)的位置,使对数据的访问比进入系统内存更快,从而进一步提高计算效率。

image.png

▌用于高性能计算工作负载下的

云编排和管理


来自Cycle Computing的全新云爆发服务实现了云编排和管理,可连接到包括Azure、AWS和谷歌在内的三大云服务。戴尔集群在共享内部资源和公共云资源的混合模型中可提供出色的协调和管理功能,使各种规模的客户都能够尽可能高效地利用本地系统,同时无缝地获得大量公有云资源来满足高性能计算需求。

 

Cycle Computing 首席执行官Jason Stowe表示:“混合解决方案是高性能计算未来的发展趋势,我们非常高兴能够与戴尔携手来满足这一需求。戴尔非常清楚地了解这个市场以及客户,通过他们独特的洞察,我们相信双方的合作将为客户创造真正的价值,让他们能够大幅缩短排队时间、在需要的时候即时获得更高的容量,并能够轻松地管理这一切。”


戴尔解码HPC新变化

帮企业构建数字化全战略

从2012年开始,在高性能计算领域,使用加速器的趋势开始有爆发性增长。这样一个趋势使得整个产业甚至整个IT业界都在思考,如何开发一些新的技术去助推,完成市场需求。就像机器学习当中的人脸识别、物品识别、网络当中的一些对于网络入侵大数据的分析,包括预警等等,这些都是可以利用到计算能力来提供。而传统采用CPU的能力,慢慢成为了一个瓶颈。各个公司都在致力于研发这样的能力。

image.png

戴尔大中华区企业级产品市场总监周俊杰表示:“我们看到现在的戴尔将会拥有企业端的后台数据中心的解决方案,一直到客户端, 从端到端提供了完整的技术解决方案链。从传统的三大件:服务器、网络、存储包括客户端所用到的平板电脑、笔记本,瘦客户端的设备,让客户从指尖开始一直到最后所有的处理,大数据的处理运算都可以交给一家公司来完成,这就在戴尔科技我们所希望向客户提供的一种能力”。


与此同时,中国的客户也逐步地希望从购买IT从买硬件、软件、服务这样比较分离的方式当中,慢慢转向直接购买一个成套的解决方案。经过长时间的调研,戴尔希望能够给客户提供一个模块化交钥匙化的能力,尽管这些解决方案不一定是像大数据、IoT等非常前瞻的话题,但是这是扎扎实实可以落地的,在企业关键业务当中帮助他们去解决他们目前存在的问题。


周俊杰在会议上展出了八大解决方案,其中包含了数据库加速、SAP HANA、业务连续性保障、企业级监控等端到端的解决方案,其中有一个是专门专注在高性能计算和高性能数据分析的这个领域。


推动HPC民众化

加快客户创新步伐

HPC的变化非常之快,尤其是在最近,从产品到技术,以及架构、市场、厂商等方面都在逐渐改变。戴尔HPC 的愿景,是为了让更多的人(工程师、老师、学生、创业者)都能够用得起HPC,通过创新的高性价比的解决方案来实现我们的目标,推动HPC的民众化。

image.png

戴尔大中华区高性能计算方案架构师凌巍才在会议上展示了戴尔的策略以及三方面的合作:


 我们和最终用户的合作,有很多用户都是前沿的用户,某个行业里面非常领先的用户,包括德克萨斯超算中心,中科院自动化所,是我们和研究者合作。

 

 我们和研究伙伴合作的合作,我们和英特尔、NVIDIA、Meldanox、Bright Computing,我们和业界伙伴合作。

 

 为了方便用户采购、部署、使用、扩展,我们有自己的一套模块化方案。你可以今天做一个模块,明天再添加一个模块,后天再添加一个模块,这是我们HPC的策略。


此次戴尔基于英特尔®至强Phi™处理器推出不同的解决方案。包括教育方案、生命科学方案、制造业方案、还有高可用的NFS的存储以及Lustre存储等,为客户的生产力提供助推。


戴尔HPC实力超群

客户合作伙伴共同见证

麻省理工学院超算中心主任Jeremy Kepner


通过戴尔与英特尔合作的早期英特尔®至强Phi™处理器项目,麻省理工学院林肯实验室超级计算中心(LLSC)选择戴尔为他们部署了一个648节点的高性能计算系统。麻省理工学院林肯实验室超级计算中心的全新TX-Green系统是美国东海岸最大的超算系统之一,拥有超过千兆次的浮点运算速度,该中心的计算能力得到了4倍的提升。

 

这个全新的高性能计算系统非常显著地为麻省理工学院林肯实验室超级计算中心的科研人员和合作者提高了交互式、按需高性能计算和大数据能力,以支持太空观测、机器人汽车、网络安全、机器学习、传感器处理、电子设备、生物信息和气流控制等领域的科研活动。

 

麻省理工学院林肯实验室研究员、麻省理工学院林肯实验室超级计算中心主任Jeremy Kepner表示:“一直以来,戴尔都是非常棒的合作伙伴,使我们可以大幅提升超级计算中心的能力。戴尔高性能计算团队知识渊博、响应快速,能够在一个月内交付并部署我们的千万亿级系统并进行基准测试。一个配合默契而专注的团队能够分配恰当的资源来满足并超越客户的期望,戴尔高性能计算团队就是一个绝佳的例子。”


北京大学生物物理学助理教授毛有东博士


北京大学选择由戴尔部署了两个高性能计算集群,加强与哈佛大学在低温电子显微镜(cryo-EM)领域的合作研究。这些集群包含144个节点,并通过英特尔EE Lustre实现了大约2PB的存储容量,将支持北京大学的科研人员绘制生物大分子的三维结构,用于为癌症和其它疾病患者设计抑制剂及开发新药。

 

北京大学生物物理学助理教授毛有东博士表示:“戴尔的高性能计算集群对于我们的科研工作至关重要,我们需要对高度自动化的低温电子显微镜所产生的大数据进行先进性的分析。这些高性能计算系统推动了一流算法的开发,用于为重大的生物医学问题找到结构性的解决方案,这将推动在癌症免疫疗法以及精准治疗领域的创新。”


Intel数据中心副总裁Charles Wuischpard


我们正在进入一个新时代,个性化医疗将前所未有地拯救生命并改善人们的生活。我们保持与戴尔的紧密合作,推出基于英特尔可扩展系统框架的集群以及基于英特尔®至强 Phi™处理器、英特尔®HPC Orchestrator和英特尔®Omni-path架构的戴尔PowerEdge C6320p服务器,帮助客户应对一些在生命科学和深度学习领域重大的挑战。


华大基因生物计算HPC平台高级工程师李焱


戴尔为我们提供了一个基于Java的终端方针应用管理程序,利用该程序,我们可以快速了解各个FX2节点上CMC所管理的服务器的状态,包括CPU资源占用情况,CPU温度、内存消耗量、I/O速度、系统平均功率等。同时,针对启动模块的iDRAC GUI和远程应用程序,我们获得了统一的操作界面,有效提升了我们的管理效率。


清华大学蛋白质研究技术中心


HPC项目引入的戴尔融合架构具有戴尔最先进的ESI (ESI- Extreme Scale Infrastructure)特质,在ESI特质的基础上PowerEdge FX2集合了刀片和多节点机架式服务器的技术优势。使HPC平台IT复杂度降低了50%,将IT人员从繁琐的IT维护工作中解放出来。”


相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
相关文章
|
3月前
|
机器学习/深度学习 算法 数据可视化
机器学习模型中特征贡献度分析:预测贡献与错误贡献
本文将探讨特征重要性与特征有效性之间的关系,并引入两个关键概念:预测贡献度和错误贡献度。
307 3
|
2月前
|
数据采集 移动开发 数据可视化
模型预测笔记(一):数据清洗分析及可视化、模型搭建、模型训练和预测代码一体化和对应结果展示(可作为baseline)
这篇文章介绍了数据清洗、分析、可视化、模型搭建、训练和预测的全过程,包括缺失值处理、异常值处理、特征选择、数据归一化等关键步骤,并展示了模型融合技术。
70 1
模型预测笔记(一):数据清洗分析及可视化、模型搭建、模型训练和预测代码一体化和对应结果展示(可作为baseline)
|
2月前
|
机器学习/深度学习 数据可视化 数据挖掘
机器学习中空间和时间自相关的分析:从理论基础到实践应用
空间和时间自相关是数据分析中的重要概念,揭示了现象在空间和时间维度上的相互依赖关系。本文探讨了这些概念的理论基础,并通过野火风险预测的实际案例,展示了如何利用随机森林模型捕捉时空依赖性,提高预测准确性。
76 0
机器学习中空间和时间自相关的分析:从理论基础到实践应用
|
2月前
|
机器学习/深度学习 数据可视化 算法
机器学习中的回归分析:理论与实践
机器学习中的回归分析:理论与实践
|
2月前
|
机器学习/深度学习 数据采集 算法
【Python篇】从零到精通:全面分析Scikit-Learn在机器学习中的绝妙应用
【Python篇】从零到精通:全面分析Scikit-Learn在机器学习中的绝妙应用
43 2
|
2月前
|
机器学习/深度学习 数据挖掘
二、机器学习之回归模型分析
二、机器学习之回归模型分析
117 0
|
3月前
|
机器学习/深度学习 存储 人工智能
文本情感识别分析系统Python+SVM分类算法+机器学习人工智能+计算机毕业设计
使用Python作为开发语言,基于文本数据集(一个积极的xls文本格式和一个消极的xls文本格式文件),使用Word2vec对文本进行处理。通过支持向量机SVM算法训练情绪分类模型。实现对文本消极情感和文本积极情感的识别。并基于Django框架开发网页平台实现对用户的可视化操作和数据存储。
50 0
文本情感识别分析系统Python+SVM分类算法+机器学习人工智能+计算机毕业设计
|
4月前
|
机器学习/深度学习 人工智能 数据处理
【人工智能】项目实践与案例分析:利用机器学习探测外太空中的系外行星
探测外太空中的系外行星是天文学和天体物理学的重要研究领域。随着望远镜观测技术的进步和大数据的积累,科学家们已经能够观测到大量恒星的光度变化,并尝试从中识别出由行星凌日(行星经过恒星前方时遮挡部分光线)引起的微小亮度变化。然而,由于数据量巨大且信号微弱,传统方法难以高效准确地识别所有行星信号。因此,本项目旨在利用机器学习技术,特别是深度学习,从海量的天文观测数据中自动识别和分类系外行星的信号。这要求设计一套高效的数据处理流程、构建适合的机器学习模型,并实现自动化的预测和验证系统。
75 1
【人工智能】项目实践与案例分析:利用机器学习探测外太空中的系外行星
|
3月前
|
机器学习/深度学习 存储 数据挖掘
Hologres 与机器学习的融合:为实时分析添加预测性分析功能
【9月更文第1天】随着数据科学的发展,企业越来越依赖于从数据中获取洞察力来指导决策。传统的数据仓库主要用于存储和查询历史数据,而现代的数据仓库如 Hologres 不仅提供了高性能的查询能力,还能够支持实时数据分析。将 Hologres 与机器学习技术相结合,可以在实时数据流中引入预测性分析,为企业提供更深入的数据洞见。本文将探讨如何将 Hologres 与机器学习集成,以便实现实时的预测性分析。
86 4